DeepSeek, Z.ai a Moonshot AI mění pravidla čínského souboje o umělou inteligenci

Význam Liang Wenfenga, Tanga Jieho a Yanga Zhilina nespočívá jen v tom, že tři čínští zakladatelé vytvořili výrazné modely umělé inteligence. DeepSeek, Z.ai a Moonshot AI společně rozšířily definici špičkové konkurence: schopnosti modelu se dnes posuzují také podle otevřenosti, ceny provozu, dostupnosti pro vývojáře a množství výpočetního výkonu potřebného k jeho nasazení.

To samo o sobě nedokazuje, že Čína předstihla Silicon Valley. Ukazuje to ale, že trh už není výhradně americký — a že model nemusí být uzavřený, extrémně drahý ani podporovaný velkým veřejně obchodovaným americkým technologickým gigantem, aby ovlivnil globální očekávání.

Tři zakladatelé, tři cesty na špičku AI

Liang Wenfeng: sázka DeepSeeku na efektivitu

Liang vystudoval elektronické a komunikační inženýrství na univerzitě v Če-ťiangu. Před založením DeepSeeku spoluzaložil fond High-Flyer, který využívá umělou inteligenci v kvantitativním obchodování. DeepSeek založil v roce 2023 a do výzkumu základních modelů přinesl důraz na matematickou optimalizaci a efektivní využití výpočetní techniky. 4144

Zásadním úspěchem firmy se stal model DeepSeek-R1, uvedený v lednu 2025. Jde o model zaměřený na uvažování, jehož váhy byly zveřejněny ke stažení a který byl prezentován jako levnější alternativa k předním uzavřeným systémům. Tvrzení DeepSeeku o nákladech a výkonu nelze považovat za náhradu nezávislého hodnocení, přesto stačila k tomu, aby investoři přehodnotili ekonomiku trénování a provozu AI modelů. 172226

Reakce trhu byla mimořádná. Nvidia během jediného dne přišla o 593 miliard dolarů tržní hodnoty, protože investoři začali pochybovat, zda špičková AI skutečně vyžaduje obrovské a stále rostoucí rozpočty na hardware. Výprodej se krátce nato částečně obrátil, takže událost je přesnější chápat jako rychlé přecenění očekávání než jako důkaz, že poptávka po pokročilých čipech zmizela. 1718

Odlišná je i Liangova filozofie. Agentura Reuters uvedla, že podle jeho vyjádření je prioritou DeepSeeku dlouhodobý vývoj obecné umělé inteligence (AGI), nikoli maximalizace krátkodobého zisku. Firma si podle něj pravděpodobně ponechá své nejpokročilejší modely otevřené. 33 Dostupné důkazy přitom spolehlivě nepotvrzují celkový objem financování DeepSeeku, jeho valuaci, plány na burzovní vstup ani osobní majetek Lianga.

Tang Jie: od výzkumu na univerzitě k podnikové AI

Tang Jie je profesorem informatiky na univerzitě Tsing-chua a spoluzakladatelem i hlavním vědcem společnosti Z.ai, dříve známé jako Zhipu AI. Firma vznikla v roce 2019 v Pekingu jako odštěpený projekt výzkumu Tsing-chua a s vydáváním své modelové řady GLM začala v roce 2021. 4950

Strategie Z.ai je institucionálněji ukotvená než strategie DeepSeeku: propojuje univerzitní výzkumné zázemí s komerčními a podnikovými ambicemi. Modely GLM se stále více zaměřují na uvažování, programování, práci s nástroji a autonomní pracovní postupy agentů. Americké Centrum pro standardy a inovace v AI (CAISI) uvedlo, že GLM-5.2 byl 16. června 2026 vydán jako model s otevřenými váhami. 49

Tang tvrdí, že nástup DeepSeek-R1 ukončil dřívější fázi zaměřenou především na chatování a že s rozvojem AI agentů nabydou na významu programování a uvažování. 52 Tak lze dobře chápat i pozici Z.ai: firma nechce soupeřit jen v plynulosti konverzace, ale o modely schopné řešit delší úkoly a komunikovat se softwarovými nástroji.

Z.ai zároveň ukazuje přechod od soukromé výzkumné laboratoře ke společnosti napojené na kapitálové trhy. Podle zpráv firma do poloviny roku 2025 získala v předchozích kolech přibližně 1,25 miliardy dolarů. Americké vládní hodnocení uvádí, že 8. ledna 2026 dokončila primární nabídku akcií v Hongkongu. 4950 Veřejné odhady její tržní hodnoty se liší, a nelze je proto zaměňovat za definitivní údaj. Nedostatek spolehlivých důkazů platí také pro osobní majetek Tanga Jieho.

Yang Zhilin: dlouhý kontext jako hlavní sázka Moonshot AI

Yang Zhilin studoval na univerzitě Tsing-chua a doktorát získal na Carnegie Mellon University. Podle dostupných zpráv před spoluzaložením Moonshot AI v Pekingu v roce 2023 působil také ve výzkumu Googlu a společnosti Meta. 2712

Moonshot nejprve získal pozornost díky chatbotu Kimi, jehož identita byla úzce spojena s prací s velmi dlouhým kontextem. Model Kimi K3 tuto strategii rozšířil do mnohem většího systému s otevřenými váhami: zdroje jej popisují jako směs expertů (mixture of experts, MoE) s 2,8 bilionu parametrů a kontextovým oknem až jeden milion tokenů. 15

Váhy K3 byly zveřejněny poté, co byl model zpřístupněn v produktech a přes API Moonshotu. Spotřebitelský chatbot se tak propojil s širší strategií vývojářské platformy. 2 Samotný počet parametrů však neříká přímo nic o inteligenci modelu, jeho provozních nákladech ani praktické užitečnosti. Nezávislé žebříčky mohou pomoci při srovnání, jejich pořadí se ale mění a nenahrazuje testování spolehlivosti, programování, bezpečnosti a reálných úloh pro AI agenty.

Také údaje o financování Moonshotu se rychle mění. TechCrunch v květnu 2026 informoval o kole v objemu přibližně 2 miliard dolarů při valuaci 20 miliard dolarů. Pozdější zprávy hovořily o možné valuaci přes 30 miliard dolarů a přípravách na případný vstup na hongkongskou burzu. Jde o uváděné odhady ze soukromého trhu, nikoli o auditované hodnoty veřejně obchodované firmy. 41215 Spolehlivé informace o osobním majetku Yanga Zhilina nejsou dostatečné.

Proč nejde jen o jednoduchý souboj USA a Číny?

1. Schopnosti se poměřují s cenou

DeepSeek udělal z efektivního uvažování hlavní téma. Z.ai zdůrazňuje programování, podnikové nasazení a AI agenty. Moonshot kombinuje dlouhý kontext, velmi rozsáhlé modely s otevřenými vahami a distribuci prostřednictvím vlastních produktů. Každý z nich volí jinou cestu, všechny tři firmy však průmysl tlačí k širší otázce: kolik užitečných schopností lze získat za každý dolar vynaložený na trénování nebo provoz modelu?

Srovnání přitom není dokonale čisté. Uváděné náklady na trénování často pocházejí přímo od firem a nemusí zahrnovat data, vývoj, přístup k hardwaru, testování, nasazení ani další infrastrukturu. Strategický dopad je však skutečný: DeepSeek přiměl investory i laboratoře přehodnotit představy o nákladové křivce špičkové AI. 1722

2. Otevřené váhy dávají vývojářům více možností

Model s váhami dostupnými ke stažení mohou vývojáři provozovat na vlastním hardwaru, dále jej upravovat nebo integrovat bez úplné závislosti na proprietárním API. DeepSeek, GLM i Kimi tak mohou pronikat do světových softwarových ekosystémů, i když jejich firmy mají omezenější přístup k distribuci v zahraničí.

„Open weight“ však neznamená automaticky plně open source. Veřejně mohou být samotné váhy, zatímco trénovací data, postupy jejich zpracování, zdrojový kód i celý vývojový proces zůstávají neveřejné. Rozdíl je důležitý pro reprodukovatelnost, licencování, bezpečnost i správu modelů.

3. Dopad se přenesl i mimo AI laboratoře

Uvedení DeepSeeku v lednu 2025 zasáhlo valuace amerických technologických firem, protože zpochybnilo předpoklad, že pokročilejší AI bude automaticky vyžadovat úměrně více špičkového hardwaru. Jednodenní ztráta Nvidie ukázala, jak rychle může inovace na úrovni modelu ovlivnit celý infrastrukturní řetězec. 1718

Podobnou pozornost vyvolal Kimi K3 představou, že čínská firma může vydat model s otevřenými váhami v měřítku spojovaném s největšími americkými laboratořemi. Reakci je ale vhodnější chápat jako tlak na dosavadní předpoklady než jako důkaz dokončeného technologického vítězství. 14

Překážky, které rozhodnou o další fázi

Všechny tři společnosti stále čelí zásadním strukturálním problémům:

• Výpočetní výkon a hardware: Exportní omezení a omezený přístup k nejvýkonnějším akcelerátorům komplikují trénování i provoz špičkových modelů. Efektivnější techniky mohou náskok zmenšit, neodstraňují však potřebu čipů, energie, sítí, zkušených techniků a kapitálu. 45
• Monetizace: Otevřené nebo levné modely se mohou rychle šířit, ale jejich tvůrcům zároveň ztěžují přímé získávání příjmů. Technologická pozornost se musí proměnit v dlouhodobě fungující podnikové, API nebo spotřebitelské služby.
• Nejistota benchmarků: Úzké nebo firmou zveřejněné vítězství v jednom benchmarku neřeší spolehlivost, vícejazyčnou kvalitu, programování, bezpečnost ani odolnost agentů. Tvrzení o převaze vyžadují nezávislé ověření.
• Důvěra a správa modelů: Ochrana soukromí, bezpečnost, pravidla pro obsah a geopolitická kontrola mohou omezit přijetí v zahraničí, i když je model technicky atraktivní.
• Tlak kapitálových trhů: Dokončený vstup Z.ai na burzu dává firmě jinou finanční pozici než soukromému DeepSeeku. Přípravy Moonshotu na případné IPO v Hongkongu jsou naopak stále pouze výhledem. Vlastnická struktura DeepSeeku a jeho případné burzovní plány jsou ve spolehlivých veřejných zprávách méně jasné. 495015

Závěr

Liang Wenfeng, Tang Jie a Yang Zhilin nesledují jednotnou čínskou strategii v oblasti AI. Liang postavil identitu DeepSeeku na efektivitě a dlouhodobém výzkumu AGI. Tang převádí univerzitní výzkum základních modelů do programování, agentů a měřítka veřejně obchodované firmy. Yang staví na dlouhém kontextu, obřích MoE systémech a otevřené distribuci pro vývojáře.

Jejich společným výsledkem je pluralitnější špička AI. Rozšířili možnosti vývojářů, zpochybnili ekonomiku infrastruktury uzavřených modelů a oslabili představu, že Čína musí trvale zaostávat za Spojenými státy. Opatrnější — a lépe doložitelný — závěr zní: změnili konkurenční prostředí, ale o trvalosti této změny rozhodnou výpočetní omezení, nejistota benchmarků, schopnost vydělávat peníze a důvěra uživatelů.