DeepSeek V4.1-Flash ने HBM और स्टोरेज शेयरों में बिकवाली क्यों कराई

DeepSeek के V4.1-Flash मॉडल ने बाजार के सामने एक सीधा सवाल रख दिया: क्या अधिक सक्षम AI का अर्थ हर बार प्रति उपयोगकर्ता या प्रति अनुरोध अधिक मेमोरी और स्टोरेज होना ही है? इस सवाल ने AI से जुड़ी मेमोरी कंपनियों के मूल्यांकन पर दबाव डाला। यह AI मेमोरी की दीर्घकालिक मांग खत्म होने का प्रमाण नहीं, बल्कि उस धारणा की तेज़ी से हुई पुनर्समीक्षा थी।

DeepSeek ने वास्तव में क्या बदला?

DeepSeek ने कहा कि V4.1-Flash के की-वैल्यू (KV) कैश को पिछली पीढ़ी की तुलना में केवल एक-चौथाई हाई-बैंडविड्थ मेमोरी (HBM) और एक-आठवां SSD स्टोरेज चाहिए। कंपनी ने यह भी कहा कि एजेंट-आधारित वर्कलोड में कैश-हिट की लागत खर्च का बड़ा हिस्सा हो सकती है। 29

KV कैश को सरल शब्दों में ऐसे समझें: मॉडल किसी लंबी बातचीत या काम में पहले पढ़े गए टोकन का ध्यान-संदर्भ संभालकर रखता है, ताकि हर बार पुराने संदर्भ की गणना दोबारा न करनी पड़े। इसलिए लंबे कॉन्टेक्स्ट और AI एजेंट वाले इन्फरेंस वर्कलोड में यह क्षमता की महत्वपूर्ण सीमा बन सकता है।

हालांकि, इस दावे की सीमा समझना जरूरी है। DeepSeek ने यह नहीं कहा कि पूरा AI सिस्टम अचानक 75% कम HBM या 87.5% कम स्टोरेज लेगा। तुलना केवल KV कैश की जरूरत और DeepSeek की अपनी पिछली आर्किटेक्चर के बीच है। मॉडल वेट्स, ट्रेनिंग इंफ्रास्ट्रक्चर और अन्य हिस्सों को अब भी काफी मेमोरी और स्टोरेज चाहिए। 25

मेमोरी और स्टोरेज शेयरों पर असर क्यों पड़ा?

निवेशकों के लिए इसका संकेत साफ था। यदि समान तरह के AI इन्फरेंस को कम कैश मेमोरी में चलाया जा सकता है, तो एक तय हार्डवेयर पूल पर अधिक सेशन संभाले जा सकते हैं। इससे प्रति वर्कलोड मेमोरी की तीव्रता कम हो सकती है और HBM तथा एंटरप्राइज स्टोरेज की मांग व कीमतों के निकट-अवधि अनुमानों पर सवाल उठ सकते हैं।

बाजार ने इसी आशंका पर प्रतिक्रिया दी। सियोल में Samsung के शेयर 3.5% और SK Hynix के शेयर 2.2% गिरे। 49 बाद में अमेरिकी कारोबार में भी मेमोरी और स्टोरेज कंपनियों के शेयरों पर दबाव रहा। रिपोर्टों में DeepSeek की कम HBM और SSD जरूरतों को AI इंफ्रास्ट्रक्चर मांग के अनुमान बदलने की वजहों में गिना गया। 5152

इसका अर्थ यह नहीं कि हर गिरावट की वजह सिर्फ एक मॉडल रिलीज थी। सेमीकंडक्टर शेयरों पर आय अनुमान, आपूर्ति की स्थिति, ब्याज दरें, व्यापक जोखिम-रुझान और डेटा सेंटर पूंजीगत खर्च जैसे कई कारक असर डालते हैं। फिर भी, प्रतिक्रिया ने दिखाया कि AI से जुड़ी कंपनियों के मूल्यांकन इस बात के प्रति कितने संवेदनशील हैं कि सॉफ्टवेयर और मॉडल आर्किटेक्चर प्रति AI सेवा के लिए जरूरी हार्डवेयर घटा सकते हैं।

दूसरा दबाव: फ्रंटियर AI की रफ्तार धीमी करने की बहस

दक्षता की यह खबर एक अलग चिंता के साथ आई। Anthropic के CEO डारियो अमोदेई ने अपने निबंध We Must Pace the Frontier में AI क्षमताओं के सुधार की रफ्तार धीमी करने की दलील दी, ताकि कंपनियों और सरकारों को अधिक सक्षम प्रणालियों को सुरक्षित और संरेखित करने का समय मिले। उन्होंने साफ किया कि “पेसिंग” का मतलब मॉडल ट्रेनिंग या तकनीकी प्रगति रोकना नहीं है। उनके प्रस्ताव में स्वतंत्र तृतीय-पक्ष मूल्यांकनकर्ताओं की भागीदारी, लोकतांत्रिक सरकारों के बीच समन्वय और वैश्विक समन्वय शामिल है। 40

बाजार ऐसी धीमी क्षमता-वृद्धि को—भले ही यह ट्रेनिंग फ्रीज न हो—एक जोखिम के रूप में पढ़ सकता है: कुछ एक्सेलरेटर, नेटवर्किंग, मेमोरी और डेटा सेंटर खर्च टल सकते हैं। संबंधित बाजार रिपोर्टों के दिन Nasdaq-100 फ्यूचर्स 1.77% नीचे थे; Marvell 7% से अधिक, Intel करीब 6% और Micron 5% से अधिक नीचे थे। 51

दोनों घटनाएं अलग हैं:

• DeepSeek ने दक्षता का सवाल उठाया: हर इन्फरेंस वर्कलोड को कितनी मेमोरी और स्टोरेज चाहिए?
• पेसिंग की बहस ने समय का सवाल उठाया: ज्यादा सक्षम फ्रंटियर AI सिस्टम कितनी तेजी से बनाए और तैनात किए जाएंगे?

मिलकर, इन दोनों ने AI इंफ्रास्ट्रक्चर की मांग के सबसे आक्रामक पूर्वानुमानों को कम निश्चित बना दिया।

माइकल बरी की आलोचना

निवेशक माइकल बरी ने AI विकास धीमा करने की उद्योग की बयानबाजी को “स्वार्थसिद्ध” बताया। उनका तर्क था कि इससे स्थापित फ्रंटियर लैब्स को लाभ और प्रतिस्पर्धियों को नुकसान हो सकता है, संभावित सार्वजनिक निर्गमों के लिए “हाइप एंड पफरी” पैदा हो सकती है, और धीमी होती वृद्धि को छिपाने का आवरण मिल सकता है। उन्होंने यह भी कहा कि बड़े भाषा मॉडल (LLM) कृत्रिम सामान्य बुद्धिमत्ता (AGI) नहीं हैं, इसलिए उस अर्थ में धीमा करने को कुछ है ही नहीं। 14

ये प्रतिस्पर्धा, मूल्यांकन और AI क्षमताओं पर बरी के विचार हैं, कोई स्थापित तकनीकी निष्कर्ष नहीं। बाजार के लिए अहम बात यह रही कि AI की रफ्तार धीमी करने की बहस को सुरक्षा के साथ-साथ प्रोत्साहनों और व्यावसायिक हितों के नजरिये से भी देखा गया।

तेजी वाले मेमोरी तर्क के लिए इसका मतलब

AI मेमोरी को लेकर पुराना सरल तर्क रैखिक था: बड़े मॉडल, लंबे कॉन्टेक्स्ट विंडो और ज्यादा AI उपयोगकर्ता, यानी ज्यादा HBM, NAND और स्टोरेज क्षमता। DeepSeek ने इसके सामने एक अहम प्रतिकारक शक्ति रखी है—आर्किटेक्चरल दक्षता।

मांग को बेहतर ढंग से समझने के लिए दो अलग प्रश्न देखने होंगे:

1. प्रति वर्कलोड जरूरी मेमोरी: बेहतर KV-कैश डिजाइन इसे घटा सकता है।
2. वर्कलोड की कुल संख्या और तीव्रता: अधिक उपयोगकर्ता, लंबे कॉन्टेक्स्ट और स्वायत्त एजेंट इसे बढ़ा सकते हैं।

पहले आंकड़े में गिरावट से दूसरे का नतीजा अपने-आप तय नहीं होता। सस्ती और अधिक कुशल इन्फरेंस AI अपनाने की रफ्तार बढ़ा सकती है और कुल अनुरोधों की संख्या बढ़ा सकती है। लेकिन यदि दक्षता का प्रसार उपयोग की वृद्धि से तेज हो, तो एक निश्चित AI आउटपुट के लिए आवश्यक हार्डवेयर घट सकता है।

लंबी अवधि का फैसला अभी खुला क्यों है?

V4.1-Flash का सबसे सीधा असर इन्फरेंस सर्विंग और KV कैश पर है। DeepSeek की तुलना मॉडल वेट्स या ट्रेनिंग में इस्तेमाल होने वाली मेमोरी को खत्म नहीं करती। 25 यह फर्क अहम है, क्योंकि ट्रेनिंग और मॉडल सर्विंग की कंप्यूट, मेमोरी और इंटरकनेक्ट की जरूरतें अलग होती हैं।

मुख्य अनिश्चितता यह नहीं कि बताई गई दक्षता बढ़त महत्वपूर्ण है या नहीं—वह है—बल्कि यह है कि क्या इससे कुल मांग बदलती है। निवेशकों को यह देखना होगा कि ऐसी कैश-बचत तकनीकें कितनी तेजी से अपनाई जाती हैं, लंबे कॉन्टेक्स्ट व एजेंट वर्कलोड कितनी तेज बढ़ते हैं, HBM और स्टोरेज की कीमतें कैसी रहती हैं, और फ्रंटियर मॉडल की ट्रेनिंग व तैनाती की रफ्तार बरकरार रहती है या नहीं।

फिलहाल, इस बिकवाली को AI मेमोरी की कमी को एकतरफा दांव मानने के खिलाफ चेतावनी के रूप में देखना अधिक सही है। मॉडल नवाचार प्रति अनुरोध हार्डवेयर की जरूरत उतनी ही तेजी से घटा सकता है, जितनी तेजी से नए उपयोग-मामले अनुरोधों की संख्या बढ़ाते हैं।