DeepSeek, Z.ai ja Moonshot AI haastavat Piilaakson tekoälyn uudella tavalla

Kolmen kiinalaisen tekoäly-yhtiön merkitys ei rajoitu siihen, että niiden perustajat ovat julkaisseet näkyviä kielimalleja. DeepSeek, Z.ai ja Moonshot AI ovat laajentaneet käsitystä siitä, mitä tekoälyn kärkikilpailussa pitäisi mitata: mallin kyvykkyyden rinnalla painavat avoimuus, päättelyn hinta, kehittäjien pääsy malliin ja sen tuottamiseen tarvittavan laskennan määrä.

Tämä ei todista, että Kiina olisi ohittanut Piilaakson. Se osoittaa kuitenkin, että tekoälymarkkina ei ole enää yhtä yksiselitteisesti Yhdysvaltojen hallitsema. Mallin ei tarvitse olla suljettu, valtavan kallis tai yhdysvaltalaisen teknologiajätin tukema muuttaakseen koko alan odotuksia.

Kolme perustajaa, kolme erilaista reittiä tekoälyn kärkeen

Liang Wenfeng: DeepSeekin tehokkuuteen perustuva haaste

Liang opiskeli elektroniikka- ja viestintätekniikkaa Zhejiangin yliopistossa ennen kuin oli mukana perustamassa tekoälyä hyödyntävää kvantitatiivista hedge-rahastoa High-Flyeria. Hän perusti DeepSeekin vuonna 2023 ja toi perustamansa yhtiön tutkimukseen rahoitusmaailmasta tutun painotuksen matemaattiseen optimointiin ja laskennan tehokkuuteen. 4144

Tammikuussa 2025 julkaistu DeepSeek-R1 nousi yhtiön tunnetuimmaksi saavutukseksi. Päättelymalli julkaistiin ladattavine painoineen, ja sitä markkinoitiin edullisempana vaihtoehtona alan johtaville suljetuille järjestelmille. DeepSeekin omat kustannus- ja suorituskykyväitteet eivät yksin riitä korvaamaan riippumatonta arviointia, mutta ne olivat riittävän vaikuttavia muuttaakseen sijoittajien käsityksiä tekoälyn kouluttamisen ja ajamisen taloudesta. 172226

Markkinareaktio oli poikkeuksellisen voimakas. Nvidia menetti yhdessä päivässä 593 miljardia dollaria markkina-arvostaan, kun sijoittajat alkoivat kyseenalaistaa oletusta, jonka mukaan tekoälyn kärkitaso vaatisi jatkuvasti kasvavia laite- ja laskentabudjetteja. Kurssilasku korjaantui osittain pian, joten tapahtumaa on perustellumpaa pitää odotusten nopeana uudelleenarvottamisena kuin merkkinä kehittyneiden tekoälysirujen kysynnän katoamisesta. 1718

Myös Liangin filosofia erottaa DeepSeekia monista kilpailijoista. Reutersin mukaan hän on kuvannut yhtiön ensisijaiseksi tavoitteeksi pitkän aikavälin yleisen tekoälyn eli AGI:n kehittämisen lyhyen aikavälin voittojen maksimoinnin sijaan. Hänen mukaansa yhtiö todennäköisesti pitää kehittyneimmät mallinsa avoimina. 33 DeepSeekin tarkkaa rahoitusasemaa, arvostusta, listautumissuunnitelmia tai Liangin henkilökohtaista varallisuutta ei kuitenkaan ole saatavilla olevan näytön perusteella mahdollista esittää varmoina tietoina.

Tang Jie: Z.ain tie yliopistotutkimuksesta yrityskäyttöön

Tang Jie on Tsinghuan yliopiston tietojenkäsittelytieteen professori sekä Z.ain, aiemmin Zhipu AI:n, perustajajäsen ja päätutkija. Yhtiö syntyi Tsinghuan tutkimuksesta Pekingissä vuonna 2019, ja se alkoi julkaista GLM-malliperhettään vuonna 2021. 4950

Z.ain strategia on institutionaalisempi kuin DeepSeekin. Se yhdistää yliopistotaustaisen tutkimuksen kaupallisiin ja yritysasiakkaisiin suunnattuihin tavoitteisiin. GLM-malleissa on viime aikoina korostettu päättelyä, ohjelmointia, työkalujen käyttöä ja agenttimaisia työnkulkuja. Yhdysvaltain tekoälystandardien ja innovaatioiden keskuksen CAISIn raportin mukaan GLM-5.2 julkaistiin avoimilla painoilla 16. kesäkuuta 2026. 49

Tang on arvioinut DeepSeek-R1:n merkinneen aiemman, keskusteluihin keskittyneen vaiheen päättymistä ja ohjelmoinnin sekä päättelyn nousua keskeisiksi kyvykkyyksiksi tekoälyagenttien kehittyessä. 52 Tämä auttaa ymmärtämään Z.ain asemaa: se ei kilpaile vain sujuvista chatbot-vastauksista, vaan malleista, jotka kykenevät käsittelemään pidempiä tehtäväketjuja ja toimimaan ohjelmistotyökalujen kanssa.

Z.ai kuvastaa myös siirtymää yksityisestä tutkimuslaboratoriosta pääomamarkkinoilla toimivaksi yhtiöksi. Raporttien mukaan se oli kerännyt noin 1,25 miljardia dollaria rahoitusta vuoden 2025 puoliväliin mennessä. Yhdysvaltain julkisessa viranomaisarviossa todetaan, että yhtiö toteutti Hongkongin listautumisannin 8. tammikuuta 2026. 4950 Julkiset arviot yhtiön markkina-arvosta vaihtelevat, eikä niitä pidä pitää keskenään vaihtokelpoisina tai lopullisina. Tangin henkilökohtaisesta omaisuudesta ei myöskään ole riittävän luotettavaa näyttöä.

Yang Zhilin: Moonshot AI lyö vetoa pitkästä kontekstista

Yang Zhilin opiskeli Tsinghuan yliopistossa ja väitteli tohtoriksi Carnegie Mellon -yliopistossa. Hänen kerrotaan työskennelleen tutkijana myös Googlella ja Metalla ennen Moonshot AI:n perustamista Pekingissä vuonna 2023. 2712

Moonshot tuli aluksi tunnetuksi Kimi-palvelusta, joka yhdistettiin erityisesti pitkän kontekstin käsittelyyn. Yhtiön Kimi K3 laajensi tämän strategian erittäin suureksi avoimilla painoilla julkaistuksi järjestelmäksi. Lähteiden mukaan kyseessä on 2,8 biljoonan parametrin mixture-of-experts-malli, jonka konteksti-ikkuna yltää jopa miljoonaan tokeniin. 15

K3:n painot julkaistiin sen jälkeen, kun malli oli tullut saataville Moonshotin tuotteissa ja rajapinnassa. Näin kuluttajille suunnattu chatbot-liiketoiminta yhdistyi laajempaan kehittäjäalustaan. 2 Mallin mittakaava on huomionarvoinen, mutta parametrien määrä ei yksin kerro älykkyydestä, käyttökustannuksista tai käytännön hyödyllisyydestä. Riippumattomat tulokset tuloslistoilla voivat helpottaa vertailua, mutta sijoitukset muuttuvat eivätkä korvaa testausta luotettavuudessa, ohjelmoinnissa, turvallisuudessa ja todellisissa agenttitehtävissä.

Moonshotin rahoitusluvut ovat niin ikään muuttuvia. TechCrunch kertoi toukokuussa 2026 noin kahden miljardin dollarin rahoituskierroksesta, joka arvosti yhtiön 20 miljardiin dollariin. Myöhemmissä raporteissa on puhuttu yli 30 miljardin dollarin mahdollisesta arvostuksesta ja valmisteluista mahdollista Hongkongin listautumista varten. Nämä ovat yksityisten markkinoiden raportoituja arvioita, eivät tarkastettuja pörssiarvoja. 41215 Yangin henkilökohtaisesta varallisuudesta ei ole riittävän luotettavaa tietoa.

Miksi kyse ei ole vain yksinkertaisesta Yhdysvallat–Kiina-kilpailusta?

1. Kyvykkyyttä verrataan nyt kustannuksiin

DeepSeek teki tehokkaasta päättelystä alan puheenaiheen. Z.ai korostaa ohjelmointia, yrityskäyttöä ja agentteja. Moonshot yhdistää pitkän kontekstin, erittäin suuret avoimet mallit ja tuotteiden jakelun. Lähestymistavat ovat erilaisia, mutta kaikki kolme ohjaavat alaa saman kysymyksen äärelle: kuinka paljon hyödyllistä kyvykkyyttä kehittäjät saavat kutakin koulutukseen tai päättelyyn käytettyä dollaria kohti?

Vertailu ei ole ongelmaton. Koulutuskustannukset ovat usein yhtiöiden omia ilmoituksia, ja niistä saattavat puuttua datan, tuotekehityksen, laitteiden saatavuuden, arvioinnin ja käyttöönoton kulut. Strateginen vaikutus on silti todellinen: DeepSeek pakotti sijoittajat ja tutkimuslaboratoriot tarkastelemaan uudelleen oletuksia tekoälyn kustannuskäyrästä. 1722

2. Avoimet painot lisäävät kehittäjien vaihtoehtoja

Ladattavat mallipainot voivat antaa kehittäjille mahdollisuuden ajaa mallia omilla palvelimilla, hienosäätää sitä tai liittää sen omiin järjestelmiinsä ilman täydellistä riippuvuutta suljetusta rajapinnasta. Tämä tarjoaa DeepSeekille, GLM:lle ja Kimille väylän maailmanlaajuisiin ohjelmistoekosysteemeihin, vaikka yhtiöiden pääsy ulkomaisiin jakelukanaviin olisi rajallisempi.

”Avoimet painot” eivät kuitenkaan tarkoita automaattisesti täysin avointa lähdekoodia. Painot voidaan julkaista, vaikka koulutusdata, datankäsittelymenetelmät, koulutuskoodi ja koko kehitysputki jäävät paljastamatta. Ero on tärkeä toistettavuuden, lisenssien, tietoturvan ja hallinnon kannalta.

3. Markkinashokki ulottui tekoälylaboratorioiden ulkopuolelle

DeepSeekin tammikuussa 2025 julkaisema R1 vaikutti yhdysvaltalaisten teknologiayhtiöiden arvostuksiin, koska se haastoi oletuksen, jonka mukaan yhä kyvykkäämpi tekoäly vaatisi automaattisesti suhteessa enemmän huippuluokan laitteistoa. Nvidian yhden päivän tappio osoitti, kuinka nopeasti mallitasolla syntyvä innovaatio voi heijastua koko infrastruktuurikerrokseen. 1718

Moonshotin K3 herätti samantapaista huomiota: kiinalainen yhtiö saattoi julkaista avoimilla painoilla mallin, jonka mittakaava yhdistettiin aiemmin suurimpiin yhdysvaltalaisiin laboratorioihin. Reaktio kannattaa tulkita ennen kaikkea paineena alan vallitseville oletuksille, ei todisteena valmiiksi saavutetusta teknologisesta voitosta. 14

Seuraavan vaiheen ratkaisevat rajoitteet

Kaikki kolme yhtiötä kohtaavat edelleen merkittäviä rakenteellisia ongelmia.

• Laskenta ja laitteisto: Vientirajoitukset ja rajallinen pääsy kehittyneimpiin kiihdyttimiin vaikeuttavat huippumallien kouluttamista ja tarjoamista. Tehokkuustekniikat voivat kaventaa eroa, mutta ne eivät poista sirujen, sähkön, verkkoinfrastruktuurin, osaajien ja pääoman tarvetta. 45
• Kaupallistaminen: Avoimet tai edulliset mallit voivat levitä nopeasti samalla, kun niiden kehittäjien on vaikeampi muuttaa käyttöä tuloiksi. Teknisen huomion on jalostuttava kestäviksi yritys-, rajapinta- tai kuluttajaliiketoiminnoiksi.
• Benchmarkien epävarmuus: Kapea tai yhtiön itsensä raportoima voitto yhdessä testissä ei ratkaise luotettavuutta, monikielistä laatua, ohjelmointisuorituskykyä, turvallisuutta tai agenttien toimintavarmuutta. Väitteet ylivoimasta vaativat riippumatonta toistamista.
• Luottamus ja hallinto: Yksityisyys, tietoturva, sisältörajoitukset ja geopoliittinen tarkastelu voivat rajoittaa kansainvälistä käyttöönottoa, vaikka malli olisi teknisesti houkutteleva.
• Pääomamarkkinoiden paine: Z.ain toteutunut listautuminen antaa sille erilaisen rahoitusaseman kuin yksityiselle DeepSeekille, kun taas Moonshotin raportoidut listautumisvalmistelut ovat vasta suunnitelmia. DeepSeekin omistus- ja listautumisjärjestelyt ovat luotettavassa julkisessa raportoinnissa epäselvempiä. 495015

Johtopäätös

Liang Wenfeng, Tang Jie ja Yang Zhilin eivät toteuta yhtä yhtenäistä kiinalaista tekoälystrategiaa. Liang on tehnyt tehokkuudesta ja pitkän aikavälin AGI-tutkimuksesta DeepSeekin identiteetin ytimen. Tang vie yliopistosta lähtöisin olevaa perustamallien tutkimusta ohjelmointiin, agentteihin ja pörssiyhtiön mittakaavaan. Yang rakentaa pitkän kontekstin, valtavien mixture-of-experts-järjestelmien ja avoimen kehittäjäjakelun ympärille.

Yhdessä heidän saavutuksensa on tehnyt tekoälyn kärkikilpailusta moninapaisemman. He ovat laajentaneet kehittäjien vaihtoehtoja, haastaneet suljettujen mallien infrastruktuuritalouden ja heikentäneet oletusta, jonka mukaan Kiina jäisi pysyvästi Yhdysvaltojen taakse.

Varovaisempi johtopäätös on kuitenkin perustellumpi: nämä yhtiöt ovat muuttaneet kilpailuasetelmaa, mutta laskentatehon rajoitteet, epävarmat benchmarkit, kaupallistaminen ja luottamus ratkaisevat, kestääkö muutos.