Deepseek Shakes KI -Industrie: Der nächste AI -Sprung kann von einer erhöhten Berechnung bei Inferenz abhängen, nicht mehr Daten

Die KI-Branche befindet sich in einem Zustand ständigen Wandels, wobei das Jahr 2025 einige bahnbrechende Entwicklungen mit sich bringt, die die Dinge aufmischen. Ein großer Umbruch kam, als das chinesische KI-Labor DeepSeek mit einem neuen Modell für Aufsehen sorgte, das zu einem 17%igen Einbruch der Nvidia-Aktie führte und andere KI-Rechenzentrumsaktien beeinflusste. Der Hype um DeepSeeks Modell? Es liefert erstklassige Leistung zu einem Bruchteil der Kosten anderer US-Konkurrenten und löst eine Debatte darüber aus, was dies für die Zukunft von KI-Rechenzentren bedeutet.

Um jedoch wirklich zu verstehen, was DeepSeek tut, müssen wir einen Schritt zurücktreten und das größere Bild betrachten. Die KI-Welt kämpft mit einer Knappheit an Trainingsdaten. Die großen Akteure haben bereits die meisten öffentlich zugänglichen Internetdaten durchforstet, was bedeutet, dass wir bei den Verbesserungen im Pre-Training an eine Grenze stoßen. Infolgedessen richtet die Branche ihren Fokus auf „Testzeit-Berechnung“ (TTC). Stellen Sie sich vor, KI-Modelle nehmen sich einen Moment, um „nachzudenken“, bevor sie antworten, wie bei der „o“-Serie von OpenAI. Es besteht Hoffnung, dass TTC die gleiche Art von Skalierungsverbesserungen bieten kann, die einst das Pre-Training ermöglichte, und möglicherweise die nächste große Welle von KI-Durchbrüchen einleitet.

Diese Veränderungen deuten auf zwei große Entwicklungen hin: Erstens können nun auch Labore mit kleinerem Budget ins Spiel kommen und innovative Modelle entwickeln. Zweitens wird TTC zur neuen Grenze für den Fortschritt in der KI. Lassen Sie uns diese Trends und ihre möglichen Auswirkungen auf die KI-Landschaft und den Markt genauer betrachten.

Auswirkungen auf die KI-Branche

Wir glauben, dass der Übergang zu TTC und die zunehmende Konkurrenz zwischen Reasoning-Modellen die KI-Landschaft in mehreren Bereichen umgestalten könnten: Hardware, Cloud-Plattformen, Basis-Modelle und Unternehmenssoftware.

1. Hardware (GPUs, spezialisierte Chips und Recheninfrastruktur)

Die Umstellung auf TTC könnte verändern, welche Hardware KI-Unternehmen benötigen und wie sie diese verwalten. Anstatt immer größere GPU-Cluster für das Training zu finanzieren, könnten sie sich mehr darauf konzentrieren, ihre Inferenzkapazitäten zu stärken, um die Anforderungen von TTC zu bewältigen. Während GPUs für Inferenz weiterhin entscheidend bleiben, könnten die Unterschiede zwischen Trainings- und Inferenz-Workloads beeinflussen, wie diese Chips konfiguriert und genutzt werden. Da Inferenz-Workloads unvorhersehbarer und „spitzenlastiger“ sind, könnte die Kapazitätsplanung kniffliger werden.

Wir glauben auch, dass dieser Wandel den Markt für Hardware ankurbeln könnte, die speziell für Inferenz mit niedriger Latenz entwickelt wurde, wie ASICs. Da TTC wichtiger wird als Trainingskapazität, könnte die Vorherrschaft universeller GPUs nachlassen und Türen für spezialisierte Inferenz-Chip-Hersteller öffnen.

2. Cloud-Plattformen: Hyperscaler (AWS, Azure, GCP) und Cloud-Berechnung

Eine große Hürde für die Einführung von KI in Unternehmen, abgesehen von Genauigkeitsproblemen, ist die Unzuverlässigkeit von Inferenz-APIs. Dinge wie inkonsistente Reaktionszeiten, Ratenbeschränkungen und Probleme mit gleichzeitigen Anfragen können echte Kopfschmerzen bereiten. TTC könnte diese Probleme noch verschärfen. In diesem Szenario könnte ein Cloud-Anbieter, der eine hohe Servicequalität (QoS) garantieren kann, um diese Probleme anzugehen, einen großen Vorteil haben.

Interessanterweise könnten neue Methoden, die KI effizienter machen, die Nachfrage nach Hardware nicht senken. Nach dem Jevons-Paradox, bei dem höhere Effizienz zu mehr Konsum führt, könnten effizientere Inferenzmodelle mehr Entwickler dazu bringen, Reasoning-Modelle zu nutzen, was den Bedarf an Rechenleistung erhöht. Wir glauben, dass jüngste Modellverbesserungen die Nachfrage nach Cloud-KI-Berechnung sowohl für Inferenz als auch für kleinere, spezialisierte Modelltrainings ankurbeln könnte.

3. Anbieter von Basis-Modellen (OpenAI, Anthropic, Cohere, DeepSeek, Mistral)

Wenn neue Akteure wie DeepSeek mit den großen Playern bei einem Bruchteil der Kosten konkurrieren können, könnte die Vorherrschaft proprietärer vortrainierter Modelle ins Wanken geraten. Wir können auch mehr Innovationen in TTC für Transformer-Modelle erwarten, und wie DeepSeek gezeigt hat, können diese Innovationen aus unerwarteten Quellen außerhalb der üblichen Verdächtigen in der KI kommen.

4. KI-Einführung in Unternehmen und SaaS (Anwendungsebene)

Angesichts der Wurzeln von DeepSeek in China wird es wahrscheinlich eine fortlaufende Überprüfung ihrer Produkte aus Sicht der Sicherheit und des Datenschutzes geben. Ihre in China ansässigen API- und Chatbot-Dienste werden bei Unternehmens-KI-Kunden in den USA, Kanada oder anderen westlichen Ländern wahrscheinlich nicht Fuß fassen. Viele Unternehmen blockieren bereits die Website und Apps von DeepSeek. Selbst wenn sie von Drittanbietern in westlichen Rechenzentren gehostet werden, könnten DeepSeeks Modelle auf Skepsis stoßen, was ihre Einführung in Unternehmen einschränken könnte. Forscher weisen auf Probleme wie Jailbreaking, Voreingenommenheit und die Erzeugung schädlicher Inhalte hin. Während einige Unternehmen mit DeepSeeks Modellen experimentieren könnten, scheint eine breite Akzeptanz aufgrund dieser Bedenken unwahrscheinlich.

Eine andere Entwicklung ist, dass vertikale Spezialisierung an Bedeutung gewinnt. In der Vergangenheit ging es bei vertikalen Anwendungen, die auf Basis-Modellen aufbauen, darum, maßgeschneiderte Arbeitsabläufe zu erstellen. Techniken wie Retrieval-Augmented Generation (RAG), Modell-Routing, Funktionsaufrufe und Guardrails waren entscheidend, um generalisierte Modelle für spezifische Anwendungsfälle anzupassen. Es gab jedoch immer die Sorge, dass große Verbesserungen der zugrunde liegenden Modelle diese Anwendungen obsolet machen könnten. Sam Altman warnte einmal, dass ein großer Sprung in den Modellfähigkeiten diese Innovationen „plätten“ könnte.

Wenn wir jedoch ein Plateau bei den Gewinnen durch Trainingszeit-Berechnung sehen, nimmt die Gefahr, schnell überholt zu werden, ab. In einer Welt, in der Modellleistungsverbesserungen durch TTC-Optimierungen erzielt werden, könnten sich neue Möglichkeiten für Akteure auf der Anwendungsebene ergeben. Innovationen wie strukturierte Prompt-Optimierung, latenzbewusste Reasoning-Strategien und effiziente Sampling-Techniken könnten in spezifischen Branchen erhebliche Leistungssteigerungen bieten.

Diese Verbesserungen sind besonders relevant für Reasoning-fokussierte Modelle wie OpenAI's GPT-4o und DeepSeek-R1, die mehrere Sekunden für eine Antwort benötigen können. In Echtzeitanwendungen könnte die Verringerung der Latenz und die Verbesserung der Inferenzqualität in einem spezifischen Bereich einen Wettbewerbsvorteil bieten. Infolgedessen könnten Unternehmen mit tiefem Domänenwissen eine entscheidende Rolle bei der Optimierung der Inferenzeffizienz und der Feinabstimmung von Ausgaben spielen.

DeepSeeks Arbeit zeigt, dass wir uns davon wegbewegen, ausschließlich auf mehr Pre-Training zu setzen, um die Modellqualität zu verbessern. Stattdessen wird TTC immer wichtiger. Während unklar ist, ob DeepSeeks Modelle aufgrund der Skepsis in Unternehmenssoftware weit verbreitet eingesetzt werden, wird ihr Einfluss auf die Verbesserung anderer Modelle immer deutlicher.

Wir glauben, dass DeepSeeks Innovationen etablierte KI-Labore dazu drängen, ähnliche Techniken zu übernehmen, die ihre bestehenden Hardwarevorteile ergänzen. Der prognostizierte Rückgang der Modellkosten scheint zu einer erhöhten Modellnutzung zu führen, was dem Muster des Jevons-Paradox entspricht.

Pashootan Vaezipoor ist technischer Leiter bei Georgian.