Das letzte Mal war es die Frühlingsferien, könnte es diesmal die Maifeiertage sein? So ist es auch ganz gut, jedes Fest hat seine schönen Erwartungen.
Kürzlich gab es zahlreiche Berichte, dass das Unternehmen DeepSeek bald das neue Generation-Modell DeepSeek R2 veröffentlichen wird.
Laut sozialen Medien sind die Kernpunkte wie folgt:
Architekturinnovation: Verwendung der selbst entwickelten Hybrid MoE 3.0-Architektur, dynamische Aktivierungsparameter erreichen 1,2 Billionen, der tatsächliche Rechenaufwand liegt nur bei 78 Milliarden, die Effizienzsteigerung ist signifikant;
Hardware-Lokalisierung: Training auf einem Cluster von Huawei Ascend 910B-Chips mit einer Rechenleistungsnutzung von 82 %, die Leistung kommt nahe an die 91 % des Nvidia A100-Clusters heran;
Multimodaler Sprung: In der COCO-Bildsegmentierungsaufgabe erreicht die Genauigkeit 92,4 %, was 11,6 Prozentpunkte über dem CLIP-Modell liegt;
Vertikale Anwendungsfälle: Die Genauigkeit bei medizinischen Diagnosen übersteigt 98 %, die Fehlerrate bei industrieller Qualitätskontrolle wird auf 7,2 von 10 Millionen gesenkt, die technische Praktikabilität erreicht neue Höhen.
Es ist erwähnenswert, dass die Veröffentlichung von DeepSeek R1 vor drei Monaten dazu führte, dass Nvidia an einem einzigen Tag 600 Milliarden USD an Marktkapitalisierung verlor, während die Kombination von 'niedrigen Kosten + hoher Leistung' bei R2 zweifellos einen noch stärkeren Einfluss auf die amerikanischen Technologiegiganten haben wird, die auf hochpreisige Chips angewiesen sind.
Technologischer Durchbruch
Die Anzahl der Parameter des DeepSeek R2-Modells wird mit erstaunlichen 1,2 Billionen angegeben, was fast eine Verdopplung der 671 Milliarden Parameter des Vorgängermodells R1 darstellt. Diese Zahl liegt nahe am Niveau der internationalen Spitzenmodelle wie GPT-4 Turbo und Googles Gemini 2.0 Pro. Der explosionsartige Anstieg der Parameterzahl bedeutet eine erhebliche Verbesserung der Lernfähigkeit des Modells und der Fähigkeit zur Bearbeitung komplexer Aufgaben.
DeepSeek R2 verwendet ein MoE-Architekturmodell (Mixture of Experts), eine Technik, bei der Aufgaben mehreren 'kleinen Experten'-Modulen zugewiesen werden. Einfach gesagt, das Modell wählt automatisch den am besten geeigneten 'Experten' für verschiedene Aufgaben aus, um die Effizienz zu steigern und den Rechenressourcenverbrauch zu minimieren.
Laut Berichten beträgt die dynamische Aktivierungsparameter von R2 78 Milliarden, und der tatsächliche Verbrauch an Rechenleistung liegt nur bei 6,5 % der Gesamtsumme. Dieses Design ermöglicht es dem Modell, eine hohe Leistung aufrechtzuerhalten und gleichzeitig die Betriebskosten erheblich zu senken.
In Bezug auf die Trainingsdaten verwendet DeepSeek R2 ein 5,2 PB (1 PB = 1 Million GB) großes hochwertiges Korpus, das die Bereiche Finanzen, Recht, Patente usw. abdeckt. Durch mehrstufige semantische Destillationstechnologie wird die Genauigkeit der Befehlsbefolgung des Modells auf 89,7 % erhöht. Das bedeutet, dass es besser in der Lage ist, komplexe menschliche Anweisungen zu verstehen, wie das Analysieren von Rechtsdokumenten oder das Erstellen von Finanzberichten.
Kostenreduktion um 97,3 %
Der größte Durchbruch von DeepSeek R2 bleibt der drastische Rückgang der Kosten. Laut Berichten liegt die Kosten pro Inferenz im Vergleich zu GPT-4 bei 97,3 % niedriger. Um einen 5000-Wörter-Artikel zu generieren, benötigt GPT-4 etwa 1,35 USD, während DeepSeek R2 nur 0,035 USD benötigt.
Der Hauptgrund für den Rückgang der Kosten liegt in der Optimierung der Hardwareanpassung. DeepSeek R2 wird auf einem Cluster von Huawei Ascend 910B-Chips trainiert, die Chipnutzungsrate beträgt 82 %. Im Vergleich dazu liegt die Effizienz eines ähnlichen Nvidia A100-Clusters bei 91 %.
Das bedeutet, dass inländische Chips im Bereich der KI-Trainingstechnologie nahezu international führend sind und möglicherweise die Abhängigkeit von Nvidia überwinden können.
Multimodale Fähigkeiten
Ein weiteres Hauptmerkmal von DeepSeek R2 ist die Verbesserung der multimodalen Fähigkeiten. Im visuellen Verstehensmodul verwendet es eine hybride Architektur aus ViT-Transformer, die in der COCO-Datensatz-Objektsegmentierungsaufgabe eine Genauigkeit von 92,4 % erreicht, was eine Steigerung von 11,6 Prozentpunkten im Vergleich zum traditionellen CLIP-Modell darstellt.
Einfach gesagt, es kann Objekte in Bildern präziser erkennen, zum Beispiel Fußgänger, Fahrzeuge und Verkehrsschilder aus einem Straßenbild unterscheiden.
Darüber hinaus unterstützt R2 die 8-Bit-Quantisierungs-Kompression, wodurch das Modellvolumen um 83 % reduziert wird, während der Genauigkeitsverlust unter 2 % bleibt. Das bedeutet, dass in Zukunft Smartphones und intelligente Haushaltsgeräte auch leistungsstarke KI lokal ausführen können, ohne auf Cloud-Server angewiesen zu sein.
Globale KI-Konkurrenz
Die Berichte über DeepSeek R2 haben eine heftige Reaktion auf den Kapitalmärkten ausgelöst. Aufgrund von Kostenvorteilen und technischer Autonomie könnte es eine Bedrohung für US-Technologieunternehmen darstellen, die auf Nvidia-GPUs angewiesen sind.
Analysten prognostizieren, dass die Aktienkurse von Nvidia kurzfristigen Schwankungen ausgesetzt sein könnten, wenn die R2-Leistung tatsächlich zutrifft, während Unternehmen in der chinesischen KI-Wertschöpfungskette möglicherweise eine neue Wachstumsrunde erleben.
Dieses Ereignis spiegelt auch die neue Struktur des globalen KI-Wettbewerbs wider. DeepSeek R2 beweist, dass durch Architekturinnovationen und die Anpassung an inländische Hardware ebenfalls Durchbrüche erzielt werden können. Die Auslastungsdaten des Huawei Ascend-Chips (82 %) zeigen, dass die inländische Recheninfrastruktur international wettbewerbsfähig ist.
Obwohl der Inhalt der Berichte aufregend ist, weisen einige Brancheninsider auf Widersprüche in den Informationen hin. In Diskussionen im Internet gibt es Berichte über die Übersetzung und Verbreitung von nicht offiziellen chinesischen Nachrichten, was die Unsicherheit weiter erhöht.
DeepSeek hat das Veröffentlichungsdatum noch nicht bestätigt, aber angesichts der aktuellen kollektiven Lernbewegungen zur künstlichen Intelligenz könnte die doppelte Unterstützung von Politik und technologischen Durchbrüchen die R2-Einführung beschleunigen.
Von Chips über Algorithmen bis hin zu Daten und Anwendungen beschleunigt jede Phase der chinesischen KI-Wertschöpfungskette die Autonomie. Huaweis Ascend ersetzt Nvidia, der Aufbau eines 5,2 PB großen chinesischen Korpus schafft vertikale Markteintrittsbarrieren – hinter diesen Aktionen steht ein Wettlauf um die technologische Einflussnahme in den nächsten zehn Jahren.
