DeepSeek-V3 kosztował 6 mln dolarów i konkuruje z GPT-4 - Chiny wygrywają w efektywności
DeepSeek-V3 kosztował w treningu 5,6 mln dolarów i osiągnął wyniki zbliżone do GPT-4. Chińczycy pokazują, że można budować world-class AI bez miliardowych budżetów.
👁 136 przeczytań
- DeepSeek-V3 kosztował około 5,57 mln dolarów w treningu, podczas gdy OpenAI wydało na GPT-4 sumę dziewięciocyfrową.
- W benchmarku MATH DeepSeek-V3 osiągnął 90,2%, bijąc GPT-4 Turbo o ponad 13 punktów procentowych, choć przegrywa w kontekście kulturowym specyficznym dla Zachodu.
- W ciągu trzech tygodni od premiery DeepSeek-V3 zebrał ponad 150 tysięcy pobrań z HuggingFace, a OpenAI w odpowiedzi obniżyło ceny API GPT-4 Turbo o 25% w styczniu 2025.
Grudzień 2024. DeepSeek wypuszcza V3 i ogłasza, że cały trening kosztował około 5,6 miliona dolarów. OpenAI podobno wydało na GPT-4 sumę dziewięciocyfrową. Różnica? Mniej więcej taka jak między leasingiem Ferrari a kupnem używanej Toyoty - tyle że obie dojadą do celu.
DeepSeek-V3 to model 671 miliardów parametrów, który w testach porównawczych MMLU osiągnął 88,5%, w MATH 90,2%, a w HumanEval (kodowanie) 85,1%. Dla porównania GPT-4 Turbo miał odpowiednio 86,4%, 76,6% i 84,4%. Chińczycy nie tylko dogonili - w niektórych kategoriach wyprzedzili. I zrobili to taniej niż większość zachodnich startupów wydaje na marketing.
To nie przypadek. To przełom w branży, która do tej pory działała na zasadzie „kto więcej wydał, ten wygrał”.
Jak DeepSeek zrobił model za 6 milionów dolarów
DeepSeek użył architektury Mixture-of-Experts (MoE) - rozwiązania, które aktywuje tylko część sieci neuronowej przy każdym zapytaniu. Zamiast uruchamiać wszystkie 671 miliardów parametrów naraz, model używa około 37 miliardów na raz. Efekt? Szybkość zbliżona do GPT-4, koszt treningu jak przy średniej wielkości modelu.
Firma opublikowała szczegółowy research paper w grudniu 2024, w którym wprost podała: całkowity koszt obliczeń to około 5,57 miliona dolarów. Użyli 2048 kart GPU Nvidia H800 przez 2,788 miliona godzin GPU. H800 to okrojona wersja H100 - specjalnie przygotowana przez Nvidię dla chińskiego rynku po amerykańskich restrykcjach eksportowych.
Protip ✅
DeepSeek-V3 jest dostępny jako otwartoźródłowy na HuggingFace i można go uruchomić lokalnie z 8-bit kwantyzacją na 80GB VRAM. Znacznie tańsze niż subskrypcja GPT-4.
Giganci z Zachodu tracą główny argument - że tylko miliardy dolarów gwarantują najnowocześniejszą wydajność. DeepSeek pokazuje, że można zbudować konkurencyjny model za mniej niż kosztuje miesięczny budżet działu HR w Google.
Testy porównawcze - gdzie DeepSeek wygrywa i gdzie przegrywa
W MMLU (Massive Multitask Language Understanding) - DeepSeek-V3 osiągnął 88,5%. GPT-4 Turbo zatrzymał się na 86,4%. Claude 3.5 Sonnet ma 88,7%, więc Chińczycy plasują się w ścisłej czołówce.
W MATH (matematyka) różnica jeszcze większa - DeepSeek 90,2%, GPT-4 Turbo 76,6%. Model radzi sobie świetnie z zadaniami wymagającymi wieloetapowego rozumowania, co wcześniej było domeną zachodnich modeli.
Kodowanie? HumanEval - DeepSeek 85,1%, GPT-4 Turbo 84,4%. Minimalny zysk, ale jednak. W MBPP (bardziej złożone zadania programistyczne) wynik podobny - niewielka przewaga DeepSeek.
Gdzie przegrywa? W rozumieniu kontekstu kulturowego specyficznego dla Zachodu. Pytania związane z amerykańskimi realiami prawnymi, popkulturą czy kolokwializmami - tam GPT-4 nadal lepszy. Ale w czystej matematyce, logice i kodzie? DeepSeek dogonił.
Uwaga ⚠️
Testy porównawcze to jedno, rzeczywista użyteczność to drugie. DeepSeek-V3 bywa mniej „grzeczny” w odpowiedziach - mniej corporate speak, więcej bezpośredniości. Zależy co wolisz.
Restrykcje eksportowe i chińska odpowiedź
USA od października 2022 ogranicza eksport zaawansowanych chipów do Chin. Nvidia stworzyła wersje H800 i A800 - słabsze od H100/A100, ale legalnie dostępne na chińskim rynku. DeepSeek użył właśnie H800 i pokazał, że można trenować modele światowej klasy nawet na okrojonych GPU.
To zła wiadomość dla amerykańskiej strategii technologicznego odcięcia Chin. Jeśli można zrobić konkurencyjny model na hardware’ze o 20-30% słabszym, to restrykcje działają głównie jako irytacja, nie bariera.
Chińskie firmy AI - DeepSeek, Baidu, Alibaba - intensywnie pracują nad efektywnością algorytmiczną właśnie dlatego, że nie mają dostępu do najnowszych chipów. Paradoks: ograniczenia zmuszają do innowacji, która wyprzedza zachodnią branżę w optymalizacji kosztów.
Rynek AI wchodzi w fazę konkurencji cenowej
Przez lata narracja była prosta: AI to gra dla bogatych. OpenAI zebrało miliardy od Microsoftu, Google ma nieograniczony budżet, Anthropic dostał kasę od Amazona. Kto nie może spalić setek milionów dolarów na jeden model - nie ma co startować.
DeepSeek zmienia tę logikę. Model za 6 milionów dolarów konkuruje z modelami za setki milionów. To otwiera drogę mniejszym graczom - europejskim startupom, uniwersytetom, firmom z rynków rozwijających się.
Mistral AI we Francji, Aleph Alpha w Niemczech, Technology Innovation Institute w Zjednoczonych Emiratach Arabskich - wszyscy nagle dostali potwierdzenie, że można zbudować konkurencyjny model bez współpracy z amerykańskimi gigantami chmury.
Protip ✅
Jeśli planujesz projekt AI i nie potrzebujesz maksymalnej zgodności z zachodnimi normami moderacji - DeepSeek-V3 to realny wybór zamiast API OpenAI. Oszczędność rzędu 80-90% na kosztach wnioskowania.
OpenAI w odpowiedzi obniżyło ceny API GPT-4 Turbo w styczniu 2025 o 25%. Pierwszy raz od premiery modelu. Przypadek? Raczej nie.
otwartoźródłowy kontra zamknięte ogrody
DeepSeek-V3 to otwartoźródłowy - pełne wagi modelu dostępne na HuggingFace, kod treningowy na GitHubie. Można go pobrać, zmodyfikować, dostroić pod własne potrzeby. Zero vendor lock-in, zero uzależnienia od API.
Zachodni giganci trzymają modele pod kluczem. GPT-4 to czarna skrzynka. Claude Opus również. Dostajesz dostęp przez API, płacisz za tokeny, nie wiesz co siedzi w środku. DeepSeek mówi: oto model, oto kod, róbcie co chcecie.
To filozofia zbliżona do Meta z Llamą - walka o udział w rynku przez dostępność, nie ekskluzywność. I działa. DeepSeek-V3 w ciągu trzech tygodni od premiery miał ponad 150 tysięcy pobrań z HuggingFace.
Społeczność developerska szybko zaczęła eksperymentować - kwantyzacja do 4-bit, dostrajanie na specjalistycznych zbiorach danych, integracja z lokalnymi aplikacjami. Ekosystem wokół DeepSeek rośnie szybciej niż wokół jakiegokolwiek zamkniętego modelu.
Co to oznacza dla użytkowników i rynku
Jeśli jesteś developerem - masz nową opcję. Model porównywalny z GPT-4, dostępny za darmo, bez limitów API. Możesz go hostować lokalnie, dostroić pod swoje potrzeby, nie martwić się o zmiany cennika.
Jeśli jesteś firmą rozważającą wdrożenie AI - nagle budżet przestaje być główną barierą. Zamiast płacić OpenAI kilkadziesiąt tysięcy miesięcznie za API, możesz postawić serwer z DeepSeek i płacić tylko za infrastrukturę.
Jeśli jesteś inwestorem - rynek AI zmienia się z monopolu kilku graczy na wyścig efektywności. Firmy, które nie zoptymalizują kosztów, stracą przewagę. OpenAI, Google, Anthropic muszą dostosować strategie albo przegrają z tańszymi, równie dobrymi alternatywami.
DeepSeek nie zabije GPT-4. Ale zmienia psychologię rynku. „Najlepszy model” przestaje być tym, który kosztował najwięcej w produkcji. Zaczyna być tym, który daje najlepszy stosunek wydajności do ceny.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Uwaga ⚠️
DeepSeek-V3 ma 671 miliardów parametrów - uruchomienie lokalnie wymaga potężnego sprzętu. Kwantyzacja do 4-bit pozwala zejść do około 160GB VRAM, ale to nadal dwa serwery z 8x A100.
Kto na tym straci, kto zyska
Przegrani? OpenAI i Anthropic, jeśli nie obniżą cen i nie otworzą części modeli. Ich przewaga technologiczna topnieje, a przewaga brandowa nie wystarczy, gdy alternatywa jest darmowa i prawie tak samo dobra.
Wygrani? Deweloperzy, małe startupy, firmy z rynków wschodzących. Nagle AI przestaje być luksusem dostępnym tylko dla firm z Doliny Krzemowej. Można zbudować produkt oparty na najnowocześniejszym modelu bez pożyczania milionów od venture capital.
Nvidia w dziwnej sytuacji - sprzedaje chipy obu stronom, ale chińscy klienci uczą się robić więcej z mniej. Długoterminowo to problem dla modelu biznesowego opartego na sprzedaży coraz potężniejszych GPU.
Rynek wchodzi w fazę, gdzie efektywność algorytmiczna ma większe znaczenie niż surowa moc obliczeniowa. DeepSeek to nie anomalia - to zwiastun trendu. Inne chińskie firmy pójdą tym samym śladem. Europejskie również. Model „spal miliardy i wygraj” przestaje działać.
I to dobrze. Bo konkurencja, nawet jeśli pochodzi z Chin, zmusza wszystkich do lepszej roboty.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Najczęstsze pytania
Ile kosztował trening modelu DeepSeek-V3?
Trening DeepSeek-V3 kosztował około 5,57 miliona dolarów, co firma podała wprost w research paper opublikowanym w grudniu 2024. Użyto do tego 2048 kart GPU Nvidia H800 przez 2,788 miliona godzin GPU.
Czy DeepSeek-V3 jest lepszy od GPT-4 Turbo w testach?
W kilku benchmarkach DeepSeek-V3 wyprzedza GPT-4 Turbo - w MATH uzyskał 90,2% wobec 76,6%, w MMLU 88,5% wobec 86,4%, a w HumanEval 85,1% wobec 84,4%. GPT-4 Turbo pozostaje lepszy w rozumieniu kontekstu kulturowego specyficznego dla Zachodu, np. w pytaniach o amerykańskie realia prawne czy popkulturę.
Jak uruchomić DeepSeek-V3 lokalnie?
DeepSeek-V3 jest dostępny na HuggingFace jako otwartoźródłowy i można go uruchomić lokalnie z kwantyzacją 8-bit na 80 GB VRAM. Kwantyzacja do 4-bit pozwala zejść do około 160 GB VRAM, co jednak nadal wymaga dwóch serwerów z 8x A100.
Dlaczego chińskie firmy AI są tak efektywne kosztowo?
Chińskie firmy jak DeepSeek nie mają dostępu do najnowszych chipów Nvidii z powodu amerykańskich restrykcji eksportowych od października 2022, więc trenowały modele na okrojonych kartach H800. To zmusiło je do innowacji algorytmicznych, takich jak architektura Mixture-of-Experts, która aktywuje tylko około 37 miliardów z 671 miliardów parametrów przy każdym zapytaniu.
Podobne tematy na Promptowym
