Hvad DeepSeek kan lære os om AI-omkostninger og effektivitet

Med sit søde hvallogo kunne den nylige udgivelse af DeepSeek have været ikke andet end endnu en ChatGPT-kopiac. Det, der gjorde det så nyhedsagtigt – og det, der sendte konkurrenternes aktier i en nedtur – var, hvor lidt det kostede at oprette. Det kastede effektivt en skrue i USA’s opfattelse af den investering, det tager at træne en højfungerende Large Language Model (LLM).

DeepSeek påstod at have brugt kun 6 millioner dollars til at træne sin AI-model. Sammenlign det med de 80-100 millioner dollars, som OpenAI angiveligt har brugt på Chat GPT-4, eller de 1 milliard dollars, de har sat aside til GPT-5. DeepSeek stiller spørgsmål ved den niveau af investering og efterlader store spillere som Nvidia (NVDA ) – hvis aktiernes værdi faldt med 600 milliarder dollars på en dag – TSMC og Microsoft (MSFT ) bekymrede over AI’s langsigtede økonomiske bæredygtighed. Hvis det er muligt at træne AI-modeller for betydeligt mindre end tidligere antaget, hvad betyder det så for AI-udgifterne samlet set?

Selv om DeepSeek-forstyrrelsen har ført til vigtige diskussioner, synes nogle nøglepunkter at gå tabt i forvirringen. Men det, nyheden bringer op, er en større fokus på, hvor meget innovation koster, og den mulige økonomiske impact af AI. Her er tre vigtige indsighter, der kommer fra denne nyhed:

1. DeepSeek’s 6 million dollars pris er misvisende

Virksomhederne skal forstå den samlede ejeromkostning (TCO) for deres infrastruktur. Selv om DeepSeek’s 6 million dollars pris har været omtalt meget, er det sandsynligvis kun omkostningen ved forudgående træning og ikke den samlede investering. Den samlede omkostning – ikke kun for at køre, men for at bygge og træne DeepSeek – er sandsynligvis meget højere. Brancheanalysefirmaet SemiAnalysis afslørede, at virksomheden bag DeepSeek havde brugt 1,6 milliarder dollars på hardware for at gøre deres LLM til virkelighed. Så den sandsynlige omkostning er et sted midt imellem.

Uanset hvad den sande omkostning er, har DeepSeek’s opdukken skabt fokus på kosteffektiv innovation, der kan være transformationel. Innovation er ofte drevet af begrænsninger, og DeepSeek’s succes understreger, hvordan innovation kan ske, når ingeniørteam optimerer deres ressourcer i ansigtet af virkelige begrænsninger.

2. Inference er, hvad der gør AI værdifuld, ikke træning

Det er vigtigt at være opmærksom på, hvor meget AI-modeltræning koster, men træning repræsenterer en lille del af den samlede omkostning til at bygge og køre en AI-model. Inference — de mange måder, AI ændrer, hvordan mennesker arbejder, interagerer og lever — er, hvor AI bliver virkelig værdifuld.

Dette bringer os til Jevons-paradokset, en økonomisk teori, der foreslår, at når teknologiske fremskridt gør brugen af en ressource mere effektiv, kan den samlede forbrug af den ressource faktisk øge. Med andre ord, når træningsomkostningerne går ned, vil inference og agensforbrug øge, og den samlede udgift vil følge med.

AI-effektivitet kan faktisk føre til en stigende bølge af AI-udgifter, der burde løfte alle både, ikke kun kinesiske. Hvis de rider effektivitetsbølgen, vil virksomheder som OpenAI og Nvidia også få glæde af det.

3. Det, der forbliver sandt, er, at enhedsøkonomi er det vigtigste

At gøre AI mere effektiv er ikke kun om at reducere omkostninger; det handler også om at optimere enhedsøkonomi. The Motley Fool forudser, at dette år vil være året for AI-effektivitet. Hvis de har ret, skal virksomheder være opmærksomme på at reducere deres AI-træningsomkostninger samt deres AI-forbrugsomkostninger.

Organisationer, der bygger eller bruger AI, skal kende deres enhedsøkonomi og ikke kun pege på imponerende tal som DeepSeek’s 6 millioner dollars træningsomkostning. Sand effektivitet indebærer at allokerer alle omkostninger, spore AI-drevet efterspørgsel og holde konstant styr på omkostning-til-værdi.

Cloud-enhedsøkonomi (CUE) handler om at måle og maksimere profit, der drives af cloud. CUE sammenligner dine cloud-omkostninger med indtægt og efterspørgselsmålinger, og afslører, hvor effektivt dit cloud-udgifter er, hvordan det har ændret sig over tid, og (hvis du har den rigtige platform) de bedste måder at øge denne effektivitet på.

At forstå CUE har endnu større nytte i en AI-kontekst, da det er inherent mere dyrt at forbruge end traditionelle cloud-tjenester, der sælges af hyperscalere. Virksomheder, der bygger agens-applikationer, kunne beregne deres omkostning pr. transaktion (f.eks. omkostning pr. regning, omkostning pr. levering, omkostning pr. handel osv.) og bruge dette til at vurdere avkastningen på investeringen i bestemte AI-drevne tjenester, produkter og funktioner. Da AI-udgifterne stiger, vil virksomhederne være tvunget til at gøre dette; ingen virksomhed kan kaste ubegrænsede dollars efter eksperimenterende innovation for evigt. Til sidst skal det give forretningssans.

Mod større effektivitet

Uanset hvor meningsfuld 6 millioner dollars-figuren er, har DeepSeek måske leveret et vendepunkt, der vækker tech-industrien op til den uundgåelige vigtighed af effektivitet. Lad os håbe, det åbner flodporte for kosteffektive træning, inference og agens-applikationer, der låser den sande potentiale og ROI af AI.