Sådan ændrer DeepSeek, Z.ai og Moonshot AI Kinas AI-udfordring

Det afgørende ved Liang Wenfeng, Tang Jie og Yang Zhilin er ikke blot, at tre kinesiske grundlæggere har skabt markante AI-modeller. Tilsammen har DeepSeek, Z.ai og Moonshot AI udvidet definitionen af, hvad frontløberkonkurrence i kunstig intelligens handler om.

En model skal nu vurderes på mere end rå kapacitet. Pris ved brug, åbenhed, adgang for udviklere og den nødvendige computerkraft tæller også.

Det beviser ikke, at Kina har overhalet Silicon Valley. Men det viser, at markedet er blevet mindre entydigt amerikansk – og at en model ikke behøver være lukket, ekstremt dyr eller støttet af en børsnoteret amerikansk teknologigigant for at påvirke de globale forventninger.

Tre grundlæggere – tre veje ind i AI-fronten

Liang Wenfeng: DeepSeeks fokus på effektivitet

Liang Wenfeng studerede elektronik- og kommunikationsteknik på Zhejiang University, før han var med til at grundlægge den AI-drevne kvantitative hedgefond High-Flyer. I 2023 etablerede han DeepSeek og tog en baggrund i matematik, optimering og effektiv udnyttelse af computerkraft med ind i udviklingen af grundmodeller. 4144

DeepSeek-R1, som blev udgivet i januar 2025, blev virksomhedens store gennembrud. Modellen er udviklet til ræsonnement og blev distribueret med downloadbare modelvægte som et billigere alternativ til førende, lukkede systemer.

DeepSeeks egne oplysninger om pris og ydeevne kan ikke stå alene som en uafhængig evaluering. De var dog stærke nok til at få investorer til at genoverveje økonomien i træning og drift af avancerede AI-modeller. 172226

Markedsreaktionen var usædvanligt voldsom. Nvidia mistede 593 milliarder dollar i markedsværdi på én dag, fordi investorer begyndte at spørge, om AI-fronten virkelig krævede de enorme og stadigt voksende hardwarebudgetter, som branchen havde vænnet sig til. Udsalget blev delvist hentet ind igen kort efter. Det peger derfor snarere på en hurtig ændring i forventningerne end på, at efterspørgslen efter avancerede chips var forsvundet. 1718

Liangs filosofi skiller sig også ud. Reuters har rapporteret, at han har beskrevet DeepSeeks prioritet som langsigtet kunstig generel intelligens, AGI, frem for at maksimere kortsigtet profit. Han har samtidig sagt, at virksomheden sandsynligvis vil holde sine mest avancerede modeller åbne. 33

Der findes ikke tilstrækkeligt pålidelige offentlige oplysninger til at fastslå DeepSeeks samlede finansiering, værdiansættelse, børsplaner eller Liangs personlige formue som sikre fakta.

Tang Jie: Z.ais vej fra forskning til erhvervsliv

Tang Jie er professor i datalogi på Tsinghua University samt medstifter og chefforsker i Z.ai, der tidligere var kendt som Zhipu AI. Virksomheden udsprang af Tsinghua-forskning i Beijing i 2019 og begyndte at udgive sin GLM-familie af sprogmodeller i 2021. 4950

Z.ais strategi er mere institutionelt forankret end DeepSeeks. Den kombinerer et universitetsbaseret forskningsmiljø med kommercielle og erhvervsrettede ambitioner. GLM-modellerne har i stigende grad fokuseret på ræsonnement, programmering, værktøjsbrug og såkaldte agentiske arbejdsgange, hvor AI-systemer kan udføre længere opgaver ved at interagere med software.

USA's Center for AI Standards and Innovation har rapporteret, at GLM-5.2 blev udgivet som en model med åbne vægte den 16. juni 2026. 49

Tang har argumenteret for, at DeepSeek-R1 markerede afslutningen på en tidligere, chatcentreret fase, og at programmering og ræsonnement bliver vigtigere, efterhånden som AI-agenter udvikler sig. 52 Det er en nyttig nøgle til at forstå Z.ais placering i markedet: Målet er ikke kun at konkurrere på flydende chatbot-svar, men at udvikle modeller, der kan løse længere opgaver og bruge digitale værktøjer.

Z.ai viser også, hvordan et privat forskningslaboratorium kan bevæge sig ind på kapitalmarkederne. Ifølge rapporter havde virksomheden rejst omkring 1,25 milliarder dollar inden midten af 2025, mens en offentlig amerikansk regeringsvurdering oplyser, at den gennemførte en børsnotering i Hongkong den 8. januar 2026. 4950

De offentlige estimater for Z.ais markedsværdi varierer og bør derfor ikke behandles som entydige eller endelige. Der er heller ikke tilstrækkelige pålidelige oplysninger om Tangs personlige formue.

Yang Zhilin: Moonshot AIs satsning på lange kontekster

Yang Zhilin studerede på Tsinghua University og tog en ph.d. på Carnegie Mellon University. Ifølge flere omtaler har han desuden forsket hos Google og Meta, før han var med til at grundlægge Moonshot AI i Beijing i 2023. 2712

Moonshot fik først stor opmærksomhed med chatbotten Kimi, hvis profil var tæt forbundet med lange kontekster – altså evnen til at håndtere meget store mængder tekst i samme samtale eller opgave.

Virksomhedens Kimi K3 fører denne strategi videre i en langt større model. Kilder beskriver K3 som en mixture-of-experts-model med 2,8 billioner parametre og et kontekstvindue på op til én million tokens. 15

Modelvægtene blev frigivet, efter at K3 var blevet gjort tilgængelig gennem Moonshots produkter og API. Dermed kobler virksomheden en forbrugerrettet chatbotforretning sammen med en bredere platform for udviklere. 2

Modellens størrelse er bemærkelsesværdig, men antallet af parametre er ikke i sig selv et mål for intelligens, driftsomkostninger eller praktisk nytte. Uafhængige ranglister kan være nyttige til sammenligning, men resultaterne ændrer sig, og rangeringer kan ikke erstatte test af pålidelighed, programmering, sikkerhed og virkelige agentopgaver.

Moonshots finansieringstal er ligeledes omskiftelige. TechCrunch rapporterede om en runde på omkring 2 milliarder dollar ved en værdiansættelse på 20 milliarder dollar i maj 2026. Senere rapporter beskrev en mulig værdi på over 30 milliarder dollar og forberedelser til en mulig børsnotering i Hongkong. Det er private markedsestimater – ikke reviderede værdier fra et offentligt marked. 41215

Der er ikke tilstrækkelige pålidelige oplysninger om Yangs personlige formue.

Hvorfor er dette mere end et simpelt kapløb mellem USA og Kina?

1. Kapacitet bliver målt op mod pris

DeepSeek gjorde effektivt ræsonnement til overskriften. Z.ai lægger vægt på programmering, virksomhedsanvendelse og AI-agenter. Moonshot kombinerer lange kontekster, meget store åbne modelvægte og produktdistribution.

Tilgangene er forskellige, men alle tre virksomheder skubber branchen mod et bredere spørgsmål: Hvor meget nyttig kapacitet får udviklere for hver dollar, der bruges på træning eller drift?

Sammenligningen er ikke enkel. Rapporterede træningsomkostninger er ofte virksomhedernes egne oplysninger, og udgifter til data, ingeniørarbejde, hardwareadgang, evaluering og implementering kan være udeladt. Den strategiske effekt er dog reel: DeepSeek tvang investorer og AI-laboratorier til at genoverveje antagelserne om omkostningskurven for de mest avancerede modeller. 1722

2. Åbne modelvægte giver udviklere flere muligheder

Downloadbare modelvægte kan gøre det muligt for udviklere at køre modeller på egne servere, finjustere dem eller integrere dem uden udelukkende at være afhængige af en lukket API. Det giver DeepSeek, GLM og Kimi en vej ind i globale softwareøkosystemer, også selv om virksomhederne har mindre adgang til udenlandsk distribution.

»Åbne modelvægte« er dog ikke nødvendigvis det samme som fuld open source. Modelvægtene kan være tilgængelige, mens træningsdata, databehandling, træningskode og hele udviklingsprocessen fortsat holdes hemmelig. Forskellen har betydning for reproducerbarhed, licenser, sikkerhed og regulering.

3. Markedschokket nåede langt uden for AI-laboratorierne

DeepSeeks udgivelse i januar 2025 påvirkede amerikanske teknologiaktier, fordi den udfordrede antagelsen om, at mere avanceret AI automatisk kræver forholdsmæssigt mere high-end-hardware. Nvidias tab på én dag viste, hvor hurtigt innovation på modelniveau kan påvirke hele infrastrukturniveauet. 1718

Moonshots Kimi K3 skabte en lignende opmærksomhed omkring muligheden for, at en kinesisk virksomhed kunne udgive en model med åbne vægte i en størrelsesorden, der normalt forbindes med de største amerikanske laboratorier.

Reaktionen bør dog forstås som et pres på de gældende antagelser – ikke som bevis på en afsluttet teknologisk sejr. 14

De begrænsninger, der kan afgøre næste fase

De tre virksomheder står stadig over for betydelige strukturelle problemer:

• Computerkraft og hardware: Eksportkontrol og begrænset adgang til de mest avancerede acceleratorer gør træning og drift af frontmodeller vanskeligere. Effektivitetsteknikker kan mindske forskellen, men de fjerner ikke behovet for chips, strøm, netværk, teknisk ekspertise og kapital. 45
• Kommercialisering: Åbne eller billige modeller kan sprede sig hurtigt, samtidig med at det bliver sværere for skaberne at omsætte udbredelsen til indtjening. Teknisk opmærksomhed skal blive til holdbare forretninger inden for erhverv, API-tjenester eller forbrugerprodukter.
• Usikre benchmarks: En snæver eller selvrapporteret benchmarksejr afgør ikke modellens pålidelighed, flersprogede kvalitet, programmeringsevner, sikkerhed eller robusthed som agent. Påstande om overlegenhed kræver uafhængig efterprøvning.
• Tillid og regulering: Privatliv, sikkerhed, indholdsbegrænsninger og geopolitisk kontrol kan begrænse international udbredelse, også når en model teknisk set er attraktiv.
• Pres fra kapitalmarkederne: Z.ais gennemførte børsnotering giver virksomheden en anden finansieringsposition end det private DeepSeek, mens Moonshots rapporterede børsforberedelser stadig er fremtidige planer. DeepSeeks ejerforhold og eventuelle børsplaner er mindre klare i den pålidelige offentlige rapportering. 495015

Konklusionen

Liang Wenfeng, Tang Jie og Yang Zhilin følger ikke én samlet kinesisk AI-strategi.

Liang har gjort effektivitet og langsigtet AGI-forskning til en central del af DeepSeeks identitet. Tang fører universitetsbaseret forskning i grundmodeller videre mod programmering, AI-agenter og en skala, der også omfatter aktiemarkedet. Yang bygger Moonshot omkring lange kontekster, enorme mixture-of-experts-systemer og åbne distributionskanaler for udviklere.

Deres samlede bedrift er at gøre AI-fronten mere mangfoldig. De har udvidet udviklernes valgmuligheder, udfordret økonomien bag lukkede modeller og svækket forestillingen om, at Kina permanent må være bagefter USA.

Den mere forsigtige konklusion er også den mest holdbare: De har ændret konkurrencebilledet, men computerbegrænsninger, uklare benchmarks, kommercialisering og tillid bliver afgørende for, om forandringen varer ved.