China & DeepSeek | Kunstmatige intelligentie: hoe een nieuwe architectuur de chipmarkt op zijn kop zet

$294.000 in plaats van $100 miljoen: De waarheid over de prijsoorlog van DeepSeek

De nieuwste release van het Chinese AI-bedrijf DeepSeek roept fundamentele vragen op over de toekomst van kunstmatige intelligentie. Eind december 2025 presenteerde het bedrijf een nieuwe trainingsmethode (genaamd Manifold-Constrained Hyper-Connections) die de potentie heeft om de hele industrie te hervormen. Terwijl westerse techreuzen honderden miljarden dollars investeren in enorme datacenters en gespecialiseerde chips, toont DeepSeek een alternatieve weg die gebaseerd is op architectonische verfijning in plaats van op pure kapitaalinvesteringen. Deze ontwikkeling zou de economische fundamenten van de AI-industrie kunnen doen wankelen en een transformatie inluiden waarbij succes of mislukking niet langer wordt bepaald door de beschikbaarheid van middelen, maar door technische expertise.

De Chinese aanpak kwam niet voort uit een bewuste keuze, maar uit noodzaak. Exportbeperkingen opgelegd door de Verenigde Staten verhinderden Chinese bedrijven de toegang tot Nvidia's krachtigste AI-chips. Wat aanvankelijk een strategisch nadeel leek, bleek een katalysator voor alternatieve ontwikkelingspaden. DeepSeek moest maximale prestaties behalen met beperkte hardware en ontwikkelde methoden die nu de kostenstructuur van de hele industrie op de proef stellen. De release in januari 2025 van het R1-model, dat kon wedijveren met de beste Amerikaanse modellen maar voor een fractie van de kosten was ontwikkeld, veroorzaakte een schokgolf op de aandelenmarkten en dwong analisten wereldwijd hun waarderingsmodellen te herzien.

Dit is hiermee gerelateerd:

• DeepSeek V3.2: Een concurrent op GPT-5- en Gemini-3-niveau én lokaal inzetbaar op uw eigen systemen! Het einde van gigabit AI-datacenters?

Van hyperverbindingen tot wiskundige stabiliteit

De technische basis van de nieuwe DeepSeek-methode ligt in de verdere ontwikkeling van netwerken binnen AI. Traditionele neurale netwerken gebruiken zogenaamde residuele verbindingen – een soort "snelkoppeling" waarmee informatie tussen de lagen van het netwerk wordt doorgegeven. Deze bruggen maken het mogelijk om diepere netwerken te trainen door te voorkomen dat leersignalen onderweg vervagen. De "hyperverbindingen" van DeepSeek breiden dit concept uit door de informatiestroom tussen lagen te verbreden en flexibelere patronen mogelijk te maken. Dit leidt tot prestatieverbeteringen, maar heeft een cruciaal nadeel: de extra complexiteit gaat ten koste van de stabiliteit, omdat informatie niet langer zo betrouwbaar wordt doorgegeven als met klassieke verbindingen.

Met traditionele snelkoppelingen blijft informatie grotendeels ongewijzigd tijdens de overdracht door het netwerk, wat resulteert in stabiele training. De nieuwe hyperverbindingen offeren deze eigenschap op voor een groter leervermogen, maar dit leidt tot aanzienlijke schommelingen bij het trainen van grote modellen. DeepSeek observeerde in experimenten dat de foutpercentages onverwacht toenamen na ongeveer 12.000 trainingsstappen – een duidelijk teken van instabiliteit. De stuursignalen voor het leerproces gedroegen zich chaotisch, waardoor opschalen naar krachtigere modellen vrijwel onmogelijk werd. Tegelijkertijd verhoogden de bredere verbindingen het dataverkeer, omdat er meer informatie tussen het geheugen en de processor moest worden verplaatst.

De oplossing van DeepSeek projecteert deze complexe verbindingen in een gecontroleerde wiskundige ruimte (een "variëteit") met vaste regels. Deze wiskundige truc herstelt de stabiliteit en behoudt tegelijkertijd de voordelen van een rijkere informatie-uitwisseling. Deze ruimte wordt gedefinieerd door speciale matrices waarvan de waarden elkaar in evenwicht houden om de algehele stabiliteit te waarborgen. Hoewel deze beperking technisch klinkt, heeft ze verstrekkende praktische gevolgen: ze garandeert dat signalen niet verloren gaan en niet ongecontroleerd groeien terwijl ze door het netwerk stromen.

Praktische tests met een model van 27 miljard parameters bevestigden de effectiviteit. Zowel de standaard als de gestabiliseerde hyperverbindingen presteerden beter dan het basismodel, maar de gestabiliseerde versie behaalde consequent de beste resultaten. De trainingsstabiliteit verbeterde aanzienlijk. Waar het standaardmodel na 12.000 stappen aanzienlijke uitval vertoonde, verliep de training met de nieuwe methode soepel en volgde het gedrag nauwgezet dat van het stabiele basismodel. De leersignalen bleven gedurende het hele proces binnen het normale bereik, wat wijst op een fundamentele oplossing voor het stabiliteitsprobleem.

De prestatiewinst gaat niet zonder kosten gepaard, maar die zijn verrassend laag. De methode verhoogt de rekeninspanning met ongeveer 6,7 procent ten opzichte van de standaardmethode. Deze bescheiden extra inspanning is verwaarloosbaar in vergelijking met de enorme prestatieverbeteringen, waardoor de methode een van de meest efficiënte strategieën in het huidige onderzoek is. DeepSeek heeft ook strenge infrastructuuroptimalisaties doorgevoerd om de belasting van de datatransmissiepaden te verminderen. Deze optimalisaties zijn cruciaal, omdat bij grote modellen de bottleneck vaak niet de rekenkracht zelf is, maar de snelheid van de gegevensoverdracht tussen het geheugen en de processor.

Dit is hiermee gerelateerd:

• NIEUW! DeepSeek OCR is China's stille triomf: hoe een open-source AI de Amerikaanse dominantie in chips ondermijnt

De economische realiteit achter de krantenkoppen

De publieke discussie rond de kosten van DeepSeek was vanaf het begin beladen met misverstanden. Toen het bedrijf in januari 2025 zijn R1-model onthulde, suggereerden de geruchten dat de trainingskosten voor het V3-basismodel minder dan zes miljoen dollar bedroegen. Dit werd vaak vergeleken met de geschatte honderd miljoen dollar voor OpenAI's GPT-4, waardoor de indruk ontstond dat DeepSeek een 25-voudig kostenvoordeel had behaald. In september 2025 publiceerde DeepSeek een artikel in het tijdschrift Nature waarin stond dat de trainingskosten voor R1 slechts 294.000 dollar bedroegen. Dit bedrag domineerde opnieuw de media-aandacht en versterkte de perceptie van een fundamenteel kostenvoordeel.

Een nadere analyse onthult echter een complexer beeld. De $294.000 heeft uitsluitend betrekking op de zogenaamde post-trainingsfase, waarin een reeds intelligent model wordt verfijnd door middel van oefening en feedback. De werkelijke totale kosten bedragen meer dan $5,87 miljoen aan rekentijd alleen, bovenop investeringen in hardware van circa $51 miljoen. Deze cijfers omvatten nog niet de kosten voor onderzoek, dataverwerking, personeel en mislukte experimenten. Wanneer deze factoren worden meegerekend, liggen de werkelijke ontwikkelingskosten weliswaar lager dan vergelijkbare bedragen in het Westen, maar bereiken ze niet de dramatische omvang van de vaak geciteerde bedragen.

De kostenstructuur van AI-ontwikkeling is inherent moeilijk te doorgronden. OpenAI heeft nooit precieze cijfers gepubliceerd voor GPT-4. De vaak aangehaalde schatting van 100 miljoen dollar is afkomstig van Sam Altman, die in 2023 sprak over aanzienlijk hogere kosten voor de basistraining van modellen. Analoge schattingen voor nieuwere modellen zoals GPT-4o suggereren dat de kosten aanzienlijk zijn gedaald dankzij moderne technieken zoals gespecialiseerde expertnetwerken, efficiëntere methoden en geoptimaliseerde infrastructuur. Sommige analyses schatten de trainingskosten voor GPT-4o tussen de 5 en 16 miljoen dollar, wat zou betekenen dat het kostenverschil met DeepSeek aanzienlijk kleiner is dan algemeen wordt aangenomen.

Desondanks blijft de prestatie van DeepSeek opmerkelijk. Het bedrijf trainde zijn V3-model met bijna 2,8 miljoen GPU-uren op 2048 H800-chips gedurende een periode van twee maanden. De H800 is een afgezwakte versie van Nvidia's H100 voor de Chinese markt, waarbij de gegevensoverdrachtssnelheid drastisch is verlaagd om te voldoen aan de Amerikaanse exportregelgeving. Deze chips zijn aanzienlijk minder krachtig dan de originele chips die in westerse datacenters worden gebruikt, of zelfs de nieuwere Blackwell-processors. Het feit dat DeepSeek met deze beperkte hardware concurrerende modellen heeft kunnen ontwikkelen, is de echte doorbraak.

De "mix van experts"-architectuur speelt een centrale rol. DeepSeek V3 heeft in totaal 671 miljard parameters, maar activeert er slechts 37 miljard per woord. Dit betekent dat slechts een fractie van het model daadwerkelijk aan elke zoekopdracht werkt. Het model bestaat uit vele gespecialiseerde "experts" en een gedeelde kennispool, waarbij voor elke stap slechts een paar specialisten worden geselecteerd. Dit ontwerp maakt het mogelijk om de kennis van het model enorm te vergroten zonder dat de rekenkosten evenredig toenemen. Elke expert kan zich specialiseren in specifieke onderwerpen, wat resulteert in betere prestaties en een hogere efficiëntie.

De uitdaging bij deze expertbenadering ligt in de taakverdeling. Als sommige experts constant in trek zijn terwijl anderen niets doen, ontstaan ​​er efficiëntieproblemen. Traditionele benaderingen gebruiken zogenaamde "straffuncties" die het model dwingen alle experts gelijkmatig te gebruiken. Deze methode leidt echter vaak tot minder goede resultaten, omdat niet altijd de beste expert wordt geselecteerd. DeepSeek implementeerde een slimme taakverdelingsstrategie zonder dergelijke kunstmatige straffen, waardoor een evenwichtige benutting van experts wordt gegarandeerd zonder dat de kwaliteit daaronder lijdt. Deze innovatie was cruciaal voor de succesvolle schaalbaarheid van het model.

De strategische noodzaak voor China om te innoveren

De ontwikkeling van DeepSeek kan niet los van de geopolitieke context worden begrepen. In oktober 2022 verscherpten de Verenigde Staten hun exportbeperkingen op AI-chips en productieapparatuur naar China aanzienlijk. Deze maatregelen waren bedoeld om China's mogelijkheden om geavanceerde AI-systemen en hun militaire toepassingen te ontwikkelen te beperken. Nvidia werd gedwongen chips te ontwikkelen die specifiek waren aangepast voor de Chinese markt. De A800 en H800 ontstonden als uitgeklede versies van de topmodellen, met een snelheid die net voldoende was verlaagd om te voldoen aan de Amerikaanse exportbeperkingen.

In 2023 verscherpten de VS de controles opnieuw, waardoor zelfs deze tijdelijke oplossingen werden geblokkeerd. Tegelijkertijd werden exportbeperkingen opgelegd aan hoogwaardig geheugen, een cruciaal onderdeel van moderne AI-chips. Deze maatregelen dwongen Chinese bedrijven om alternatieven te ontwikkelen of terug te grijpen naar oudere, minder efficiënte hardware. Huawei, ooit een wereldwijde grootmacht in de telecommunicatie, werd feitelijk afgesneden van de toegang tot westerse chiptechnologie en gedwongen om eigen oplossingen te ontwikkelen. Hoewel de Ascend-processors van Huawei slechts een fractie van de prestaties per chip leveren in vergelijking met Nvidia, kunnen ze dit gedeeltelijk compenseren door de enorme productievolumes.

De productiecijfers illustreren de uitdaging. Huawei zal naar verwachting in 2025 zo'n 200.000 AI-chips produceren, terwijl China in dezelfde periode legaal ongeveer een miljoen aangepaste Nvidia-chips heeft kunnen importeren. Bovendien wordt het prestatieverschil steeds groter. Analyses tonen aan dat de beste Amerikaanse chips momenteel ongeveer vijf keer zo krachtig zijn als de beste chips van Huawei, en dit verschil zal naar verwachting in 2027 dramatisch toenemen. Zelfs als Huawei zijn productie enorm zou verhogen, zou het bedrijf nog steeds lang niet in de buurt komen van de rekenkracht die Nvidia wereldwijd levert in 2027.

Deze beperkingen dwongen Chinese ontwikkelaars tot een radicale efficiëntieverbetering. DeepSeek-oprichter Liang Wenfeng zag deze noodzaak al vroeg in en kocht, nog voor de aanscherping van de regelgeving in 2021, tienduizend Nvidia A100 GPU's. Deze vooruitziende investering gaf DeepSeek een cruciaal voordeel ten opzichte van concurrenten die later alleen toegang hadden tot inferieure hardware. De voormalige hedgefondsmanager paste dezelfde strategische visie toe die hem succesvol had gemaakt in de financiële sector. Zijn fonds, High-Flyer, beheerde miljarden en behoorde tot de technologisch meest geavanceerde financiële bedrijven in China.

De oprichting van DeepSeek in juli 2023 was meer dan zomaar een experiment. Liang zag de ontwikkeling van algemene kunstmatige intelligentie als hét sleuteltechnologieproject van de eeuw en wilde China een voortrekkersrol daarin geven. In een interview legde hij uit dat jonge AI-startups goed gepositioneerd waren om te concurreren met gevestigde bedrijven, omdat de markt een fundamentele transformatie onderging. De doorslaggevende factor, zo betoogde hij, was niet het volgen van oude regels, maar het vermogen om zich flexibel aan te passen aan en te reageren op veranderingen.

Deze filosofie kwam tot uiting in de ontwikkelingsaanpak van DeepSeek. Vanaf het begin richtte het bedrijf zich op het behalen van maximale resultaten met beperkte middelen. Terwijl westerse bedrijven zoals OpenAI en Anthropic miljarden investeerden in steeds grotere modellen en enorme datacenters, optimaliseerde DeepSeek de architectuur, training en toepassing voor efficiëntie. Het R1-model demonstreerde deze strategie op indrukwekkende wijze. Het behaalde resultaten op wiskundige taken die vergelijkbaar waren met de beste Amerikaanse modellen, maar vereiste een architectuur die aanzienlijk minder rekenkracht per antwoord verbruikte.

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• De Managed AI Solution - Industriële AI-diensten: De sleutel tot concurrentievermogen in de dienstensector, de industrie en de machinebouw

Systemische verstoringen en marktreacties

De lancering van DeepSeek R1 in januari 2025 veroorzaakte een schokgolf die veel verder reikte dan technische kringen. De aandelenmarkt reageerde met verliezen voor bedrijven die zwaar hadden geïnvesteerd in AI-infrastructuur. Nvidia, waarvan de waarde grotendeels gebaseerd was op de veronderstelling dat de vraag naar zijn dure chips explosief zou blijven stijgen, verloor binnen enkele dagen waarde. Beleggers vroegen zich af of de aangekondigde uitgaven van honderden miljarden dollars wel nodig waren als een Chinese startup vergelijkbare resultaten kon behalen met een fractie van dat bedrag.

De reactie van de Chinese techreuzen was onmiddellijk en doorslaggevend. ByteDance, Tencent, Baidu en Alibaba verlaagden de prijzen van hun AI-diensten drastisch. Het Doubao-model van ByteDance werd bijna 99 procent goedkoper ten opzichte van een jaar eerder. Deze prijsverlagingen leidden tot een enorme toename in het gebruik. Het aantal dagelijkse zoekopdrachten steeg binnen enkele maanden van 120 miljard naar meer dan 500 miljard. De totale markt voor AI-diensten in China had een relatief kleine waarde, wat wijst op extreem lage marges gezien het enorme gebruiksvolume.

Deze cijfers illustreren een probleem: de concurrentie verschuift van de kwaliteit van AI naar de efficiëntie van de infrastructuur en de prijs. Alibaba Cloud, marktleider in China, kondigde desondanks miljardeninvesteringen in AI-infrastructuur aan. ByteDance plant ook enorme chipaankopen. Tencent, dat aanvankelijk wat achterliep op het gebied van chipaankopen, compenseert dit door computerkracht te leasen en gebruik te maken van de efficiënte technologie van DeepSeek.

De marktconsolidatie versnelt. Experts voorspellen dat het aantal Chinese AI-aanbieders zal afnemen tot een paar grote spelers. De winnaars zullen degenen zijn die hun technologie tot de standaard maken door prestaties te combineren met praktische toepassingen. Dit proces weerspiegelt ontwikkelingen in andere technologiesectoren, waar een periode van snelle innovatie wordt gevolgd door consolidatie, waarbij alleen bedrijven met de beste combinatie van technologie, schaal en marktmacht overleven.

Een vergelijkbare trend ontvouwt zich in het Westen. De dominantie van OpenAI neemt meetbaar af. Het marktaandeel van ChatGPT is aanzienlijk gedaald, terwijl Google Gemini terrein heeft gewonnen. Deze verschuiving is meer dan alleen een statistische schommeling. Het geeft aan dat het voordeel van "als eerste op de markt komen" afneemt, terwijl concurrenten met gevestigde platforms een inhaalslag maken. Google kan zijn AI direct integreren in Search en Android, wat een structureel voordeel oplevert ten opzichte van een pure AI-aanbieder.

De prijsstelling weerspiegelt deze dynamiek. Westerse aanbieders zoals Anthropic en OpenAI hebben hun prijzen ook verlaagd en efficiëntere modelvarianten geïntroduceerd. De prijs per miljoen verwerkte woorden is de afgelopen twee jaar drastisch gedaald. Deze ontwikkeling suggereert dat AI een massaproduct aan het worden is. Zodra meerdere aanbieders vergelijkbare kwaliteit bieden, zal de prijs de doorslaggevende factor worden, waardoor de winstmarges afnemen en schaalvergroting nog belangrijker wordt.

Dit is hiermee gerelateerd:

• Wat is beter: een gedecentraliseerde, gefedereerde, robuuste AI-infrastructuur of een AI-gigafabriek of een hyperscale AI-datacenter?

Grenzen van de Redeneringsrevolutie

Parallel aan de toename in efficiëntie vond een ontwikkeling plaats die aanvankelijk de volgende grote doorbraak leek te worden. Zogenaamde "redeneermodellen", die meer tijd nemen om over problemen na te denken en de stappen expliciet te doorlopen, behaalden spectaculaire resultaten. OpenAI's o1, DeepSeek's R1 en vergelijkbare modellen demonstreerden indrukwekkende capaciteiten op het gebied van wiskunde en programmeren. Het idee is simpel: als je het model meer tijd geeft om te "denken" en het de mogelijkheid geeft om het oplossingspad te formuleren, zouden de antwoorden moeten verbeteren.

In juni 2025 publiceerde Apple echter een onderzoek dat beperkingen aan het licht bracht. Onderzoekers testten geavanceerde modellen met logische puzzels waarvan de moeilijkheidsgraad nauwkeurig kon worden geregeld. De resultaten waren ontnuchterend: de modellen vertoonden tegenstrijdig gedrag. Hun verwerkingscapaciteit nam aanvankelijk toe met de complexiteit, maar nam vervolgens op een bepaald punt weer af, zelfs met voldoende tijd – en de oplossingen werden onjuist.

Het onderzoek identificeerde drie fasen. Voor eenvoudige problemen bleken normale taalmodellen vaak beter en efficiënter dan de 'denk'-modellen. Voor middelmatig moeilijke problemen boden de denkprocessen duidelijke voordelen. Voor zeer complexe problemen faalden beide typen modellen echter volledig. Ze faalden niet alleen op een haar na, maar waren zelfs niet in staat om ook maar enigszins correcte oplossingen te vinden.

Wat vooral zorgwekkend was, was dat zelfs het aanleveren van de juiste oplossingsformule nauwelijks hielp. De modellen faalden nog steeds op vergelijkbare moeilijkheidsniveaus. Dit suggereert dat de problemen dieper liggen: de modellen hebben moeite om logische stappen strikt uit te voeren en hun eigen redenering te controleren.

De analyse van de 'denkprotocollen' bracht patronen aan het licht. Bij eenvoudige problemen vonden de modellen al vroeg de oplossing, maar verdiepten zich vervolgens in onnodige details. Bij hoge complexiteit raakten ze vaak de weg kwijt. Boven een bepaald moeilijkheidsniveau waren ze helemaal niet meer in staat om correcte benaderingen te genereren. Ze bleven vaak vasthouden aan vroege, onjuiste ideeën en verspilden hun rekentijd aan het rechtvaardigen ervan in plaats van de fout te corrigeren.

Een andere studie waarschuwde dat de verbetering van deze modellen snel zou kunnen stagneren. Hoewel ze dankzij de enorme rekenkracht betere resultaten behalen in tests, maakt dit ze traag en duur. De economische gevolgen zijn aanzienlijk: 'denkende' modellen kosten vele malen meer om te gebruiken dan standaardversies. Als deze modellen niet de verwachte doorbraken opleveren en hun grenzen bereiken, rijst de vraag of de hoge investeringen wel gerechtvaardigd zijn. De bevinding dat eenvoudigere modellen vaak efficiënter zijn, suggereert dat het in de toekomst nodig zal zijn om nauwkeuriger te kiezen welk instrument het meest geschikt is voor welke taak.

Dit is hiermee gerelateerd:

• Autonome fysieke AI (APAI): de stille revolutie van gedecentraliseerde intelligentie

Infrastructuurwedloop en energiehonger

Ondanks efficiëntere software neemt het grondstoffenverbruik van de sector toe. Prognoses wijzen erop dat de elektriciteitsvraag van datacenters tegen het einde van dit decennium dramatisch zal stijgen. Het aandeel van AI-toepassingen in het wereldwijde elektriciteitsverbruik van datacenters zou kunnen verdubbelen. Er worden gigantische bedragen geïnvesteerd om aan deze vraag te voldoen – biljoenen dollars wereldwijd. Initiatieven zoals OpenAI's "Stargate" en haar partners, of Europese investeringsprogramma's, weerspiegelen de enorme omvang van de uitdaging.

De regionale verdeling verschuift. Hoewel Azië en Noord-Amerika momenteel nog voorop lopen, zal het grootste deel van de nieuwe capaciteit in de VS worden gebouwd. Ook Europa plant enorme uitbreidingen, wat de elektriciteitsvraag op het continent aanzienlijk zou kunnen verhogen.

Tegelijkertijd neemt de vermogensdichtheid in datacenters toe. Omdat AI-chips in een kleine ruimte enorm veel warmte genereren, wordt koeling een steeds grotere uitdaging. Conventionele airconditioningsystemen zijn vaak niet meer toereikend, waardoor geavanceerde vloeistofkoelsystemen nodig zijn, die op hun beurt duur en complex zijn.

De markt vertoont tekenen van oververhitting. De bezettingsgraad van datacenters neemt toe, wat de prijzen opdrijft. Naar verwachting zal dit niet afnemen totdat meer bouwprojecten zijn afgerond of de groei in de vraag naar AI afneemt. Als efficiënte methoden zoals die van DeepSeek echter wijdverspreid raken, zou de behoefte aan nieuwe datacenters lager kunnen uitvallen dan verwacht. Dit zou de geplande enorme investeringen ter discussie stellen en leiden tot overcapaciteit – een risico voor iedereen die heeft ingezet op een gestaag toenemende vraag naar hardware.

Nationale strategieën en technologische soevereiniteit

De ontwikkeling van DeepSeek is nauw verbonden met China's streven naar onafhankelijkheid. In de vijfjarenplannen is de halfgeleiderindustrie een prioriteit en wordt er met enorme inspanningen gewerkt aan het bereiken van zelfvoorziening. Nieuwe regelgeving dwingt Chinese chipfabrikanten om meer in eigen land geproduceerde machines te gebruiken. Een staatsfonds investeert bijna 50 miljard dollar in de lokale chipindustrie om de afhankelijkheid van het Westen te verminderen.

Dit beleid heeft effect, zij het in sommige gevallen niet zoals bedoeld. Voorheen gaven Chinese fabrieken de voorkeur aan Amerikaanse apparatuur. Door de Amerikaanse sancties hadden ze echter geen andere keuze meer en moesten ze samenwerken met binnenlandse leveranciers, wat hun ontwikkeling versnelde. China zou binnenkort een groot deel van de wereldwijde productie van eenvoudigere chips voor auto's en huishoudelijke apparaten in handen kunnen hebben.

De kloof blijft echter aanzienlijk als het gaat om AI van topniveau. De chips van Huawei kunnen qua prestaties niet concurreren met die van Nvidia, en de productievolumes zijn veel te laag. Zelfs een enorme productieverhoging zou de kloof pas over jaren dichten. Omdat de vraag naar rekenkracht sneller groeit dan de Chinese productie, zal het tekort waarschijnlijk alleen maar toenemen.

Dit vereist creatieve oplossingen. Het succes van DeepSeek is mede te danken aan de tijdige aanschaf van Nvidia-chips. Anderen nemen hun toevlucht tot smokkelroutes of indirecte methoden. De overheid reageert met tegenmaatregelen, zoals exportbeperkingen op zeldzame aardmetalen en onderzoeken naar westerse technologiebedrijven. De druk op Chinese bedrijven om in eigen land geproduceerde chips te kopen neemt toe, zelfs als deze technisch inferieur zijn.

Regelgevingslandschap en wereldwijde governance

Terwijl de VS en China verwikkeld zijn in een technologische wedloop, richt de EU zich op regelgeving. De "AI Act" is 's werelds eerste alomvattende wetgeving op het gebied van kunstmatige intelligentie. Deze wet verbiedt bijzonder risicovolle toepassingen en stelt strenge regels vast voor krachtige AI-modellen. Overtredingen worden bestraft met hoge boetes.

De Europese aanpak probeert ethische normen vast te stellen zonder innovatie te belemmeren. Critici vrezen nadelen voor Europese bedrijven, terwijl voorstanders er een voordeel op lange termijn in zien op het gebied van vertrouwen en veiligheid. Wereldwijd blijft de regelgeving echter een lappendeken. De VS vertrouwt op vrijwillige toezeggingen, terwijl China prioriteit geeft aan staatscontrole. Deze fragmentatie maakt het moeilijk om gemeenschappelijke normen vast te stellen.

De kwestie van AI-beveiliging komt steeds meer in de belangstelling te staan. Experts waarschuwen voor de risico's van bovenmenselijke intelligentie. De tijdlijn voor het bereiken van dergelijke "algemene kunstmatige intelligentie" (AGI) is korter geworden. Toonaangevende ontwikkelaars spreken niet langer over decennia, maar over slechts enkele jaren. Of dit realistisch is of slechts marketingpraat, valt nog te bezien, maar de industrie bereidt zich er wel op voor.

Mislukte modellen en strategische heroriëntatie

De vertraging van DeepSeek's opvolger, de R2, laat zien dat succes niet gegarandeerd is. Oorspronkelijk gepland voor een eerdere release, stuitte het model op problemen. Pogingen om het model te trainen op Chinese Huawei-chips mislukten blijkbaar, ondanks de hulp van Huawei-ingenieurs.

Het bedrijf blijft daarom zijn bestaande Nvidia-voorraad gebruiken voor training, maar moet steeds meer op Huawei vertrouwen voor de toepassing van de modellen – een politiek opgelegd compromis. De vertragingen zorgden ervoor dat de interesse van gebruikers tijdelijk kelderde, terwijl de concurrentie niet stilzat.

Een ander probleem is de data. Om het volgende niveau te bereiken, is meer en betere trainingsdata nodig. In Engelstalige landen is dit gemakkelijk online beschikbaar. In China is de toegang tot hoogwaardige data moeilijker, deels vanwege censuur en deels omdat veel content niet openbaar toegankelijk is. In combinatie met inferieure hardware vertraagt ​​dit de ontwikkeling. Als de training langer duurt en complexer wordt, neemt het kostenvoordeel af.

Structurele veranderingen in de AI-industrie

De industrie ondergaat een transformatie. Het vroegere motto "hoe meer, hoe beter"—meer data, meer chips, meer geld—loopt op zijn einde of wordt onbetaalbaar. DeepSeek heeft aangetoond dat intelligente architectuur belangrijker kan zijn dan pure rekenkracht.

Dit heeft gevolgen voor investeerders. Degenen die miljarden in hardware hebben gestoken, kunnen in de problemen komen als efficiëntere software de vraag doet afnemen. Tegelijkertijd krijgen nieuwe spelers een kans, omdat je niet langer per se een fortuin nodig hebt om mee te doen.

Naarmate AI-prestaties steeds goedkoper en vergelijkbaarder worden, is het model zelf niet langer de enige factor; wat telt is hoe goed het in producten is geïntegreerd. Google en Microsoft hebben hier een voordeel omdat ze al gebruikers hebben. Startups die zich volledig op AI richten, staan ​​voor grotere uitdagingen. Open source, oftewel vrij beschikbare software, speelt een steeds belangrijkere rol. Modellen zoals die van DeepSeek of Meta zijn voor iedereen toegankelijk, wat innovatie versnelt.

Tegelijkertijd vragen investeerders zich af wanneer het geld weer terug zal stromen. ChatGPT heeft veel gebruikers, maar kost een fortuin. Grote winsten liggen nog ver in de toekomst. Er ontstaan ​​nieuwe banen voor AI-experts op de arbeidsmarkt, terwijl eenvoudige kantoortaken worden geautomatiseerd – een maatschappelijke uitdaging waarvoor nog geen gemakkelijke oplossingen bestaan.

Na de hype rond AI: nu begint de echte strijd om het genereren van inkomsten

De innovaties van DeepSeek markeren een keerpunt. Ze bewijzen dat technologie van wereldklasse ook met beperkte middelen kan worden ontwikkeld. Dit zet de aanname dat alleen de rijkste Amerikaanse bedrijven kunnen winnen op de proef. De concurrentie verschuift van "Wie heeft het meeste geld?" naar "Wie heeft de beste ingenieurs?".

Geopolitiek gezien is het duidelijk dat sancties de vooruitgang kunnen vertragen, maar ze kunnen ook innovatie afdwingen. China bouwt onder druk zijn eigen industrie op. Economisch gezien staan ​​we nog maar aan het begin. De prijzen dalen en de modellen worden alledaags. Wie in de toekomst wil winnen, moet niet alleen goede AI ontwikkelen, maar er ook geld mee kunnen verdienen.

Er blijven technische obstakels bestaan. De huidige methoden bereiken hun grenzen en het is onzeker of we binnenkort echt mensachtige intelligentie zullen zien. De komende jaren zullen uitwijzen of de industrie deze hindernissen overwint of dat de hype als sneeuw voor de zon verdwijnt. Misschien is de belangrijkste les van DeepSeek helemaal niet technisch, maar strategisch: er is altijd een andere weg als je die moet vinden.

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

 

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen wolfenstein@xpert.digital:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is

Ik kijk uit naar ons gezamenlijke project.

 

 

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen

Xpert.Digital beschikt over diepgaande kennis van diverse sectoren. Hierdoor kunnen we strategieën op maat ontwikkelen die precies aansluiten op de behoeften en uitdagingen van uw specifieke marktsegment. Door continu markttrends te analyseren en ontwikkelingen in de sector te volgen, kunnen we proactief handelen en innovatieve oplossingen bieden. De combinatie van ervaring en expertise genereert toegevoegde waarde en geeft onze klanten een doorslaggevend concurrentievoordeel.

Meer informatie vindt u hier:

• Profiteer van de 5 expertisegebieden van Xpert.Digital in één pakket – al vanaf €500 per maand