AntwortenVeröffentlicht19 Quellen
DeepSeek V4.1 Flash verunsichert Speicheraktien: Was wirklich hinter dem KI-Chip-Schock steckt
DeepSeek zufolge benötigt V4.1 Flash für seinen Inferenz KV Cache nur noch ein Viertel des HBM und ein Achtel des persistenten Cache Speichers der Vorgängergeneration. Nach der Ankündigung gerieten zunächst Samsung Electronics und SK Hynix unter Druck; später weitete sich die Nervosität auf Chipwerte in Asien, Europ...
Veröffentlicht vonBearbeitet mit GPT-5.6 TerraBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- DeepSeek zufolge benötigt V4.1 Flash für seinen Inferenz KV Cache nur noch ein Viertel des HBM und ein Achtel des persistenten Cache Speichers der Vorgängergeneration.
- Nach der Ankündigung gerieten zunächst Samsung Electronics und SK Hynix unter Druck; später weitete sich die Nervosität auf Chipwerte in Asien, Europa und den USA aus.
- Entscheidend bleibt, ob geringerer Speicherbedarf je KI Anfrage die Gesamtnachfrage dämpft – oder KI Anwendungen dadurch so viel günstiger werden, dass ihre Nutzung stark zunimmt.
KI-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 hat mit V4.1 Flash eine Grundannahme des KI-Infrastrukturbooms ins Wanken gebracht: Mehr KI-Nutzung bedeutet nicht zwangsläufig, dass jede einzelne Anfrage immer mehr Speicher benötigt. Die von DeepSeek genannten Effizienzgewinne sind für Inferenz mit langem Kontext erheblich. Sie betreffen jedoch einen klar abgegrenzten Teil des Systems – den sogenannten KV-Cache – und nicht den gesamten Speicher- und Rechenbedarf beim Training oder Betrieb großer Modelle. 9
10
Der technische Kern: ein deutlich kleinerer KV-Cache
Ein KV-Cache speichert Aufmerksamkeitszustände aus bereits verarbeiteten Tokens. Dadurch muss ein Modell den bisherigen Gesprächs- oder Arbeitskontext nicht bei jedem weiteren Token komplett neu berechnen. Gerade bei langen Unterhaltungen und KI-Agenten mit vielen Arbeitsschritten wird dieser Cache wichtig – und speicherintensiv.
DeepSeek kombiniert bei V4.1 Flash die Wiederverwendung von KV-Caches über mehrere Schichten in der Compressed Sparse Attention 2 mit FP4-KV-Caching. Nach Angaben des Unternehmens liegt der globale KV-Cache bei 890 Byte pro Token – rund einem Viertel des entsprechenden Werts von V4-Flash. 9
Für kurzfenstrige Aufmerksamkeit setzt DeepSeek zudem auf eine Bereitstellungstechnik namens SWA Bounded Replay. Der Cache wird dabei nicht dauerhaft auf SSDs oder im Host-Speicher vorgehalten. Stattdessen nutzt das System vorübergehend einen verteilten Pool aus Host-DRAM und berechnet bei einem Cache-Fehltreffer einen begrenzten Kontextanteil neu. DeepSeek zufolge sinkt der dauerhaft vorzuhaltende KV-Cache so auf ungefähr ein Achtel des Werts der Vorgängergeneration. 1
9
Praktisch übersetzt bedeuten diese Angaben: Für die KV-Cache-Funktion wären gegenüber V4-Flash ungefähr 75 % weniger HBM (High Bandwidth Memory, besonders schneller Speicher für KI-Beschleuniger) und 87,5 % weniger dauerhaft benötigte SSD-Kapazität nötig. 9
10
Heißt das: viermal so viele gleichzeitige Nutzer?
Möglich wäre das theoretisch in einem Inferenzsystem, dessen Engpass vor allem die Kapazität aktiver KV-Caches ist. Wenn jede Anfrage mit langem Kontext nur etwa ein Viertel des bisherigen Cache-Speichers beansprucht, könnte dieselbe HBM-Ausstattung rechnerisch etwa viermal so viele aktive Caches aufnehmen.
Das ist allerdings eine Schlussfolgerung aus dem gemeldeten Speicherbedarf pro Token – kein unabhängig bestätigter End-to-End-Nachweis für eine vierfach höhere gleichzeitige Nutzerzahl. In der Praxis zählen auch Modellgewichte, verfügbare Rechenleistung, Netzwerkanbindung, Länge der Anfragen, Batching, Latenzvorgaben und die verwendete Serving-Software.
Warum Speicherwerte so heftig reagierten
An den Märkten ging es nicht darum, dass DeepSeek Speicher überflüssig gemacht hätte. Anleger stellten vielmehr die künftige Speicherintensität von KI-Workloads infrage. Hersteller von HBM sowie NAND- und Enterprise-SSDs profitierten bislang von der Erwartung, leistungsfähigere KI-Systeme benötigten immer mehr Speicher und Speicherinfrastruktur. Ein großer Effizienzsprung eröffnet dagegen die Möglichkeit, dass einzelne Inferenzaufgaben weniger Speicherbits und weniger persistenten Speicher verbrauchen.
Am 11. September fielen Samsung Electronics in Südkorea um 3,5 % und SK Hynix um 2,2 %, wie Bloomberg berichtete. 17 Andere Berichte meldeten in Seoul Rückgänge von jeweils mehr als 3 %, während Micron und SanDisk im frühen US-Handel zunächst vergleichsweise stabil blieben.
8
Für Anleger war das vor allem ein Bewertungsrisiko: Werden KI-Workloads speichereffizienter, könnten Erwartungen an Nachfragewachstum, Preissetzungsmacht und Investitionsausgaben der Speicherhersteller neu kalkuliert werden.
Vom Korea-Effekt zur breiteren Neubewertung des KI-Handels
Die Bewegung weitete sich später von der konkreten Sorge über effizientere Inferenz zu einer breiteren Neubewertung des KI-Investitionszyklus aus.
Nach Berichten über Forderungen nach einer langsameren Entwicklung von Spitzen-KI-Modellen gerieten Chipwerte weltweit unter Druck: SK Hynix und Samsung verloren in Südkorea 6,4 % beziehungsweise 4,1 %, der japanische Speicherhersteller Kioxia 6,4 %. Auch europäische Halbleiterwerte wie ASML, Infineon, ASM International, BE Semiconductor und STMicroelectronics gaben nach. 18 Ein weiterer Bericht nannte ein Minus von 11 % für SoftBank, 6,5 % für Kioxia und 1,2 % für Taiwan Semiconductor Manufacturing im asiatischen Handel.
19
Im US-Vorbörsenhandel verlor Marvell knapp 8 %; Intel, Micron und SanDisk wurden jeweils mit Rückgängen von rund 6 % genannt. 20
Diese Kursbewegungen sind kein Beweis dafür, dass jede einzelne Abwärtsbewegung mechanisch auf DeepSeek zurückging. Zinsen, hohe Bewertungen und allgemeinere Zweifel am KI-Wachstum bewegen Technologieaktien oft gleichzeitig. Doch die Veröffentlichung lieferte einen konkreten Anlass, eine verwundbare Annahme zu testen: Steigende KI-Nachfrage führt nicht automatisch zu einem proportional höheren Speicherbedarf pro Anfrage. 17
Warum Dario Amodeis Plädoyer für ein langsameres Tempo zusätzlichen Druck erzeugte
Der Abverkauf verstärkte sich, nachdem Anthropic-Chef Dario Amodei KI-Unternehmen dazu aufgerufen hatte, die Verbesserung von Spitzenmodellen langsamer voranzutreiben. Sein vorgeschlagener Rahmen sollte mehr Zeit schaffen, Risiken durch Missbrauch und Sicherheitsprobleme zu bewältigen.
Für Investoren in KI-Infrastruktur kamen damit zwei unterschiedliche Sorgen zusammen:
- Weniger Speicher je Inferenzaufgabe könnte die Speicherintensität reduzieren.
- Ein langsameres Rennen um Spitzenmodelle könnte besonders große Trainingsläufe und den Ausbau von Rechenzentren verschieben – also jene Investitionen, die Nachfrage nach Beschleunigern, HBM, Netzwerktechnik und Speicher stützen.
Ökonomisch sind das zwei verschiedene Mechanismen. Der Markt konnte beide aber als Risiko für einen KI-Ausbau werten, dessen Bewertungen von anhaltend hohem Wachstum ausgehen. Berichte brachten den breiteren Rückgang bei Chipwerten direkt mit den Forderungen nach einem langsameren KI-Entwicklungstempo in Verbindung. 18
20
Michael Burrys Vorwurf: „Eigeninteressierte“ Rhetorik
Investor Michael Burry kritisierte die Forderung nach einer Verlangsamung als eigennützig. Seine These: Führungskräfte großer KI-Unternehmen könnten davon profitieren, wenn sie ihre eigene Technologie als besonders schnell und potenziell gefährlich darstellen. Burry bezeichnete diese Darstellung als „IPO hype & puffery“. 14
Seiner Interpretation nach könnte ein langsameres Tempo etablierte Anbieter gegenüber kleineren Herausforderern bevorzugen und zugleich Knappheit, Glaubwürdigkeit und die Erzählung rund um künftige Börsengänge stärken. Das ist Burrys Sicht auf die Anreize der Unternehmen – kein Beleg dafür, dass die Sicherheitsbedenken unehrlich oder unbegründet sind. 14
Was DeepSeeks Ergebnis für die Chipnachfrage bedeutet – und was nicht
Die Ankündigung ist relevant, weil die zugrunde liegenden Ansätze als Investmentthema nicht exklusiv für DeepSeek sind. Niedrigere Präzision, Cache-Kompression, veränderte Attention-Architekturen, Wiederverwendung und bessere Serving-Systeme sind Richtungen, die auch andere Modellentwickler verfolgen können. Damit wird Inferenz-Speichereffizienz zu einem strukturellen Risiko für Anbieter, deren Erwartungen auf zunehmend mehr Speicher je KI-Anfrage beruhen. 9
Trotzdem sind die Grenzen der Aussage wichtig.
Es geht um den KV-Cache, nicht um den gesamten Speicherbedarf
DeepSeek hat nicht behauptet, das ganze Modell oder ein komplettes Rechenzentrum brauche 75 % weniger HBM und 87,5 % weniger SSD-Speicher. Der Vergleich bezieht sich ausschließlich auf den KV-Cache während der Inferenz und auf die vorherige DeepSeek-Architektur. Modellgewichte, weiterer Systemspeicher, Netzwerk- und sonstige Speicheranforderungen sind davon nicht erfasst. 10
Training bleibt ein eigener Nachfragefaktor
Die veröffentlichten Verbesserungen belegen keine vergleichbare Senkung des Rechen- und Speicherbedarfs beim Training von Spitzenmodellen. Eine KV-Cache-Optimierung als Beweis für einen Einbruch der gesamten KI-Halbleiternachfrage zu deuten, würde den Aussagegehalt der Ankündigung überziehen. 10
Effizienz kann die Nutzung sogar ausweiten
Günstigere und speicherschonendere Inferenz senkt zwar den Speicherverbrauch pro Anfrage. Sie kann zugleich Anwendungen mit langem Kontext, KI-Agenten-Workflows und selbst gehostete Installationen an mehr Orten wirtschaftlich machen. Wenn dadurch die Zahl der Nutzer und Anwendungen stark genug wächst, könnte die gesamte Speichernachfrage trotz geringerem Bedarf je Workload robust bleiben oder sogar steigen.
Fazit
DeepSeek V4.1 Flash legt eine Schwachstelle in der optimistischen KI-Speichererzählung offen: Der Speicherbedarf pro Inferenz-Workload kann durch bessere Architektur und Serving-Software deutlich fallen. Der gemeldete globale KV-Cache von 890 Byte pro Token und der auf ein Achtel reduzierte dauerhaft vorzuhaltende Cache erklären, weshalb Anleger ihre Annahmen zu HBM und SSDs rasch überprüften. 9
Die vorliegenden Informationen rechtfertigen aber nicht, von einem unmittelbaren Nachfrageschock für die gesamte Chipindustrie zu sprechen. Die angekündigten Einsparungen betreffen KV-Caching bei der Inferenz – nicht das Training und nicht den kompletten Rechenzentrums-Stack. Langfristig entscheidet der Wettlauf zweier Kräfte: sinkender Speicherbedarf pro KI-Aufgabe gegen möglicherweise stark wachsende KI-Nutzung dank niedrigerer Kosten.
Für Anleger in Speicheraktien lautet die entscheidende Frage damit nicht mehr nur, ob KI-Nutzung wächst. Entscheidend ist, ob das Wachstum der gesamten Workloads schneller voranschreitet als KI-Systeme lernen, Speicher effizienter zu nutzen.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „DeepSeek V4.1 Flash verunsichert Speicheraktien: Was wirklich hinter dem KI-Chip-Schock steckt“?
DeepSeek zufolge benötigt V4.1 Flash für seinen Inferenz KV Cache nur noch ein Viertel des HBM und ein Achtel des persistenten Cache Speichers der Vorgängergeneration.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
DeepSeek zufolge benötigt V4.1 Flash für seinen Inferenz KV Cache nur noch ein Viertel des HBM und ein Achtel des persistenten Cache Speichers der Vorgängergeneration. Nach der Ankündigung gerieten zunächst Samsung Electronics und SK Hynix unter Druck; später weitete sich die Nervosität auf Chipwerte in Asien, Europa und den USA aus.
Was soll ich als nächstes in der Praxis tun?
Entscheidend bleibt, ob geringerer Speicherbedarf je KI Anfrage die Gesamtnachfrage dämpft – oder KI Anwendungen dadurch so viel günstiger werden, dass ihre Nutzung stark zunimmt.
Quellen
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