Vid ett investerarmöte var Liang Wenfeng rak i tonen. VD:n för DeepSeek målade upp en rå, nästan filmisk bild: Kina rusar för att täppa till ett beräkningsgap som en gång verkade omöjligt att överbrygga, och den tidigare ledaren kan bli förvånad över hur snabbt området rör sig.
DeepSeek driver för närvarande motsvarigheten till cirka 20 000 Nvidia H100-chip, varav de flesta anlände under den senaste månaden eller två. Den kapaciteten låter enorm. Det är den. Men den gör det fortfarande bara möjligt för dem att aktivera ungefär 10 miljarder parametrar åt gången. Jämför det med dagens toppmodeller som kan hålla omkring 800 miljarder parametrar aktiva samtidigt. Skillnaden är inte liten. Den är strukturell.
Hur Huawei passar in i ekvationen
Liang pekade ut Huaweis Atlas 950-noder, drivna av Ascend 950-processorer, som ett verkligt alternativ. Hans påstående var provocerande: även om en enskild Ascend 950 är mindre energieffektiv än en Nvidia H100, kan i praktiken en kluster av dessa Huawei-noder matcha den helhetsmässiga prestandan hos Nvidias GB200- och GB300-rack. Matematiskt, sa han, ser det ungefär ut som fyra Ascend per en Nvidia-chip, men total genomströmning och latens kan komma tillräckligt nära för att ersättningen är möjlig.
Nvidia gräver sin egen grav, varnade han. Prisskillnader spelar mindre roll, hävdade Liang, eftersom även om Huawei-hårdvara skulle vara 50, 100 eller 200 procent dyrare, kan möjligheten att distribuera i skala och de politiska fördelarna med en inhemsk försörjningskedja väga tyngre än rena kostnadsjämförelser.
Det finns en hake. Att träna toppmoderna stora modeller är brutalt resurskrävande. För att träna en modell i samma skala som dagens AI-jättar uppskattar Liang att man skulle behöva ungefär 50 000 GB300-klassade Nvidia-processorer eller cirka 200 000 Ascend 950-chip. Det är endast siffror för träning; forskning och experimentering lägger ytterligare beräkningsbehov ovanpå. Det hjälper förklara varför klyftan i beräkningsresurser mellan Kina och USA förblir det största enskilda hindret.
Så vad gör DeepSeek åt det? För närvarande utökar företaget sin infrastruktur aggressivt. Men Liang betonade också en annan front: data. Kvalitativ märkning, sade han, är den långsamma flaskhalsen. Man kan kasta chip på ett problem, men om dina etiketter och kuraterade datamängder ligger efter stannar framstegen av. Företag som OpenAI och Anthropic har ett försprång här eftersom de agerade tidigare och satsade mer resurser på högkvalitativ annotering.
Sammanfattningen handlar inte bara om chip eller nationell stolthet. Det handlar om konstellationen av hårdvara, mjukvara, talang och tid. Kina bygger beräkningskapacitet. Landet investerar också i det tidskrävande, mindre glamourösa arbetet med datamängdshygien och märkning. Om båda spåren går framåt kan kartan för AI-konkurrenskraft se mycket annorlunda ut inom några år.
Liangs budskap var rakt men strategiskt: det här är inte en enskild strid över ett enda chip. Det är en lång kampanj där alternativ som en gång verkade sekundära kan bli avgörande när de skalar upp och integreras i en hel stack. Den förändringen kan vara det ögonblick Nvidia i efterhand kommer att kalla avgörande.
"Jag bevakar de senaste tekniknyheterna – från nya produkter till digitala trender. Mitt mål är att hjälpa läsarna förstå vad som händer just nu och varför det spelar roll."
Diskussion
Lämna en kommentar
Kommentarer
Inga kommentarer ännu. Bli den första.