# DeepSeek i przecena AI: czy budowanie coraz większych modeli nadal ma sens?

Author: Norbert Biedrzycki
Published: 2025-02-15
Language: pl
URL: https://norbertbiedrzycki.pl/deepseek-i-przecena-ai-czy-budowanie-wiekszych-modeli-ma-sens/
Summary: W jeden styczniowy poniedziałek Nvidia straciła blisko 600 mld dolarów wartości rynkowej. Nie dlatego, że załamał się popyt na AI, ale dlatego, że chińskie laboratorium pokazało, że inteligencja może być dużo tańsza, niż zakładał rynek.

**W jeden styczniowy poniedziałek Nvidia straciła blisko 600 mld dolarów wartości rynkowej. Nie dlatego, że załamał się popyt na AI, ale dlatego, że chińskie laboratorium pokazało, że inteligencja może być dużo tańsza, niż zakładał rynek.**

20 stycznia DeepSeek udostępnił R1, model rozumujący, którego wyniki w kilku testach porównawczych były zbliżone do najlepszych modeli amerykańskich. Inwestorów zszokowała nie tylko jakość, ale też deklarowany koszt. DeepSeek podał, że ostatni przebieg treningu bazowego modelu V3 zużył czas procesorów graficznych wart około 5,6 mln dolarów, ułamek tego, co według szacunków wydają zachodnie laboratoria. Model został udostępniony otwarcie, a jego aplikacja przez chwilę była na szczycie list pobrań w Stanach Zjednoczonych.

27 stycznia akcje Nvidii spadły o około 17 procent. To największa jednodniowa utrata wartości rynkowej jakiejkolwiek firmy w historii. Razem z nimi spadły akcje spółek energetycznych i centrów danych.

Ironia polega na tym, że zaledwie kilka dni wcześniej w Waszyngtonie ogłoszono projekt Stargate z planem zainwestowania do 500 mld dolarów w infrastrukturę AI w Stanach Zjednoczonych w ciągu czterech lat.

**Co rynek ocenił trafnie, a co mógł ocenić źle**

Ważne jest, by precyzyjnie określić, co DeepSeek pokazał, a czego nie. Kwota 5,6 mln dolarów obejmuje tylko ostatni przebieg treningu. Nie obejmuje badań, eksperymentów, nieudanych przebiegów, wynagrodzeń ani sprzętu, który firma już posiadała, a według większości szacunków był on znaczny. Część efektywności mogła też wynikać z uczenia się na istniejących modelach z czołówki.

Mimo to kierunek jest niezaprzeczalny. DeepSeek pokazał, że sprytna inżynieria, przy ograniczeniach sprzętowych nałożonych przez amerykańskie kontrole eksportu, może dać wyniki bliskie czołówce przy znacznie niższym koszcie. Ograniczenie, jak tak często w historii technologii, okazało się źródłem innowacji.

**Pytanie o Jevonsa**

W ciągu kilku godzin od wyprzedaży kilku liderów branży technologicznej przywołało paradoks Jevonsa. W 1865 roku ekonomista William Stanley Jevons zauważył, że wydajniejsze maszyny parowe nie zmniejszyły zużycia węgla w Wielkiej Brytanii. Zwiększyły je, bo tańsza energia otworzyła nowe zastosowania.

Jeśli to samo stanie się z AI, spadające koszty jednostki inteligencji wywołają eksplozję użycia, a całkowity popyt na moc obliczeniową będzie dalej rósł. To optymistyczny scenariusz dla infrastruktury. Pesymistyczny zakłada, że w krótkim okresie wzrost efektywności wyprzedzi wzrost popytu, część infrastruktury okaże się przewymiarowana, a ceny znajdą się pod presją.

Moja szczera ocena jest taka, że oba scenariusze mogą być prawdziwe jednocześnie, tylko dla różnych graczy. Całkowity popyt na moc obliczeniową prawdopodobnie będzie dalej rósł. Ale premia płacona za samą skalę na granicy możliwości może się kurczyć, a przewaga wynikająca z samego posiadania największego budżetu będzie słabnąć.

**Co się zmienia dla inwestorów**

Dla inwestorów DeepSeek przesuwa centralne pytanie. Przez dwa lata dominowała logika: wygrywa ten, kto zbuduje największy model. Teraz pytanie brzmi: kto dostarczy najlepszy wynik przy najniższym koszcie użytecznego rezultatu?

To sprzyja kilku grupom. Firmom aplikacyjnym, którym spadają koszty wejściowe. Przedsiębiorstwom, które dostaną lepsze modele za mniej. Otwartym ekosystemom, które stają się bardziej wiarygodne. I warstwie efektywności: firmom optymalizującym inferencję, kompresję i specjalistyczny sprzęt.

Mniej sprzyja modelom biznesowym opartym na pobieraniu premii za dostęp do jednego modelu z czołówki oraz inwestycjom infrastrukturalnym, które zakładają, że dzisiejsze ceny jednostki mocy obliczeniowej się utrzymają.

Dla zarządów praktyczna lekcja jest prostsza. Nie zamykajcie strategii AI w jednym modelu ani u jednego dostawcy. Krzywa kosztów zmienia się zbyt szybko.

*Pytanie inwestycyjne: Czy sukces inwestycji w AI zależy od posiadania największej infrastruktury obliczeniowej, czy od radykalnego obniżenia kosztu inteligencji?*
