Was DeepSeek uns über die Kosten und Effizienz von KI beibringen kann

Mit seinem niedlichen Wal-Logo hätte die kürzliche Veröffentlichung von DeepSeek möglicherweise nur eine weitere ChatGPT-Kopie sein können. Was es so bemerkenswert machte – und was die Aktienkurse der Konkurrenten in eine Abwärtsspirale trieb – war, wie wenig es kostete, es zu erstellen. Es warf effektiv einen Stein in den Teich der US-Vorstellung von den Investitionen, die erforderlich sind, um ein hochentwickeltes Large Language Model (LLM) zu trainieren.

DeepSeek soll angeblich nur 6 Millionen Dollar für das Training seines KI-Modells ausgegeben haben. Vergleicht man dies mit den berichteten 80-100 Millionen Dollar, die OpenAI für Chat GPT-4 ausgegeben hat, oder den 1 Milliarden Dollar, die sie für GPT-5 zurückgelegt haben, dann stellt DeepSeek diese Investition in Frage und lässt große Spieler wie Nvidia (NVDA ) – deren Aktienwert an einem Tag um 600 Milliarden Dollar einbrach – TSMC und Microsoft (MSFT ) besorgt über die langfristige finanzielle Tragfähigkeit von KI. Wenn es möglich ist, KI-Modelle für wesentlich weniger als zuvor angenommen zu trainieren, was bedeutet dies dann für die gesamten KI-Ausgaben?

Obwohl die Störung durch DeepSeek zu wichtigen Diskussionen geführt hat, scheinen einige wichtige Punkte im Durcheinander unterzugehen. Was die Nachricht jedoch aufwirft, ist eine stärkere Konzentration auf die Kosten für Innovationen und die möglichen wirtschaftlichen Auswirkungen von KI. Hier sind drei wichtige Erkenntnisse, die aus dieser Nachricht hervorgehen:

1. DeepSeeks 6-Millionen-Dollar-Preis ist irreführend

Unternehmen müssen die Gesamtkosten für den Besitz ihrer Infrastruktur verstehen. Obwohl DeepSeeks 6-Millionen-Dollar-Preis oft erwähnt wird, handelt es sich dabei wahrscheinlich um die Kosten für nur einen Vortrainingslauf und nicht um die gesamten Investitionen. Die tatsächlichen Kosten – nicht nur für den Betrieb, sondern auch für den Aufbau und das Training von DeepSeek – sind wahrscheinlich viel höher. Das Analyseunternehmen SemiAnalysis enthüllte, dass das Unternehmen hinter DeepSeek 1,6 Milliarden Dollar für Hardware ausgegeben hat, um sein LLM zu realisieren. Der wahrscheinliche Kostenrahmen liegt also irgendwo dazwischen.

Unabhängig vom tatsächlichen Kostenrahmen hat die Einführung von DeepSeek eine Konzentration auf kosteneffiziente Innovationen geschaffen, die möglicherweise transformational sein können. Innovationen werden oft durch Einschränkungen vorangetrieben, und der Erfolg von DeepSeek unterstreicht, wie Innovationen entstehen können, wenn Ingenieurteams ihre Ressourcen im Hinblick auf reale Einschränkungen optimieren.

2. Inferenz ist das, was KI wertvoll macht, nicht das Training

Es ist wichtig, auf die Kosten für das Training von KI-Modellen zu achten, aber das Training stellt nur einen kleinen Teil der Gesamtkosten für den Aufbau und Betrieb eines KI-Modells dar. Inferenz — die vielfältigen Wege, auf denen KI die Art und Weise verändert, wie Menschen arbeiten, interagieren und leben — ist der Punkt, an dem KI wirklich wertvoll wird.

Dies wirft das Jevons-Paradoxon auf, eine wirtschaftliche Theorie, die besagt, dass die Gesamtnachfrage nach einer Ressource mit der Zeit zunimmt, wenn die Technologie die Nutzung dieser Ressource effizienter macht. Mit anderen Worten: Wenn die Trainingskosten sinken, werden Inferenz und agente Konsum aumentieren, und die Gesamtausgaben werden folgen.

Die Effizienz von KI kann tatsächlich zu einer steigenden Nachfrage nach KI-Ausgaben führen, was alle Boote heben sollte, nicht nur die chinesischen. Wenn sie die Effizienzwellenreiten, werden Unternehmen wie OpenAI und Nvidia auch profitieren.

3. Was bleibt wahr, ist, dass die Einheitsökonomie am wichtigsten ist

Die Effizienzsteigerung von KI ist nicht nur eine Frage der Kostensenkung, sondern auch der Optimierung der Einheitsökonomie. The Motley Fool geht davon aus, dass dieses Jahr das Jahr der KI-Effizienz sein wird. Wenn sie Recht haben, sollten Unternehmen auf die Senkung ihrer KI-Trainingskosten sowie ihrer KI-Verbrauchskosten achten.

Organisationen, die KI aufbauen oder nutzen, müssen ihre Einheitsökonomie verstehen, anstatt nur beeindruckende Zahlen wie DeepSeeks 6-Millionen-Dollar-Trainingskosten hervorzuheben. Reale Effizienz bedeutet, alle Kosten zuzuweisen, die KI-getriebene Nachfrage zu verfolgen und ständig die Kosten-Nutzen-Relation im Auge zu behalten.

Die Cloud-Einheitsökonomie (CUE) befasst sich mit der Messung und Maximierung des durch die Cloud getriebenen Gewinns. CUE vergleicht Ihre Cloud-Kosten mit Umsatz- und Nachfragemetriken und zeigt, wie effizient Ihre Cloud-Ausgaben sind, wie sich diese im Laufe der Zeit verändert haben und (wenn Sie die richtige Plattform haben) die besten Möglichkeiten, diese Effizienz zu steigern.

Das Verständnis von CUE ist in einem KI-Kontext noch nützlicher, da es von Natur aus teurer ist, KI-Dienste zu konsumieren als traditionelle Cloud-Dienste, die von den Hyperscalern angeboten werden. Unternehmen, die agente Anwendungen aufbauen, könnten ihre Kosten pro Transaktion (z. B. Kosten pro Rechnung, Kosten pro Lieferung, Kosten pro Handel usw.) berechnen und diese verwenden, um die Rentabilität spezifischer KI-getriebener Dienste, Produkte und Funktionen zu bewerten. Wenn die KI-Ausgaben steigen, werden Unternehmen gezwungen sein, dies zu tun; kein Unternehmen kann endlos Geld für experimentelle Innovationen ausgeben. Irgendwann muss es einen Geschäftssinn ergeben.

Auf dem Weg zu größerer Effizienz

Wie bedeutsam die 6-Millionen-Dollar-Zahl auch sein mag, DeepSeek hat möglicherweise einen Wendepunkt geschaffen, der die Tech-Industrie auf die unvermeidliche Bedeutung von Effizienz aufmerksam macht. Hoffen wir, dass dies die Schleusen für kosteneffizientes Training, Inferenz und agente Anwendungen öffnet, die das wahre Potenzial und die Rendite von KI freisetzen.