Derfor utløste DeepSeek V4.1-Flash salg i minneaksjer

DeepSeeks lansering av V4.1-Flash fikk markedet til å stille spørsmål ved en sentral antakelse bak AI-aksjene: at stadig kraftigere modeller nødvendigvis krever stadig mer minne og lagring per arbeidslast. Salget var derfor først og fremst en revurdering av denne forutsetningen – ikke et bevis på at den langsiktige AI-drevne minnesyklusen er over.

Hva DeepSeek faktisk forbedret

DeepSeek opplyste at V4.1-Flash trenger en firedel så mye høybåndbredde-minne (HBM) og en åttedel så mye SSD-lagring til sin key-value-cache, eller KV-cache, som forrige generasjon. Selskapet fremhevet særlig betydningen av cache-treffkostnader i agentbaserte AI-arbeidslaster. 29

KV-cache lagrer oppmerksomhetstilstanden fra tidligere tekstbiter, slik at modellen kan fortsette en lang samtale eller prosess uten å beregne hele den foregående konteksten på nytt. Den er dermed en viktig kapasitetsbegrensning når AI-modeller skal betjene mange brukere samtidig, særlig ved lange kontekstvinduer og autonome AI-agenter.

Dette betyr imidlertid ikke at et helt AI-system plutselig bruker 75 prosent mindre HBM eller 87,5 prosent mindre lagring. DeepSeeks sammenligning gjelder KV-cache mot selskapets forrige arkitektur. Modellvekter, treningsinfrastruktur og andre komponenter bruker fortsatt betydelige mengder minne og lagring. 25

Hvorfor minne- og lagringsaksjer falt

For investorer var den umiddelbare slutningen enkel: Dersom en modell kan levere tilsvarende inferens – altså kjøring av en ferdigtrent modell – med langt mindre cache-minne, kan den samme maskinvareparken betjene flere sesjoner. Det kan dempe forventningene til minneintensiteten per arbeidslast, og dermed til etterspørsel og prising for HBM og bedriftslagring på kort sikt.

Reaksjonen kom raskt. I Seoul falt Samsung-aksjen 3,5 prosent og SK Hynix 2,2 prosent etter lanseringen, ifølge samtidig markedsdekning. 49 I senere amerikansk handel kom også minne- og lagringsselskaper under press, ettersom investorer vurderte konsekvensene av DeepSeeks lavere behov for HBM og SSD-kapasitet. 5152

Det beviser ikke at én modellansering alene forklarer alle kursbevegelsene. Halvlederaksjer påvirkes også av resultatutvikling, tilbudssituasjon, renter, risikovilje og prognoser for investeringer i datasentre. Men reaksjonen viste hvor følsomme AI-relaterte verdsettelser er for tegn på at programvare og modellarkitektur kan redusere maskinvarebehovet per AI-tjeneste.

En separat bekymring: lavere tempo i frontlinje-AI

Effektivitetsnyheten kom samtidig med en annen bekymring om etterspørselen. Anthropics toppsjef Dario Amodei argumenterte i essayet We Must Pace the Frontier for å dempe tempoet i forbedringen av AI-kapasiteter, slik at selskaper og myndigheter får tid til å sikre og tilpasse stadig mer avanserte systemer. Han presiserte at «pacing» ikke innebærer å stanse modelltrening eller teknisk utvikling, og foreslo blant annet innebygde tredjepartsevaluatorer, koordinering mellom demokratiske land og global koordinering. 40

Markedet kan tolke en lavere utviklingstakt – selv uten treningsstans – som en risiko for at deler av investeringene i AI-akseleratorer, nettverk, minne og datasentre blir utsatt. På dagen som ble omtalt i markedsrapportene, var Nasdaq-100-futures ned 1,77 prosent. Marvell falt mer enn 7 prosent, Intel rundt 6 prosent og Micron mer enn 5 prosent. 51

De to forholdene er likevel forskjellige:

• DeepSeek reiste et effektivitetsspørsmål: Hvor mye minne og lagring trenger hver inferensarbeidslast?
• Debatten om lavere tempo reiste et tidsspørsmål: Hvor raskt vil bransjen bygge og ta i bruk stadig kraftigere frontlinjesystemer?

Sammen gjorde de de mest optimistiske prognosene for AI-infrastruktur mindre selvfølgelige.

Michael Burrys kritikk av oppfordringen om lavere tempo

Investoren Michael Burry kalte retorikken om å senke AI-tempoet «self-serving», altså egeninteressert. Han mente at den kan gagne etablerte frontlinjelaboratorier ved å gjøre konkurransen vanskeligere, skape «hype & puffery» foran mulige børsnoteringer og gi dekning for avtakende vekst. Han argumenterte også for at store språkmodeller ikke er kunstig generell intelligens, AGI, og at det derfor ikke finnes noe slikt å bremse. 14

Dette er Burrys syn på konkurranse, verdsettelser og AI-kapasitet – ikke en etablert teknisk konklusjon. Markedets viktige poeng var at debatten om tempo ble vurdert både gjennom et sikkerhetsperspektiv og et insentivperspektiv.

Hva dette betyr for den positive minnefortellingen

Den enkle utgaven av AI-tesen for minnebransjen var lineær: Større modeller, lengre kontekstvinduer og flere AI-brukere skulle gi mer behov for HBM, NAND-flash og lagringskapasitet. DeepSeek viser en viktig motkraft: arkitektonisk effektivitet.

En mer presis måte å vurdere etterspørselen på er å skille mellom to forhold:

1. Minnebehov per arbeidslast. Mer effektiv KV-cache kan redusere dette.
2. Totalt antall og omfang av arbeidslaster. Flere brukere, lengre kontekster og flere autonome agenter kan øke dette.

At det første faller, avgjør ikke automatisk det andre. Billigere og mer effektiv inferens kan utvide bruken og gi flere samlede forespørsler. Men dersom effektiviteten sprer seg raskere enn bruken vokser, kan det bety mindre maskinvare for å levere et gitt nivå av AI-output.

Den langsiktige konklusjonen er fortsatt åpen

V4.1-Flash er mest direkte relevant for inferens og KV-cache. DeepSeeks oppgitte forbedring fjerner ikke minnebehovet knyttet til modellvekter eller trening. 25 Det er et viktig skille, fordi trening og drift av modeller stiller ulike krav til datakraft, minne og sammenkobling mellom systemer.

Det sentrale spørsmålet er derfor ikke om effektivitetsgevinsten er betydelig – det er den – men om den endrer den samlede etterspørselen. Investorer må følge med på hvor raskt tilsvarende cache-besparende teknikker tas i bruk, veksten i lange kontekster og agentarbeidslaster, prisutviklingen for HBM og lagring, og om trening og utrulling av frontlinjemodeller fortsetter å øke.

Foreløpig er salget best forstått som en påminnelse om at AI-drevet minneknapphet ikke er en enveis handel. Modellinnovasjon kan redusere maskinvarebehovet per forespørsel like raskt som nye bruksområder øker antallet forespørsler.