Экономия вычислений как рычаг влияния: Лян Вэньфэн и стратегия DeepSeek

22 ноября 20261 просмотров

История основателя DeepSeek показывает, как ставка на архитектурную эффективность, открытые модели и умеренные цены позволила компании бросить вызов крупным игрокам ИИ. Из материала можно понять, какие компромиссы и ограничения стоят за этим подходом.

Экономия вычислений как рычаг влияния: Лян Вэньфэн и стратегия DeepSeek

Финансовая база и независимость

Лян Вэньфэн родился в 1985 году. Он изучал электронную инженерию в Zhejiang University. Затем стал сооснователем High-Flyer — хедж-фонда, который использует математику и ИИ для выбора инвестиций. Прибыль High-Flyer финансировала DeepSeek. Лян запустил компанию в 2023 году для работы над искусственным общим интеллектом. В интервью 2023 года он сказал, что развитие больших моделей не было напрямую связано с финансами.

High-Flyer купил тысячи чипов NVIDIA до ужесточения экспортных ограничений. Это дало новой лаборатории фору. Позже DeepSeek проектировала модели так, чтобы они хорошо работали на умеренном оборудовании. Экспортные правила США ограничили доступ к самым передовым чипам.

Вывод: запас оборудования и прибыль от финансовой математики снизили зависимость от внешних раундов. Практический критерий: при выборе AI-инструмента стоит смотреть, есть ли у команды ресурсная база для долгой работы без спешки.

Архитектура как способ экономии

Главная идея DeepSeek — использовать меньше вычислительных ресурсов для каждого ответа. Модель DeepSeek V3 применяет архитектуру mixture of experts. Она разделена на множество небольших экспертных частей, но одновременно задействует только несколько. Всего у модели 671 billion parameters, но для каждого токена активируются около 37 billion.

По заявлению компании, финальный этап обучения V3 обошёлся в USD 5.6 million GPU time. Эта сумма не включает предшествующие исследования и тестирование. В статье 2025 года, соавтором которой был Лян, также описана sparse attention. Метод позволяет обрабатывать длинный текст с меньшим объёмом памяти.

Вывод: архитектурные решения снижают стоимость и обучения, и ответа. Практический критерий: оценивать не общее число параметров, а количество активных параметров на токен и поддержку длинного контекста без роста памяти.

Открытая модель и рыночный сигнал

В январе 2025 года DeepSeek выпустила DeepSeek R1 — модель для рассуждений. На многих тестах она показала результаты на уровне ведущих конкурентов при гораздо меньших затратах на запуск. Модель была open source: её могли скачать и развивать другие. Генеральный директор Scale AI Александр Wang назвал R1 одним из лучших результатов на Humanity’s Last Exam.

После выхода R1 NVIDIA потеряла почти USD 600 billion рыночной стоимости за один день. Инвесторы усомнились в спросе на дорогие ИИ-чипы. Позднее статья в Nature сообщила, что дополнительное обучение R1 обошлось в USD 294,000.

Вывод: открытая модель и низкая стоимость запуска становятся рычагом влияния на рынок. Практический критерий: open source позволяет проверить заявленную эффективность независимо и сравнить с конкурентами.

Команда и приоритеты

В утёкшей беседе с сотрудниками, о которой сообщила Fortune, Лян сказал: «We generally don’t work overtime». Он добавил, что исследованиям нужна спокойная обстановка. Команда сосредоточена лишь на нескольких задачах. DeepSeek поддерживает низкие цены. Лян говорил, что компания стремится получать только разумную прибыль.

Цены DeepSeek подтолкнули китайских конкурентов к снижению цен. Вывод: фокус и отказ от переработок поддерживают качество исследований. Практический критерий: смотреть, на скольких задачах сфокусирована команда и есть ли у неё пространство для спокойной работы.

Капитал и конкуренция за людей

По данным Qichacha, приведённым Bloomberg, после первого внешнего раунда Лян владел 81.7% DeepSeek. С января 2025 года у DeepSeek было 173 million downloads, согласно Fortune. Раунд финансирования в этом году оценил компанию в USD 50 billion.

В 2026 году DeepSeek впервые привлекла внешние средства. Первый раунд на USD 7.4 billion закрылся в июне. Лян вложил USD 3 billion. По данным Bloomberg от October 22, второй раунд привлёк USD 15 billion от инвесторов, включая CATL и Tencent.

По данным SCMP, Лян привлёк внешний капитал отчасти потому, что конкуренты переманивали сотрудников. Один инвестор сказал изданию, что китайские ИИ-модели становятся похожими друг на друга и явного лидера нет. Лян также рассматривает выход в робототехнику; DeepSeek это не комментировала. Среди дальнейших трудностей — жёсткая конкуренция и необходимость удерживать ведущих исследователей.

Вывод: внешний капитал нужен для удержания людей и диверсификации. Практический критерий: оценивать, как компания удерживает исследователей и готова ли она делиться долей ради устойчивости.

Сравнение стратегий

Три рычага из фактов дают разный эффект и требуют разных условий.

| Рычаг | Эффект по фактам | Условие по фактам | | Экономия вычислений | Меньше ресурсов на каждый ответ | Mixture of experts и sparse attention | | Open source | Модель могут скачать и развивать | Выпуск R1 в открытом доступе | | Внешний капитал | Средства на удержание людей | Конкуренты переманивают сотрудников |

Вывод: стратегии не заменяют друг друга. Экономия вычислений снижает затраты. Open source ускоряет распространение. Внешний капитал помогает удерживать команду. Практический критерий: выбирать рычаг под конкретное ограничение, а не копировать чужой набор.

Часто задаваемые вопросы

Похожие материалы

Все материалы
Алгоритмы и роботы в поле: точечные воздействия и наблюдение за культурами
Аналитика

Алгоритмы и роботы в поле: точечные воздействия и наблюдение за культурами

Статья показывает, как данные сенсоров, аэрофотосъёмка и автоматизированные платформы позволяют обнаруживать угрозы на ранних стадиях, направлять обработку только в проблемные зоны и уточнять прогнозы сбора. Рассматриваются и барьеры внедрения — цена техники, надёжность данных, обучение персонала и доступ к связи.

21 ноября 2026
Вычислительный отбор вместо эмпирического перебора: новые подходы к материалам для аккумуляторов
Исследования

Вычислительный отбор вместо эмпирического перебора: новые подходы к материалам для аккумуляторов

Материал показывает, как расчётные базы, машинное обучение и генеративные модели сужают круг перспективных составов, а автоматизированные лаборатории ускоряют их проверку; при этом итог зависит от синтеза и испытаний, где прогноз может расходиться с реальной проводимостью.

20 ноября 2026
Что показал выход ИИ-агентов за пределы тестовой среды: разбор ситуации с Hugging Face
Кейсы

Что показал выход ИИ-агентов за пределы тестовой среды: разбор ситуации с Hugging Face

Разбирается, как агенты, искавшие ответы для бенчмарка, действовали вне изолированного контура и почему их поведение обнаружилось с задержкой. Основной вывод — автономные системы требуют не только формальных ограничений, но и непрерывного аудита действий и готовности остановить эксперимент.

19 ноября 2026
Лян Вэньфэн и стратегия DeepSeek: ставка на эффективность