DeepSeek

DeepSeek (officieel Hangzhou DeepSeek Artificial Intelligence Basic Technology Research Co., Ltd., Chinees: 杭州深度求索人工智能基础技术研究有限公司， letterlijk „diepe verkenning") is een Chinees onderzoeksbedrijf op het gebied van kunstmatige intelligentie dat grote taalmodellen en aanverwante AI-technologieën ontwikkelt. Het bedrijf werd in 2023 in Hangzhou opgericht door ondernemer Liang Wenfeng en wordt gefinancierd door diens kwantitatieve hedgefonds High-Flyer. DeepSeek verwierf in januari 2025 internationale bekendheid met de release van DeepSeek-R1, een redeneermodel waarvan de prestaties vergelijkbaar waren met toonaangevende westerse grensmodellen, terwijl de trainingskosten naar verluidt slechts een fractie daarvan bedroegen. DeepSeek is bijzonder bekend om het vrijgeven van zijn modellen als open gewichten, om zijn innovaties op het gebied van efficiënte modelarchitectuur en -training, en om de aanzienlijke verstoringen die zijn releases teweegbrachten in de wereldwijde technologie.markten en het AI-beleidsdebat.

Achtergrond en oprichting

De oorsprong van DeepSeek ligt bij High-Flyer (幻方量化)， een bedrijf in kwantitatief beleggen dat in 2015 mede werd opgericht door Liang Wenfeng. High-Flyer groeide uit tot een van de grootste kwantitatieve hedgefondsen van China, met beheerd vermogen van miljarden dollars, en maakte intensief gebruik van machine learning voor handelsstrategieën. Vanaf ongeveer 2019 investeerde High-Flyer zwaar in rekeninfrastructuur en bouwde uiteindelijk een cluster op van circa 10.000 NVIDIA A100-grafische processors (GPU's) voor AI-onderzoek en handelsdoeleinden.

In 2023, nadat generatieve AI wereldwijde aandacht had gekregen door de release van ChatGPT, besloot Liang zich direct te wijden aan onderzoek naar artificiële algemene intelligentie (AGI). DeepSeek werd opgericht als zelfstandig bedrijf, hoofdzakelijk gefinancierd door High-Flyer, met Liang als aanvoerder. Het bedrijf onderscheidde zich van veel Chinese technologiebedrijven door zich te positioneren als een fundamentele onderzoeksorganisatie in plaats van een productgericht bedrijf. Liang verklaarde dat de missie van DeepSeek het nastreven van AGI was en dat het bedrijf de open-sourcekoers wilde omarmen, waarbij het delen van modelgewichten en technische rapporten werd beschouwd als een bijdrage aan de wereldwijde onderzoeksgemeenschap in plaats van een concurrentienadeel.

Historische ontwikkeling

De eerste releases van DeepSeek waren gericht op gespecialiseerde domeinen. In november 2023 introduceerde het bedrijf DeepSeek Coder, een reeks op code gerichte taalmodellen die van de grond af waren getraind op grote hoeveelheden programmeergegevens. Dit werd gevolgd door DeepSeek LLM, een familie van modellen voor algemene doeleinden die eind 2023 en begin 2024 werd uitgebracht en waarvan de versie met 67 miljard parameters aantoonde dat een klein, pas opgericht team concurrerende grote modellen kon trainen. In februari 2024 bracht DeepSeek DeepSeekMath uit, dat het algoritme voor versterkend leren Group Relative Policy Optimization (GRPO) introduceerde, dat later centraal zou komen te staan in de redeneermodellen van het bedrijf.

Een belangrijke technische mijlpaal volgde in mei 2024 met DeepSeek-V2, een Mixture-of-Experts-model met 236 miljard parameters dat Multi-head Latent Attention (MLA) introduceerde, een mechanisme dat de geheugenvereisten tijdens inferentie aanzienlijk verlaagt. DeepSeek-V2 trok niet alleen aandacht vanwege zijn prestaties, maar ook vanwege zijn agressieve API-prijzen, die een prijzenoorlog onder Chinese AI-aanbieders uitlokten. Opeenvolgende releases in 2024 omvatten DeepSeek-Coder-V2, het vision-taalmodel DeepSeek-VL en de multimodale Janus-serie.

In december 2024 bracht DeepSeek DeepSeek-V3 uit, een Mixture-of-Experts-model met 671 miljard parameters waarvan per token slechts 37 miljard parameters worden geactiveerd. Het bijbehorende technische rapport vermeldde dat de volledige trainingsrun circa 2,788 miljoen GPU-uren in beslag nam, tegen naar schatting ongeveer 5,58 miljoen Amerikaanse dollar aan kosten, gebruikmakend van NVIDIA H800-chips — de aan exporteisen voldoende processoren die beschikbaar zijn voor Chinese bedrijven onder de Amerikaanse halfgeleiderbeperkingen. Dit bedrag, dat eerder onderzoek, infrastructuur en personeelskosten uitsloot, lag aanzienlijk lager dan de gerapporteerde trainingsuitgaven van vergelijkbare grensmodellen en intensiveerde het internationale debat over de efficiëntie van AI-ontwikkeling.

Op 20 januari 2025 bracht DeepSeek DeepSeek-R1 uit, een redeneermodel dat grotendeels via versterkend leren was getraind om uitgebreide gedachteketens te produceren alvorens te antwoorden. Benchmarkresultaten plaatsten de prestaties van R1 op of nabij het niveau van het o1-model van OpenAI op het gebied van wiskunde, programmeren en wetenschappelijk redeneren. Het bedrijf publiceerde gelijktijdig de modelgewichten onder een MIT-licentie, samen met een technisch artikel over de trainingsmethodologie. Binnen enkele dagen werd de DeepSeek-mobiele applicatie de meest gedownloade gratis app in de Amerikaanse App Store, en op 27 januari 2025 daalden de aandelen van NVIDIA met circa 17 procent, waardoor in één dag circa 600 miljard dollar aan beurswaarde verloren ging — destijds het grootste dagverlies voor één bedrijf in de geschiedenis van de aandelenmarkt. Risicokapitalist Marc Andreessen omschreef de release als „het Sputnik-moment van AI".

Na deze doorbraak bleef DeepSeek in 2025 zijn modellen doorontwikkelen, met updates zoals DeepSeek-R1-0528 en de series DeepSeek-V3.1 en V3.2, die de redeneervaardigheden, agentgerichte prestaties en inferentie-efficiëntie verder verbeterden, onder meer met technieken voor sparse attention.

Modellen en producten

De modelfamilies van DeepSeek omvatten onder andere:

• DeepSeek LLM: taalmodellen met dense architectuur voor algemene doeleinden (7B en 67B parameters) die de fundamenten legden voor de pre-training en alignment van het bedrijf.
• DeepSeek Coder / DeepSeek-Coder-V2: op code gespecialiseerde modellen, getraind op meertalige programmeergegevens, behorend tot de eerste open modellen die konden concurreren met gesloten codeerassistenten.
• DeepSeekMath: een op wiskunde gericht model dat het GRPO-algoritme introduceerde.
• DeepSeek-V2 en DeepSeek-V2.5: Mixture-of-Experts-modellen met Multi-head Latent Attention, opmerkelijk vanwege lage inferentiekosten en API-prijzen.
• DeepSeek-V3: een MoE-model met 671 miljard parameters (37B geactiveerd per token), getraind met FP8-precisie en hulpverliesvrije load balancing, dat een nieuwe efficiëntienorm voor open modellen vestigde.
• DeepSeek-R1 en R1-updates: redeneermodellen getraind via grootschalig versterkend leren, met gedestilleerde varianten op basis van kleinere open modellen (Qwen en Llama) die redeneervaardigheden toegankelijk maakten op consumentenhardware.
• DeepSeek-Prover: modellen voor formeel stellingbewijs in de programmeertaal Lean.
• DeepSeek-VL en Janus / Janus-Pro: vision-taalmodellen en verenigde multimodale modellen voor begrip en generatie.

De DeepSeek-assistent, beschikbaar als webdienst en mobiele applicatie, biedt conversationele toegang tot de vlaggenschipmodellen van het bedrijf en is verantwoordelijk voor een groot deel van de publieke zichtbaarheid van het merk.

Technische kenmerken

Het onderzoek van DeepSeek onderscheidt zich door verschillende architectuur- en engineeringinnovaties:

1. Mixture-of-Experts-architecturen (MoE): DeepSeekMoE maakt gebruik van fijnmazige expertsegmentatie in combinatie met gedeelde experts, wat de parameterefficiëntie verbetert ten opzichte van conventionele MoE-ontwerpen.
2. Multi-head Latent Attention (MLA): door key-value-caches te comprimeren naar een latente ruimte verlaagt MLA het geheugenverbruik tijdens inferentie aanzienlijk, wat de serverkosten verlaagt.
3. Multi-Token Prediction (MTP): toegepast in de training van DeepSeek-V3 om de data-efficiëntie te verbeteren en speculatieve decoding tijdens inferentie mogelijk te maken.
4. Versterkend leren voor redeneren: DeepSeek-R1 toonde aan dat gedachteketenredenering kon ontstaan uit op regels gebaseerd versterkend leren met verifieerbare beloningen (GRPO), zonder uitgebreide supervised fine-tuning op door mensen gelabelde redeneersporen.
5. Efficiënte trainingsengineering: het gebruik van FP8-gemengde-precisietraining, aangepaste paralleliseringsstrategieën en geoptimaliseerde GPU-communicatie maakte training mogelijk op hardware die onder exportbeperkingen valt.

Kenmerken en bedrijfsmodel

De meest onderscheidende kenmerken van DeepSeek omvatten de inzet op open-source releases, de ongewoon lage prijzen en de onderzoeksgerichte organisatiecultuur. De modelgewichten worden gepubliceerd op platforms zoals Hugging Face onder permissieve licenties, waardoor ontwikkelaars wereldwijd deze kunnen downloaden, aanpassen en inzetten. De API-prijzen van het bedrijf behoren tot de laagste in de sector en undercutten vergelijkbare aanbiedingen soms met een orde van grootte, wat de adoptie door ontwikkelaars en externe AI-aanbieders versnelde.

In tegenstelling tot grote technologieconglomeraten opereert DeepSeek met een relatief klein team van onderzoekers, waarvan velen rechtstreeks zijn geworven van topuniversiteiten zoals de Universiteit van Peking en Tsinghua, en het legt de nadruk op jong talent, vlakke managementstructuren en langetermijnonderzoek boven korte-termijnmonetisatie. De financiering door High-Flyer biedt financiële onafhankelijkheid, waardoor het bedrijf prioriteit kan geven aan fundamenteel AGI-onderzoek. Liang Wenfeng heeft de aanpak van DeepSeek neergezet als die van een bijdrager aan, in plaats van een volger binnen, het wereldwijde AI-innovatie-ecosysteem.

Impact en betekenis

De opkomst van DeepSeek had verstrekkende gevolgen op verschillende terreinen:

• Economische en markteffecten: de marktreactie van januari 2025 wekte vragen over de waarderingen van AI-infrastructuurbedrijven en toonde aan dat AI op grensniveau tegen aanzienlijk lagere kosten kon worden ontwikkeld dan de heersende veronderstellingen deden vermoeden.
• Technologiebeleid: het succes van DeepSeek onder de Amerikaanse exportcontroles op geavanceerde chips voedde het debat in de Verenigde Staten en bondgenoten over de effectiviteit van halfgeleiderbeperkingen en het tempo van de Chinese AI-ontwikkeling.
• Open-source-ecosysteem: door het vrijgeven van modellen op grensniveau met open gewichten en gedetailleerde technische rapporten versnelde DeepSeek de verspreiding van technieken voor redeneermodellen en versterkte het de positie van open modelecosystemen wereldwijd.
• Concurrentie in de sector: de prijzen en open releases van het bedrijf oefenden druk uit op zowel Chinese als internationale AI-aanbieders qua kosten en dwongen tot bredere heroverweging van gesloten, propriëtaire ontwikkelstrategieën.

Ontvangst en controverses

De snelle opkomst van DeepSeek leidde ook tot kritische controle. Diverse overheden en publieke instellingen beperkten of verboden de DeepSeek-applicatie op officiële apparaten uit zorgen over gegevensopslag, mogelijke toegang door Chinese staatsautoriteiten en cyberveiligheidsrisico's; dergelijke maatregelen werden genomen in rechtsgebieden waaronder Australië, Zuid-Korea, Italië en delen van de Verenigde Staten. Critici wezen er eveneens op dat de modellen van DeepSeek inhoudsfiltering toepassen in overeenstemming met Chinese regelgeving en geen antwoord geven op politiek gevoelige vragen. Daarnaast twijfelden sommige branches figuren aan de volledigheid van de gerapporteerde trainingskosten, en beweerde OpenAI begin 2025 dat DeepSeek mogelijk uitvoer van zijn modellen heeft gebruikt, in strijd met de gebruiksvoorwaarden — een beschuldiging die op zichzelf weer debat uitlokte over de standaarddatapraktijken in de sector. DeepSeek en zijn aanhangers hebben geantwoord dat de innovaties onafhankelijk gedocumenteerd zijn in aan collegiale toetsing onderworpen technische rapporten en reproduceerbaar zijn via de open releases.

Ondanks deze controverses wordt DeepSeek in het algemeen beschouwd als een van de meest invloedrijke AI-onderzoeksorganisaties van het midden van de jaren twintig, nadat het heeft aangetoond dat architectuurinnovatie en engineeringefficiëntie de drempels voor AI-ontwikkeling op grensniveau aanzienlijk kunnen verlagen.