AnswersPublished19 sources
DeepSeek V4.1 Flash skræmte hukommelsesaktier – men afgør ikke AI-chipdebatten
DeepSeek V4.1 Flash oplyser, at modellen bruger en fjerdedel så meget HBM til sin KV cache som forgængeren og en ottendedel så meget vedvarende cachelager. Nyheden pressede først Samsung Electronics og SK Hynix i Sydkorea, før en bredere AI og chipnedtur ramte aktier i Asien, Europa og USA.
Udgivet afRedigeret med GPT-5.6 TerraBilleder genereret med GPT Image 2
Research answer
Key takeaways
- DeepSeek V4.1 Flash oplyser, at modellen bruger en fjerdedel så meget HBM til sin KV cache som forgængeren og en ottendedel så meget vedvarende cachelager.
- Nyheden pressede først Samsung Electronics og SK Hynix i Sydkorea, før en bredere AI og chipnedtur ramte aktier i Asien, Europa og USA.
- Det afgørende spørgsmål er, om lavere hukommelsesforbrug pr. AI forespørgsel mindsker det samlede salg – eller gør AI så billigere, at brugen vokser endnu hurtigere.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did DeepSeek’s V4.1 Flash model trigger a selloff in memory-chip and broader technology stocks, what architectural changes did it introd. Article summary: DeepSeek V4.1 Flash caused a sharp reassessment of AI-memory demand because it claimed to cut the KV-cache memory used in long-context inference to one-quarter of its predecessor’s level and persistent SSD use to one-eig. Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
DeepSeek V4.1 Flash ramte investorernes nerver, fordi modellen udfordrede en vigtig præmis i AI-infrastrukturboomet: At mere AI-brug automatisk betyder mere hukommelse til hver opgave.
DeepSeeks påståede effektivisering er markant, særligt ved lange samtaler og agentlignende AI-opgaver. Men den gælder en bestemt del af AI-driften – den såkaldte KV-cache under inferens, altså når modellen bruges – og ikke hele datacenterets behov for hukommelse, lagring og regnekraft. 9
10
Hvad har DeepSeek ændret?
En KV-cache gemmer modellens opmærksomhedstilstand fra tidligere tokens, så den ikke behøver at genberegne konteksten for hvert nyt ord eller tegn. Den bliver hurtigt dyr i hukommelse ved lange chats, dokumentanalyser og AI-agenter, der arbejder over mange trin.
DeepSeek oplyser, at V4.1 Flash kombinerer genbrug af KV-cache på tværs af lag i Compressed Sparse Attention 2 med FP4 KV-caching. Resultatet skulle være et globalt KV-cacheaftryk på 890 byte pr. token – cirka en fjerdedel af niveauet i DeepSeek-V4-Flash. 9
Dertil kommer en driftsoptimering kaldet SWA Bounded Replay. For kortvinduet opmærksomhed gemmes cachen ikke længere vedvarende på SSD eller i værtsmaskinens hukommelse. I stedet anvendes en midlertidig, distribueret pulje af værts-DRAM, og en afgrænset mængde kontekst genberegnes, hvis cachen mangler. DeepSeek siger, at det reducerer den vedvarende KV-cache til omkring en ottendedel af den foregående generations niveau. 1
9
Det svarer i praksis til omkring 75 % mindre HBM og 87,5 % mindre vedvarende SSD-kapacitet – men kun for KV-cachefunktionen sammenlignet med V4-Flash. 9
10
Betyder det fire gange så mange samtidige brugere?
Det kan det i teorien gøre i en serveropsætning, hvor den aktive KV-cache er den primære flaskehals. Hvis hver lang forespørgsel bruger en fjerdedel af den tidligere cachehukommelse, kan den samme HBM-pulje i princippet rumme omtrent fire gange så mange aktive caches.
Men det er en kapacitetsberegning ud fra DeepSeeks tal pr. token – ikke et uafhængigt, dokumenteret resultat for samlet samtidighed. Antallet af brugere afhænger også af modelvægte, beregningskraft, netværk, forespørgslernes længde, batching, svartidskrav og serveringssoftware.
Derfor reagerede hukommelsesaktierne så voldsomt
Markedet handlede ikke på, at DeepSeek havde gjort hukommelse overflødig. Bekymringen handlede om den fremtidige intensitet i efterspørgslen.
Producenter af HBM – high-bandwidth memory, den meget hurtige hukommelse i AI-servere – samt NAND- og enterprise-SSD-selskaber har nydt godt af forventningen om, at stadigt stærkere AI-systemer vil kræve mere hukommelse og lagring. En teknisk forbedring, der sænker hukommelsesforbruget pr. inferensopgave, rejser derfor tvivl om antagelserne bag vækst, priser og investeringer i ny kapacitet.
Den 11. september faldt Samsung Electronics 3,5 % og SK Hynix 2,2 % i Sydkorea efter DeepSeeks offentliggørelse, ifølge Bloomberg. 17 Andre markedsrapporter beskrev fald på over 3 % for de to sydkoreanske selskaber, mens Micron og SanDisk i første omgang klarede sig bedre i amerikansk handel.
8
For investorer var risikoen især knyttet til værdiansættelser: Hvis AI-arbejdsbelastninger kræver færre hukommelsesbits og mindre permanent lagring, kan forventningerne til leverandørernes efterspørgsel og indtjening blive nødt til at falde.
Salget bredte sig til flere markeder
Bevægelsen udviklede sig senere fra en konkret bekymring om inferenshukommelse til en bredere revurdering af AI-investeringerne.
Efter opfordringer til at sænke tempoet i udviklingen af de mest avancerede AI-modeller faldt SK Hynix og Samsung henholdsvis 6,4 % og 4,1 %, mens Japans Kioxia faldt 6,4 %. I Europa handlede blandt andre ASML, Infineon, ASM International, BE Semiconductor og STMicroelectronics lavere. 18 En anden rapport beskrev et fald på 11 % for SoftBank, 6,5 % for Kioxia og 1,2 % for Taiwan Semiconductor Manufacturing.
19
I den amerikanske førmarkedshandel faldt Marvell med næsten 8 %, mens Intel, Micron og SanDisk hver især blev meldt ned omkring 6 %. 20
Det er dog vigtigt ikke at læse kursfaldene som bevis på, at én DeepSeek-lancering mekanisk udløste alle fald. Renter, høje værdiansættelser og usikkerhed om AI-væksten kan presse teknologisektoren samtidig. Men DeepSeek gav markedet en konkret anledning til at afprøve en sårbar antagelse: Mere AI-brug behøver ikke at føre til proportionalt større hukommelsesforbrug pr. forespørgsel. 17
Amodeis forslag gav investorerne endnu en bekymring
Presset blev forstærket, da Anthropics topchef Dario Amodei opfordrede AI-selskaber til at sænke tempoet i udviklingen af kapabiliteter i såkaldte frontier-modeller – de mest avancerede modeller. Hans forslag skulle give mere tid til at håndtere misbrug og sikkerhedsrisici.
For investorer i AI-infrastruktur lagde det to forskellige risici oven på hinanden:
- Mindre hukommelse pr. inferensopgave kan sænke hukommelsesintensiteten.
- Et langsommere kapløb om frontier-modeller kan udskyde de største træningskørsler og udbygninger af datacentre, som driver efterspørgslen efter acceleratorer, HBM, netværk og lagring.
De to mekanismer er økonomisk forskellige. Men markedet kunne med god grund opfatte dem begge som en udfordring for en AI-udbygning, der allerede var prisfastsat efter fortsat meget høj vækst. Rapporter kædede den bredere chipnedtur direkte sammen med investorernes reaktion på opfordringerne til at sænke AI-tempoet. 18
20
Michael Burrys kritik: »selvbetjenende« hype
Investoren Michael Burry kritiserede budskabet om langsommere AI-udvikling som selvbetjenende. Han argumenterede for, at chefer i førende AI-selskaber kan have fordel af at fremstille deres egen teknologi som farligt hurtigt fremadskridende, og han kaldte indramningen for »IPO hype & puffery«. 14
Hans pointe var, at en opbremsning kan favorisere etablerede virksomheder frem for mindre udfordrere, samtidig med at den styrker fortællingen om knaphed, troværdighed og mulige fremtidige børsnoteringer. Det er Burrys fortolkning af selskabernes incitamenter – ikke dokumentation for, at sikkerhedsbekymringerne er uærlige eller ubegrundede. 14
Hvad betyder det reelt for chip-efterspørgslen?
DeepSeeks resultat er væsentligt, fordi de tekniske principper ikke er unikke for ét selskab. Lavere præcision, cachekomprimering, nye attention-designs, genbrug og bedre serveringssoftware er retninger, som andre modeludviklere også kan følge. Derfor er bedre hukommelseseffektivitet ved inferens en strukturel risiko for leverandører, hvis forventninger bygger på stadigt mere hukommelse i hver AI-forespørgsel. 9
Men konklusionen har klare grænser.
Det gælder KV-cache – ikke hele systemet
DeepSeek har ikke sagt, at hele modellen eller hele datacentret bruger 75 % mindre HBM og 87,5 % mindre SSD-kapacitet. Sammenligningen gælder specifikt KV-cachen under inferens og er målt mod selskabets foregående arkitektur. Modelvægte, anden systemhukommelse, netværk og øvrigt lagringsbehov ligger uden for denne snævre sammenligning. 10
Træning er en separat efterspørgselsmotor
De offentliggjorte forbedringer dokumenterer ikke tilsvarende fald i den regnekraft og hukommelse, der kræves for at træne frontier-modeller. Det ville derfor være en overfortolkning at bruge en KV-cacheoptimering som bevis på et sammenbrud i al AI-relateret efterspørgsel efter halvledere. 10
Effektivitet kan også skabe mere brug
Billigere og mindre hukommelsestung inferens svækker ganske vist forbruget pr. forespørgsel. Men den kan også gøre lange kontekster, AI-agenter og selvhostede løsninger økonomisk attraktive for langt flere virksomheder og brugere.
Hvis antallet af anvendelser og brugere vokser hurtigt nok, kan den samlede efterspørgsel efter hukommelse holde sig stærk – eller endda stige – selv om hver enkelt opgave kræver mindre.
Bundlinjen
DeepSeek V4.1 Flash pegede på et svagt punkt i den optimistiske fortælling om AI-hukommelse: Hukommelsesforbruget pr. inferensopgave kan falde kraftigt, når modelarkitektur og serveringssoftware bliver bedre. Det oplyste globale KV-cacheaftryk på 890 byte pr. token og en vedvarende cache på en ottendedel af tidligere niveau forklarer, hvorfor investorer hurtigt genovervejede antagelser om HBM og SSD. 9
Men nyheden er ikke i sig selv bevis for et akut efterspørgselschok i chipindustrien. De annoncerede reduktioner vedrører KV-caching under inferens – ikke træning af modeller eller hele datacenterets infrastruktur.
På længere sigt står to kræfter over for hinanden: mindre hukommelsesforbrug pr. AI-opgave og potentielt langt bredere AI-anvendelse, fordi omkostningerne falder. For investorer i hukommelsesaktier er spørgsmålet derfor ikke længere kun, om AI-brugen vokser. Det er, om den samlede vækst i arbejdsbelastninger kan gå hurtigere end AI-systemernes evne til at bruge hukommelsen mere effektivt.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "DeepSeek V4.1 Flash skræmte hukommelsesaktier – men afgør ikke AI-chipdebatten"?
DeepSeek V4.1 Flash oplyser, at modellen bruger en fjerdedel så meget HBM til sin KV cache som forgængeren og en ottendedel så meget vedvarende cachelager.
What are the key points to validate first?
DeepSeek V4.1 Flash oplyser, at modellen bruger en fjerdedel så meget HBM til sin KV cache som forgængeren og en ottendedel så meget vedvarende cachelager. Nyheden pressede først Samsung Electronics og SK Hynix i Sydkorea, før en bredere AI og chipnedtur ramte aktier i Asien, Europa og USA.
What should I do next in practice?
Det afgørende spørgsmål er, om lavere hukommelsesforbrug pr. AI forespørgsel mindsker det samlede salg – eller gør AI så billigere, at brugen vokser endnu hurtigere.
Sources
alphaxiv.orgDeepSeek-V4.1-Flash: Pushing the Limits of KV Cache ...
finance.yahoo.comDeepSeek Cut Its KV-Cache HBM Need 75% and SSD Need 87.5%. Micron and Sandisk Investors Should Pay Attention
marktechpost.comDeepSeek AI Released DeepSeek-V4.1-Flash with 1M Context, FP4 KV Cache, and Cross-Layer Attention Reuse
bloomberg.comDeepSeek Hands Memory Stock Investors Fresh Reason for Caution