High‑Flyers engasjement er bemerkelsesverdig fordi selskapet allerede hadde investert tungt i datakraft og KI-forskning før DeepSeek ble opprettet. Liang skal ha begynt å kjøpe store mengder Nvidia-GPUer i 2021 som en del av interne KI-forskningsinitiativer, som senere utviklet seg til DeepSeek-prosjektet.

I motsetning til mange KI-startups som umiddelbart henter venturekapital, opererte DeepSeek først med intern finansiering fra High‑Flyer og posisjonerte seg som en forskningsfokusert organisasjon som utforsker kunstig generell intelligens (AGI) snarere enn rent kommersielle produkter.

Oppdrag og strategisk visjon

Grunnlegger Liang Wenfeng har gjentatte ganger understreket at DeepSeeks langsiktige mål er å oppnå AGI, det vil si KI-systemer som er i stand til generell resonnering og læring på tvers av domener.

Ifølge intervjuer og analyser av selskapets strategi fokuserer laboratoriet på:

• grunnleggende modellforskning
• arkitektonisk innovasjon innen store språkmodeller
• åpen kildekode-utgivelser for å bygge et utviklerøkosystem

Liang har også antydet at språkmodeller bare representerer ett stadium på veien mot bredere intelligente systemer som inkorporerer resonnering, multimodal forståelse og interaksjon med den virkelige verden.

Denne forskningsførste strategien skiller DeepSeek fra selskaper som primært fokuserer på bedrifts-KI-programvare eller applikasjonslag.

Kjerne-KI-produkter og modeller

DeepSeeks teknologiportefølje sentrerer seg rundt store språkmodeller og resonneringsmodeller som er utgitt gjennom åpne depoter og APIer.

DeepSeek‑V3

En av selskapets viktigste modeller er DeepSeek‑V3, en stor Mixture-of-Experts (MoE) språkmodell.

Viktige tekniske egenskaper inkluderer:

• omtrent 671 milliarder totale parametere med omtrent 37 milliarder aktive per token under inferens
• støtte for lange kontekstvinduer (opptil rundt 128K tokens i implementasjoner)
• trening på store datasett av høy kvalitet

MoE-arkitekturen gjør at modellen kan skaleres til ekstremt store parameterantall samtidig som datakostnadene holdes håndterbare under inferens.

DeepSeek‑R1 resonneringsmodell

En annen stor utgivelse er DeepSeek‑R1, designet spesielt for avanserte resonneringsoppgaver som matematikk, koding og flertrinns logisk analyse.

Modellfamilien inkluderer:

• DeepSeek‑R1‑Zero
• DeepSeek‑R1
• flere mindre destillerte modeller basert på arkitekturer som Llama og Qwen

Disse destillerte modellene ble utgitt for å støtte forskning og gjøre det mulig for utviklere å kjøre mindre resonneringsmodeller lokalt eller i produksjonsmiljøer.

R1-serien er åpent tilgjengelig med modellvekter og teknisk dokumentasjon, slik at forskere og utviklere kan reprodusere og utvide systemet.

Flere modeller og multimodal forskning

DeepSeeks offentlige depoter viser også arbeid med multimodale KI-systemer som DeepSeek‑VL-modeller som kombinerer språk- og synsforståelse.

Til sammen utgjør disse modellfamiliene grunnlaget for DeepSeeks plattform for både forskning og utviklerøkosystemer.

Vekst og brukeradopsjon

DeepSeeks brukervekst har vært uvanlig rask for en ny KI-plattform.

Akademisk analyse fra Cheung Kong Graduate School of Business rapporterer at:

• plattformen nådde omtrent 125 millioner brukere innen 31. januar 2025
• mer enn 100 millioner brukere ble lagt til i løpet av én uke under den første vekstbølgen
• daglige aktive brukere oversteg 22 millioner tidlig i 2025

Disse tallene plasserte DeepSeek blant de raskest voksende KI-applikasjonene globalt kort tid etter lansering.

Den raske adopsjonen har vært drevet av flere faktorer:

• sterke benchmarks på resonneringsoppgaver
• ekstremt konkurransedyktig API-prising
• åpne modellutgivelser som oppmuntret til eksperimentering
• integrasjon i utviklerverktøy og KI-plattformer

Som et resultat fikk plattformen raskt oppmerksomhet fra både forskere og startup-gründere over hele verden.

Gjennomsiktighet og treningsdata

Sammenlignet med mange fremste KI-laboratorier har DeepSeek publisert noe teknisk informasjon om modellene sine.

En gjennomsiktighetsrapport katalogisert av Stanfords Center for Research on Foundation Models sier at DeepSeek‑V3‑Base ble trent ved hjelp av vanlige nettsider og e-bøker som primære datakilder og ikke stolte på syntetiske treningsdata.

Selv om slike avsløringer gir noe innsikt i treningspraksis, er de fortsatt langt fra det nivået av åpenhet som er typisk for børsnoterte selskaper. Investorer mangler derfor fortsatt detaljert informasjon om:

• treningsdatasett
• datakostnader
• maskinvareinfrastruktur
• budsjetter for modellutvikling

Økonomi og finansiering

DeepSeeks økonomiske status er et av de minst transparente aspektene ved selskapet.

Det mest siterte faktum er at laboratoriet først ble finansiert internt av hedgefondet High‑Flyer, snarere enn tradisjonell venturekapital.

Offentlig dokumentasjon avslører ikke tydelig:

• inntekter
• marginer
• forbrukstakt
• eksterne finansieringsrunder

Noen eksterne analyser anslår at plattformen genererer inntekter fra API-tilgang og bedriftsintegrasjoner, men disse tallene er ikke offisielt bekreftet.

For investorer betyr dette at selskapet for tiden ligner mer på et forskningslaboratorium med økende kommersielt potensial enn en fullt transparent SaaS-virksomhet.

Geopolitiske og regulatoriske forhold

DeepSeeks globale synlighet har også ført til politisk gransking.

En rapport fra den amerikanske representanthusets utvalg for det kinesiske kommunistpartiet beskrev selskapet som en betydelig teknologisk konkurrent og en potensiell nasjonal sikkerhetsbekymring i det bredere KI-kappløpet mellom USA og Kina.

Slik gransking fremhever en sentral risikofaktor: KI-selskaper som opererer på tvers av geopolitiske grenser kan møte fremtidige restriksjoner knyttet til eksportkontroll, innkjøpsregler eller programvaredistribusjon.

For investorer kan denne politiske dimensjonen påvirke markedsadgang og verdsettelser.

Strategiske styrker

Flere faktorer forklarer hvorfor DeepSeek har blitt en av de mest fulgte KI-startupene.

For det første har selskapet demonstrert sterk teknisk kapabilitet, ved å gi ut modeller i frontklassen som kan sammenlignes med systemer utviklet av ledende globale laboratorier.

For det andre har åpen kildekode-strategien hjulpet det med å bygge et stort utviklerfellesskap og akselerere adopsjon.

For det tredje drar organisasjonen nytte av betydelige databehandlingsressurser og finansiering fra et vellykket hedgefond, noe som gir den uvanlig uavhengighet sammenlignet med typiske startups.

Sentrale usikkerhetsmomenter investorer bør følge med på

Til tross for den raske oppgangen, byr DeepSeek fortsatt på betydelige ukjente.

Viktige ubesvarte spørsmål inkluderer:

• selskapets eksakte eier- og styringsstruktur
• omfanget og stabiliteten til inntektene
• kostnadsstrukturen for å trene og kjøre frontmodeller
• hvordan selskapet planlegger å tjene penger på sitt åpne økosystem
• virkningen av internasjonalt reguleringspress på global ekspansjon

Inntil disse spørsmålene blir klarere, forblir det vanskelig å vurdere selskapet som en tradisjonell ventureinvestering.

Oppsummering

DeepSeek har fremstått som et stort nytt KI-laboratorium som kombinerer sterk teknisk forskning med eksplosiv brukeradopsjon. Flaggshipmodellene – spesielt DeepSeek‑V3 og den resonneringsfokuserte R1-serien – har plassert det blant de mest innflytelsesrike utviklerne av åpne frontmodeller.

Likevel, fra et investorperspektiv, forblir selskapet uvanlig ugjennomsiktig. Mens den teknologiske fremdriften og brukerveksten er tydelig, er den finansielle strukturen, inntektsmodellen og styringsdetaljene stort sett ikke offentliggjort.

Foreløpig bør DeepSeek forstås mindre som et konvensjonelt programvareselskap og mer som en raskt voksende KI-forskningsorganisasjon i frontklassen som etter hvert kan utvikle seg til en stor kommersiell plattform.

High‑Flyers engasjement er bemerkelsesverdig fordi selskapet allerede hadde investert tungt i datakraft og KI-forskning før DeepSeek ble opprettet. Liang skal ha begynt å kjøpe store mengder Nvidia-GPUer i 2021 som en del av interne KI-forskningsinitiativer, som senere utviklet seg til DeepSeek-prosjektet.

I motsetning til mange KI-startups som umiddelbart henter venturekapital, opererte DeepSeek først med intern finansiering fra High‑Flyer og posisjonerte seg som en forskningsfokusert organisasjon som utforsker kunstig generell intelligens (AGI) snarere enn rent kommersielle produkter.

Oppdrag og strategisk visjon

Grunnlegger Liang Wenfeng har gjentatte ganger understreket at DeepSeeks langsiktige mål er å oppnå AGI, det vil si KI-systemer som er i stand til generell resonnering og læring på tvers av domener.

Ifølge intervjuer og analyser av selskapets strategi fokuserer laboratoriet på:

• grunnleggende modellforskning
• arkitektonisk innovasjon innen store språkmodeller
• åpen kildekode-utgivelser for å bygge et utviklerøkosystem

Liang har også antydet at språkmodeller bare representerer ett stadium på veien mot bredere intelligente systemer som inkorporerer resonnering, multimodal forståelse og interaksjon med den virkelige verden.

Denne forskningsførste strategien skiller DeepSeek fra selskaper som primært fokuserer på bedrifts-KI-programvare eller applikasjonslag.

Kjerne-KI-produkter og modeller

DeepSeeks teknologiportefølje sentrerer seg rundt store språkmodeller og resonneringsmodeller som er utgitt gjennom åpne depoter og APIer.

DeepSeek‑V3

En av selskapets viktigste modeller er DeepSeek‑V3, en stor Mixture-of-Experts (MoE) språkmodell.

Viktige tekniske egenskaper inkluderer:

• omtrent 671 milliarder totale parametere med omtrent 37 milliarder aktive per token under inferens
• støtte for lange kontekstvinduer (opptil rundt 128K tokens i implementasjoner)
• trening på store datasett av høy kvalitet

MoE-arkitekturen gjør at modellen kan skaleres til ekstremt store parameterantall samtidig som datakostnadene holdes håndterbare under inferens.

DeepSeek‑R1 resonneringsmodell

En annen stor utgivelse er DeepSeek‑R1, designet spesielt for avanserte resonneringsoppgaver som matematikk, koding og flertrinns logisk analyse.

Modellfamilien inkluderer:

• DeepSeek‑R1‑Zero
• DeepSeek‑R1
• flere mindre destillerte modeller basert på arkitekturer som Llama og Qwen

Disse destillerte modellene ble utgitt for å støtte forskning og gjøre det mulig for utviklere å kjøre mindre resonneringsmodeller lokalt eller i produksjonsmiljøer.

R1-serien er åpent tilgjengelig med modellvekter og teknisk dokumentasjon, slik at forskere og utviklere kan reprodusere og utvide systemet.

Flere modeller og multimodal forskning

DeepSeeks offentlige depoter viser også arbeid med multimodale KI-systemer som DeepSeek‑VL-modeller som kombinerer språk- og synsforståelse.

Til sammen utgjør disse modellfamiliene grunnlaget for DeepSeeks plattform for både forskning og utviklerøkosystemer.

Vekst og brukeradopsjon

DeepSeeks brukervekst har vært uvanlig rask for en ny KI-plattform.

Akademisk analyse fra Cheung Kong Graduate School of Business rapporterer at:

• plattformen nådde omtrent 125 millioner brukere innen 31. januar 2025
• mer enn 100 millioner brukere ble lagt til i løpet av én uke under den første vekstbølgen
• daglige aktive brukere oversteg 22 millioner tidlig i 2025

Disse tallene plasserte DeepSeek blant de raskest voksende KI-applikasjonene globalt kort tid etter lansering.

Den raske adopsjonen har vært drevet av flere faktorer:

• sterke benchmarks på resonneringsoppgaver
• ekstremt konkurransedyktig API-prising
• åpne modellutgivelser som oppmuntret til eksperimentering
• integrasjon i utviklerverktøy og KI-plattformer

Som et resultat fikk plattformen raskt oppmerksomhet fra både forskere og startup-gründere over hele verden.

Gjennomsiktighet og treningsdata

Sammenlignet med mange fremste KI-laboratorier har DeepSeek publisert noe teknisk informasjon om modellene sine.

En gjennomsiktighetsrapport katalogisert av Stanfords Center for Research on Foundation Models sier at DeepSeek‑V3‑Base ble trent ved hjelp av vanlige nettsider og e-bøker som primære datakilder og ikke stolte på syntetiske treningsdata.

Selv om slike avsløringer gir noe innsikt i treningspraksis, er de fortsatt langt fra det nivået av åpenhet som er typisk for børsnoterte selskaper. Investorer mangler derfor fortsatt detaljert informasjon om:

• treningsdatasett
• datakostnader
• maskinvareinfrastruktur
• budsjetter for modellutvikling

Økonomi og finansiering

DeepSeeks økonomiske status er et av de minst transparente aspektene ved selskapet.

Det mest siterte faktum er at laboratoriet først ble finansiert internt av hedgefondet High‑Flyer, snarere enn tradisjonell venturekapital.

Offentlig dokumentasjon avslører ikke tydelig:

• inntekter
• marginer
• forbrukstakt
• eksterne finansieringsrunder

Noen eksterne analyser anslår at plattformen genererer inntekter fra API-tilgang og bedriftsintegrasjoner, men disse tallene er ikke offisielt bekreftet.

For investorer betyr dette at selskapet for tiden ligner mer på et forskningslaboratorium med økende kommersielt potensial enn en fullt transparent SaaS-virksomhet.

Geopolitiske og regulatoriske forhold

DeepSeeks globale synlighet har også ført til politisk gransking.

En rapport fra den amerikanske representanthusets utvalg for det kinesiske kommunistpartiet beskrev selskapet som en betydelig teknologisk konkurrent og en potensiell nasjonal sikkerhetsbekymring i det bredere KI-kappløpet mellom USA og Kina.

Slik gransking fremhever en sentral risikofaktor: KI-selskaper som opererer på tvers av geopolitiske grenser kan møte fremtidige restriksjoner knyttet til eksportkontroll, innkjøpsregler eller programvaredistribusjon.

For investorer kan denne politiske dimensjonen påvirke markedsadgang og verdsettelser.

Strategiske styrker

Flere faktorer forklarer hvorfor DeepSeek har blitt en av de mest fulgte KI-startupene.

For det første har selskapet demonstrert sterk teknisk kapabilitet, ved å gi ut modeller i frontklassen som kan sammenlignes med systemer utviklet av ledende globale laboratorier.

For det andre har åpen kildekode-strategien hjulpet det med å bygge et stort utviklerfellesskap og akselerere adopsjon.

For det tredje drar organisasjonen nytte av betydelige databehandlingsressurser og finansiering fra et vellykket hedgefond, noe som gir den uvanlig uavhengighet sammenlignet med typiske startups.

Sentrale usikkerhetsmomenter investorer bør følge med på

Til tross for den raske oppgangen, byr DeepSeek fortsatt på betydelige ukjente.

Viktige ubesvarte spørsmål inkluderer:

• selskapets eksakte eier- og styringsstruktur
• omfanget og stabiliteten til inntektene
• kostnadsstrukturen for å trene og kjøre frontmodeller
• hvordan selskapet planlegger å tjene penger på sitt åpne økosystem
• virkningen av internasjonalt reguleringspress på global ekspansjon

Inntil disse spørsmålene blir klarere, forblir det vanskelig å vurdere selskapet som en tradisjonell ventureinvestering.

Oppsummering

DeepSeek har fremstått som et stort nytt KI-laboratorium som kombinerer sterk teknisk forskning med eksplosiv brukeradopsjon. Flaggshipmodellene – spesielt DeepSeek‑V3 og den resonneringsfokuserte R1-serien – har plassert det blant de mest innflytelsesrike utviklerne av åpne frontmodeller.

Likevel, fra et investorperspektiv, forblir selskapet uvanlig ugjennomsiktig. Mens den teknologiske fremdriften og brukerveksten er tydelig, er den finansielle strukturen, inntektsmodellen og styringsdetaljene stort sett ikke offentliggjort.

Foreløpig bør DeepSeek forstås mindre som et konvensjonelt programvareselskap og mer som en raskt voksende KI-forskningsorganisasjon i frontklassen som etter hvert kan utvikle seg til en stor kommersiell plattform.