Tre kinesiske AI-gründere utfordrer Silicon Valleys spilleregler

Det viktigste ved Liang Wenfeng, Tang Jie og Yang Zhilin er ikke bare at tre kinesiske gründere har utviklet AI-modeller som får global oppmerksomhet. Samlet har DeepSeek, Z.ai og Moonshot AI utvidet hva «frontier AI» betyr: Modellene må vurderes etter mer enn rå ytelse. Åpenhet, kostnad ved bruk, tilgang for utviklere og hvor mye datakraft som kreves, teller også.

Det beviser ikke at Kina har gått forbi Silicon Valley. Men det viser at markedet ikke lenger er like entydig amerikansk dominert – og at en modell ikke trenger å være lukket, ekstremt dyr eller støttet av et børsnotert amerikansk teknologiselskap for å påvirke forventningene til hele bransjen.

Tre gründere – tre veier til AI-toppen

Liang Wenfeng: DeepSeeks jakt på effektivitet

Liang studerte elektronikk og kommunikasjonsteknikk ved Zhejiang University før han var med på å grunnlegge High-Flyer, et kvantitativt hedgefond som bruker kunstig intelligens i handel. I 2023 etablerte han DeepSeek og tok med seg en finansbakgrunn preget av matematisk optimalisering og effektiv bruk av datakraft inn i utviklingen av grunnmodeller. 4144

DeepSeek-R1, lansert i januar 2025, ble selskapets store gjennombrudd. Resonneringsmodellen ble distribuert med nedlastbare modellvekter og presentert som et rimeligere alternativ til ledende, lukkede systemer. DeepSeeks egne påstander om kostnader og ytelse kan ikke alene erstatte uavhengige tester, men de var sterke nok til å endre investorers syn på økonomien i trening og drift av AI-modeller. 172226

Markedsreaksjonen var uvanlig kraftig. Nvidia mistet 593 milliarder dollar i markedsverdi på én dag da investorer begynte å stille spørsmål ved om AI på toppnivå virkelig krevde de enorme og stadig voksende maskinvarebudsjettene som store deler av bransjen hadde lagt til grunn. Kursfallet ble delvis hentet inn kort tid etterpå. Det er derfor bedre forstått som en rask revurdering av forventninger enn som et bevis på at etterspørselen etter avanserte AI-brikker hadde forsvunnet. 1718

Liangs filosofi skiller seg også ut. Reuters har rapportert at han beskriver DeepSeeks prioritet som langsiktig utvikling av kunstig generell intelligens, heller enn maksimal kortsiktig fortjeneste. Han har også signalisert at selskapet trolig vil holde de mest avanserte modellene åpne. 33 Det finnes ikke tilstrekkelig pålitelig dokumentasjon til å fastslå DeepSeeks samlede finansiering, verdsettelse, børsplaner eller Liangs personlige formue som sikre fakta.

Tang Jie: Fra Tsinghua-forskning til næringsliv

Tang Jie er professor i informatikk ved Tsinghua University og medgrunnlegger og sjefsforsker i Z.ai, tidligere kjent som Zhipu AI. Selskapet ble skilt ut fra Tsinghua-forskning i Beijing i 2019 og begynte å lansere GLM-serien med store språkmodeller i 2021. 4950

Strategien til Z.ai er mer institusjonelt forankret enn DeepSeeks. Selskapet kombinerer en universitetsbasert forskningskultur med kommersielle og bedriftsrettede ambisjoner. GLM-modellene har i økende grad lagt vekt på resonnering, programmering, verktøybruk og såkalte AI-agenter – systemer som kan gjennomføre lengre oppgaver ved å bruke programvare og eksterne verktøy. USAs Center for AI Standards and Innovation rapporterte at GLM-5.2 ble lansert som en modell med åpne vekter 16. juni 2026. 49

Tang har hevdet at lanseringen av DeepSeek-R1 markerte slutten på en tidligere, chat-sentrert fase, og at koding og resonnering ville bli viktigere etter hvert som AI-agenter utvikler seg. 52 Det gir et nyttig bilde av Z.ais posisjon: Selskapet konkurrerer ikke bare på hvor flytende en chatbot skriver, men på om modellene kan løse mer sammensatte oppgaver og samhandle med programvare.

Z.ai viser også hvordan private forskningsmiljøer beveger seg mot kapitalmarkedet. Rapporter anslo at selskapet hadde hentet rundt 1,25 milliarder dollar før en børsnotering innen midten av 2025. Den offentlige amerikanske vurderingen sier at selskapet fullførte en børsnotering i Hongkong 8. januar 2026. 4950 Offentlige anslag for markedsverdien varierer og bør derfor ikke behandles som endelige eller innbyrdes sammenlignbare. Det finnes heller ikke tilstrekkelig pålitelig dokumentasjon av Tangs personlige formue.

Yang Zhilin: Moonshot AIs satsing på lange kontekster

Yang Zhilin studerte ved Tsinghua University og tok doktorgrad ved Carnegie Mellon University. Omtaler beskriver også forskningserfaring fra Google og Meta før han var med på å grunnlegge Moonshot AI i Beijing i 2023. 2712

Moonshot fikk først stor oppmerksomhet gjennom Kimi, som særlig ble forbundet med evnen til å håndtere lange kontekster – altså store mengder tekst eller informasjon i én og samme samtale. Modellen Kimi K3 videreførte denne strategien i et langt større system med åpne vekter. Kilder beskriver K3 som en blanding-av-eksperter-modell med 2,8 billioner parametere og et kontekstvindu på opptil én million token. 15

K3s modellvekter ble sluppet etter at modellen var gjort tilgjengelig gjennom Moonshots produkter og API. Dermed koblet selskapet en forbrukerrettet chatbotvirksomhet til en bredere plattformstrategi for utviklere. 2 Modellens størrelse er oppsiktsvekkende, men antall parametere sier ikke alene hvor intelligent, billig eller nyttig et system er. Uavhengige rangeringer kan gi et sammenligningsgrunnlag, men resultatene varierer over tid og erstatter ikke testing av pålitelighet, programmering, sikkerhet og praktiske agentoppgaver.

Også Moonshots finansieringstall er i bevegelse. TechCrunch rapporterte om en emisjon på rundt 2 milliarder dollar til en verdsettelse på 20 milliarder dollar i mai 2026. Senere omtaler beskrev en mulig verdsettelse på over 30 milliarder dollar og forberedelser til en mulig børsnotering i Hongkong. Dette er rapporterte anslag fra private markeder, ikke reviderte verdier fra et offentlig selskap. 41215 Det finnes ikke tilstrekkelig pålitelig dokumentasjon av Yangs personlige formue.

Hvorfor er dette mer enn en enkel USA–Kina-duell?

1. Ytelse måles mot kostnad

DeepSeek gjorde effektiv resonnering til overskriften. Z.ai fremhever koding, bedriftsbruk og AI-agenter. Moonshot kombinerer lange kontekster, svært store modeller med åpne vekter og produktdistribusjon. Tilnærmingene er forskjellige, men alle tre presser bransjen mot det samme spørsmålet: Hvor mye nyttig kapasitet får utviklere for hver dollar som brukes på trening og drift?

Sammenligningen er ikke enkel. Oppgitte treningskostnader er ofte selskapenes egne påstander, og kan utelate utgifter til data, utvikling, maskinvaretilgang, testing og distribusjon. Likevel er den strategiske effekten tydelig: DeepSeek tvang investorer og AI-laboratorier til å revurdere antakelsene om kostnadskurven for modeller på toppnivå. 1722

2. Åpne vekter gir utviklere flere valg

Nedlastbare modellvekter kan gjøre det mulig å drifte en modell selv, finjustere den eller bygge den inn i egne systemer uten å være helt avhengig av et proprietært API. Det gir DeepSeek, GLM og Kimi en vei inn i globale programvareøkosystemer, selv når selskapene har mindre tilgang til utenlandsk distribusjon.

«Åpne vekter» betyr likevel ikke nødvendigvis full åpen kildekode. Modellvektene kan være tilgjengelige, mens treningsdata, databehandling, treningskode og hele utviklingsprosessen fortsatt holdes skjult. Forskjellen har betydning for reproduserbarhet, lisensiering, sikkerhet og styring.

3. Markedssjokket nådde langt utenfor AI-laboratoriene

DeepSeeks lansering i januar 2025 påvirket verdsettelsen av amerikanske teknologiselskaper fordi den utfordret antakelsen om at mer avansert AI automatisk måtte kreve proporsjonalt mer avansert maskinvare. Nvidias tap på én dag viste hvor raskt innovasjon på modellnivå kan påvirke hele infrastrukturnivået. 1718

Moonshots Kimi K3 skapte en lignende oppmerksomhet rundt muligheten for at et kinesisk selskap kunne lansere en modell med åpne vekter i en størrelsesklasse som tidligere var forbundet med de største amerikanske laboratoriene. Reaksjonen bør tolkes som press på etablerte antakelser, ikke som bevis på en ferdig teknologisk seier. 14

Hindrene som kan avgjøre neste fase

De tre selskapene står fortsatt overfor betydelige strukturelle utfordringer:

• Datakraft og maskinvare: Eksportkontroll og begrenset tilgang til de mest avanserte akseleratorene gjør trening og drift av frontmodeller vanskeligere. Effektivisering kan redusere avstanden, men eliminerer ikke behovet for brikker, strøm, nettverk, ingeniørkompetanse og kapital. 45
• Kommersialisering: Åpne eller billige modeller kan spre seg raskt, samtidig som det blir vanskeligere for utviklerne å hente ut inntekter. Teknisk oppmerksomhet må bli til varige bedrifts-, API- eller forbrukertjenester.
• Usikre referansetester: En smal eller egenrapportert seier i én test avgjør ikke modellens pålitelighet, flerspråklige kvalitet, kodeferdigheter, sikkerhet eller robusthet som agent. Påstander om overlegenhet må kunne gjenskapes uavhengig.
• Tillit og styring: Personvern, sikkerhet, innholdsbegrensninger og geopolitisk gransking kan begrense bruken utenfor Kina, selv når modellen er teknisk attraktiv.
• Press fra kapitalmarkedet: Z.ais børsnotering gir selskapet en annen finansieringsposisjon enn det private DeepSeek, mens Moonshots rapporterte børsplaner fortsatt er fremtidige og usikre. DeepSeeks eierstruktur og eventuelle børsplaner er mindre tydelige i pålitelig offentlig rapportering. 495015

Konklusjonen

Liang Wenfeng, Tang Jie og Yang Zhilin følger ikke én samlet kinesisk AI-oppskrift. Liang har gjort effektivitet og langsiktig AGI-forskning til kjernen i DeepSeeks identitet. Tang tar universitetsbasert forskning på grunnmodeller inn i koding, AI-agenter og skala fra kapitalmarkedet. Yang bygger rundt lange kontekster, enorme blanding-av-eksperter-modeller og åpen distribusjon til utviklere.

Det samlede resultatet er at frontlinjen i AI er blitt mer mangfoldig. Selskapene har gitt utviklere flere alternativer, utfordret økonomien i lukkede modeller og svekket forestillingen om at Kina permanent må ligge etter USA.

Den mer nøkterne – og bedre dokumenterte – konklusjonen er at de har endret konkurransebildet, men ikke avgjort det. Tilgang på datakraft, usikre referansetester, kommersialisering og tillit vil avgjøre om endringen varer.