Penghematan komputasi sebagai pengungkit pengaruh: Liang Wenfeng dan strategi DeepSeek

22 November 20261 tampilan

Kisah pendiri DeepSeek menunjukkan bagaimana fokus pada efisiensi arsitektur, model terbuka, dan harga yang terjangkau memungkinkan perusahaan menantang para pemain besar di bidang AI. Artikel ini membantu memahami kompromi dan keterbatasan di balik pendekatan tersebut.

Penghematan komputasi sebagai pengungkit pengaruh: Liang Wenfeng dan strategi DeepSeek

Basis finansial dan kemandirian

Liang Wenfeng lahir pada 1985. Ia mempelajari teknik elektronika di Zhejiang University. Kemudian, ia menjadi salah satu pendiri High-Flyer — hedge fund yang menggunakan matematika dan AI untuk memilih investasi. Keuntungan High-Flyer mendanai DeepSeek. Liang mendirikan perusahaan ini pada 2023 untuk mengembangkan kecerdasan umum buatan. Dalam wawancara pada 2023, ia mengatakan bahwa pengembangan model besar tidak berkaitan langsung dengan keuangan.

High-Flyer membeli ribuan chip NVIDIA sebelum pembatasan ekspor diperketat. Hal ini memberi laboratorium baru itu keunggulan awal. Belakangan, DeepSeek merancang model agar bekerja dengan baik pada perangkat keras kelas menengah. Pembatasan ekspor AS membatasi akses ke chip paling canggih.

Kesimpulan: persediaan perangkat keras dan keuntungan dari matematika finansial mengurangi ketergantungan pada putaran pendanaan eksternal. Kriteria praktis: saat memilih alat AI, perhatikan apakah tim memiliki basis sumber daya untuk bekerja dalam jangka panjang tanpa terburu-buru.

Arsitektur sebagai cara menghemat biaya

Gagasan utama DeepSeek adalah menggunakan lebih sedikit sumber daya komputasi untuk setiap jawaban. Model DeepSeek V3 menggunakan arsitektur mixture of experts. Model ini dibagi menjadi banyak bagian pakar yang lebih kecil, tetapi hanya beberapa yang digunakan secara bersamaan. Model ini memiliki total 671 miliar parameter, tetapi hanya sekitar 37 miliar yang diaktifkan untuk setiap token.

Menurut perusahaan, tahap akhir pelatihan V3 menghabiskan biaya USD 5,6 juta dalam waktu GPU. Jumlah ini tidak mencakup penelitian dan pengujian sebelumnya. Sebuah makalah pada 2025 yang turut ditulis Liang juga menjelaskan sparse attention. Metode ini memungkinkan pemrosesan teks panjang dengan penggunaan memori yang lebih sedikit.

Kesimpulan: keputusan arsitektur mengurangi biaya pelatihan maupun biaya menghasilkan jawaban. Kriteria praktis: jangan menilai dari jumlah parameter keseluruhan, tetapi dari jumlah parameter aktif per token dan dukungan untuk konteks panjang tanpa peningkatan penggunaan memori.

Model terbuka dan sinyal pasar

Pada Januari 2025, DeepSeek merilis DeepSeek R1 — model untuk penalaran. Dalam banyak pengujian, hasilnya setara dengan para pesaing terkemuka, dengan biaya pengoperasian yang jauh lebih rendah. Model ini bersifat sumber terbuka: orang lain dapat mengunduh dan mengembangkannya. CEO Scale AI, Alexander Wang, menyebut R1 sebagai salah satu hasil terbaik dalam Humanity’s Last Exam.

Setelah R1 dirilis, nilai pasar NVIDIA turun hampir USD 600 miliar dalam satu hari. Para investor meragukan permintaan akan chip AI yang mahal. Belakangan, sebuah artikel di Nature melaporkan bahwa biaya pelatihan tambahan R1 mencapai USD 294.000.

Kesimpulan: model terbuka dan biaya pengoperasian rendah dapat menjadi pengungkit pengaruh di pasar. Kriteria praktis: model sumber terbuka memungkinkan efisiensi yang diklaim diperiksa secara independen dan dibandingkan dengan para pesaing.

Tim dan prioritas

Dalam percakapan dengan karyawan yang bocor dan dilaporkan oleh Fortune, Liang berkata: «Kami biasanya tidak bekerja lembur». Ia menambahkan bahwa penelitian membutuhkan suasana yang tenang. Tim berfokus hanya pada beberapa tugas. DeepSeek mempertahankan harga rendah. Liang mengatakan bahwa perusahaan hanya ingin memperoleh keuntungan yang wajar.

Harga DeepSeek mendorong para pesaingnya di China untuk menurunkan harga. Kesimpulan: fokus dan menghindari kerja lembur mendukung kualitas penelitian. Kriteria praktis: perhatikan berapa banyak tugas yang menjadi fokus tim dan apakah mereka memiliki ruang untuk bekerja dengan tenang.

Modal dan persaingan mendapatkan talenta

Menurut data Qichacha yang dikutip Bloomberg, setelah putaran pendanaan eksternal pertama, Liang memiliki 81,7% saham DeepSeek. Sejak Januari 2025, DeepSeek mencatat 173 juta unduhan, menurut Fortune. Putaran pendanaan tahun ini menilai perusahaan tersebut sebesar USD 50 miliar.

Pada 2026, DeepSeek untuk pertama kalinya memperoleh pendanaan eksternal. Putaran pertama senilai USD 7,4 miliar ditutup pada Juni. Liang menginvestasikan USD 3 miliar. Menurut Bloomberg pada 22 Oktober, putaran kedua menghimpun USD 15 miliar dari para investor, termasuk CATL dan Tencent.

Menurut SCMP, Liang menghimpun modal eksternal antara lain karena para pesaing membajak karyawan. Seorang investor mengatakan kepada media tersebut bahwa model AI China semakin mirip satu sama lain dan tidak ada pemimpin yang jelas. Liang juga mempertimbangkan untuk merambah bidang robotika; DeepSeek tidak memberikan komentar. Tantangan ke depan mencakup persaingan ketat dan kebutuhan untuk mempertahankan para peneliti terkemuka.

Kesimpulan: modal eksternal dibutuhkan untuk mempertahankan talenta dan melakukan diversifikasi. Kriteria praktis: nilai bagaimana perusahaan mempertahankan para peneliti dan apakah perusahaan siap melepas sebagian kepemilikan demi keberlanjutan.

Perbandingan strategi

Tiga pengungkit berdasarkan fakta memberikan dampak yang berbeda dan memerlukan kondisi yang berbeda pula.

| Pengungkit | Dampak berdasarkan fakta | Kondisi berdasarkan fakta | | Penghematan komputasi | Lebih sedikit sumber daya untuk setiap jawaban | Mixture of experts dan sparse attention | | Sumber terbuka | Model dapat diunduh dan dikembangkan | R1 dirilis secara terbuka | | Modal eksternal | Dana untuk mempertahankan talenta | Para pesaing membajak karyawan |

Kesimpulan: strategi-strategi ini tidak saling menggantikan. Penghematan komputasi mengurangi biaya. Sumber terbuka mempercepat penyebaran. Modal eksternal membantu mempertahankan tim. Kriteria praktis: pilih pengungkit yang sesuai dengan kendala tertentu, alih-alih meniru kombinasi strategi pihak lain.

Pertanyaan yang sering ditanyakan

Penghematan komputasi sebagai pengungkit pengaruh: Liang Wenfeng dan strategi DeepSeek