DeepSeek, Z.ai i Moonshot AI zmieniają zasady chińskiej rywalizacji w AI

Znaczenie Lianga Wenfenga, Tanga Jie i Yanga Zhilina nie sprowadza się do tego, że trzech chińskich założycieli stworzyło głośne modele AI. DeepSeek, Z.ai i Moonshot AI wspólnie poszerzyły definicję rywalizacji na granicy możliwości sztucznej inteligencji. Model trzeba dziś oceniać nie tylko pod kątem wyników, ale także otwartości, kosztu wnioskowania, dostępu dla programistów i ilości mocy obliczeniowej potrzebnej do jego uruchomienia.

Nie jest to dowód, że Chiny wyprzedziły Dolinę Krzemową. Jest to jednak wyraźny sygnał, że rynek przestaje być wyłączną domeną Stanów Zjednoczonych. Model nie musi być zamknięty, niezwykle drogi ani tworzony przez wielką amerykańską spółkę technologiczną, aby wpływać na globalne oczekiwania.

Trzech założycieli, trzy drogi do czołówki AI

Liang Wenfeng: wyzwanie DeepSeek oparte na efektywności

Liang studiował inżynierię elektroniczną i komunikacyjną na Uniwersytecie Zhejiang, a następnie współtworzył High-Flyer — fundusz ilościowy wykorzystujący sztuczną inteligencję i algorytmy matematyczne w handlu. W 2023 roku założył DeepSeek, przenosząc do badań nad modelami bazowymi podejście skoncentrowane na optymalizacji i efektywnym wykorzystaniu obliczeń. 4144

Najważniejszym osiągnięciem firmy stał się DeepSeek-R1, udostępniony w styczniu 2025 roku. Model rozumujący opublikowano wraz z możliwymi do pobrania wagami i przedstawiano jako tańszą alternatywę dla czołowych, zamkniętych systemów. Własne deklaracje DeepSeek dotyczące kosztu i wyników nie zastępują pełnej, niezależnej ewaluacji, ale wystarczyły, by inwestorzy zaczęli na nowo analizować ekonomię trenowania i uruchamiania modeli AI. 172226

Reakcja rynku była wyjątkowo gwałtowna. Nvidia straciła w ciągu jednego dnia 593 miliardy dolarów kapitalizacji, gdy inwestorzy zaczęli kwestionować założenie, że rozwój najbardziej zaawansowanej AI musi wymagać coraz większych budżetów na sprzęt. Wkrótce część przeceny odrobiono, dlatego wydarzenie lepiej interpretować jako szybłą zmianę rynkowych oczekiwań niż dowód, że zapotrzebowanie na zaawansowane układy scalone zniknęło. 1718

Wyróżnia się także filozofia Lianga. Reuters podał, że założyciel opisywał priorytet DeepSeek jako długofalowy rozwój sztucznej inteligencji ogólnej (AGI), a nie maksymalizację krótkoterminowego zysku. Miał również sugerować, że najbardziej zaawansowane modele firmy prawdopodobnie pozostaną otwarte. 33 Dostępne materiały nie pozwalają natomiast wiarygodnie ustalić pełnego finansowania DeepSeek, jego wyceny, planów giełdowych ani majątku osobistego Lianga.

Tang Jie: od badań uniwersyteckich do przedsiębiorstw

Tang Jie jest profesorem informatyki na Uniwersytecie Tsinghua oraz współzałożycielem i głównym naukowcem Z.ai, wcześniej znanego jako Zhipu AI. Firma powstała w Pekinie w 2019 roku jako przedsięwzięcie wywodzące się z badań prowadzonych na Tsinghua, a rodzinę modeli GLM zaczęła publikować w 2021 roku. 4950

Strategia Z.ai jest bardziej instytucjonalna niż podejście DeepSeek: łączy zaplecze akademickie z ambicjami komercyjnymi i ofertą dla przedsiębiorstw. Nowsze modele GLM koncentrują się na rozumowaniu, programowaniu, korzystaniu z narzędzi i pracy agentowej. Amerykańskie Center for AI Standards and Innovation podało, że GLM-5.2 udostępniono jako model z otwartymi wagami 16 czerwca 2026 roku. 49

Tang twierdził, że pojawienie się DeepSeek-R1 zakończyło wcześniejszy, skupiony na rozmowie etap wyścigu, a wraz z rozwojem agentów większego znaczenia nabiorą programowanie i rozumowanie. 52 To trafnie oddaje pozycjonowanie Z.ai: firma nie chce konkurować wyłącznie płynnością rozmowy, lecz rozwija modele zdolne do realizowania dłuższych zadań i współpracy z narzędziami programistycznymi.

Z.ai pokazuje też przejście od prywatnego laboratorium badawczego do spółki obecnej na rynku kapitałowym. Według doniesień do połowy 2025 roku firma pozyskała około 1,25 miliarda dolarów, a publiczna ocena amerykańskiego rządu wskazuje, że 8 stycznia 2026 roku przeprowadziła pierwszą ofertę publiczną w Hongkongu. 4950 Szacunki jej wartości rynkowej różnią się między źródłami, dlatego nie należy traktować ich jako ostatecznych. Brakuje również wystarczająco wiarygodnych danych na temat osobistego majątku Tanga.

Yang Zhilin: zakład Moonshot AI na długi kontekst

Yang Zhilin studiował na Uniwersytecie Tsinghua, a doktorat ukończył na Carnegie Mellon University. Doniesienia opisują także jego doświadczenie badawcze w Google i Mecie, zanim w 2023 roku współzałożył w Pekinie Moonshot AI. 2712

Moonshot początkowo zdobył rozgłos dzięki Kimi, którego znakiem rozpoznawczym stała się praca z bardzo długim kontekstem. Model Kimi K3 rozwija tę strategię w kierunku znacznie większego systemu z otwartymi wagami. Według źródeł ma on 2,8 biliona parametrów, wykorzystuje architekturę mixture-of-experts i obsługuje kontekst liczący do miliona tokenów. 15

Wagi K3 udostępniono po uruchomieniu modelu w produktach i interfejsie API Moonshot. Firma połączyła w ten sposób biznes konsumenckiego chatbota z szerszą strategią platformy dla deweloperów. 2 Sama liczba parametrów nie przesądza jednak o inteligencji, koszcie działania ani praktycznej użyteczności modelu. Rankingi mogą ułatwiać porównania, ale zmieniają się w czasie i nie zastępują testów obejmujących niezawodność, programowanie, bezpieczeństwo oraz rzeczywiste zadania agentów.

Dane dotyczące finansowania Moonshot również są zmienne. TechCrunch podał w maju 2026 roku, że firma pozyskała około 2 miliardów dolarów przy wycenie 20 miliardów dolarów. Późniejsze doniesienia mówiły o możliwej wycenie przekraczającej 30 miliardów dolarów i przygotowaniach do potencjalnego debiutu w Hongkongu. To szacunki dotyczące prywatnych transakcji, a nie audytowane wartości spółki giełdowej. 41215 Brakuje wiarygodnych danych pozwalających określić majątek osobisty Yanga.

Dlaczego to nie jest po prostu wyścig USA–Chiny?

1. Możliwości trzeba zestawiać z kosztem

DeepSeek uczynił z efektywnego rozumowania główny temat dyskusji. Z.ai akcentuje programowanie, zastosowania biznesowe i agentów, a Moonshot łączy długi kontekst, bardzo duże otwarte wagi i dystrybucję poprzez własne produkty. Wszystkie trzy firmy kierują uwagę ku szerszemu pytaniu: ile użytecznych możliwości programiści otrzymują za każdego dolara wydanego na trenowanie lub uruchamianie modelu?

Porównanie nie jest proste. Deklarowane koszty trenowania często pochodzą od samych firm i mogą nie obejmować danych, pracy inżynierów, dostępu do sprzętu, ewaluacji oraz wdrożenia. Mimo to wpływ DeepSeek na strategię rynku jest realny: firma zmusiła laboratoria i inwestorów do ponownego przemyślenia krzywej kosztów rozwoju modeli czołówki. 1722

2. Otwarte wagi zwiększają wybór deweloperów

Wagi możliwe do pobrania pozwalają programistom samodzielnie hostować model, dostrajać go i integrować z własnymi produktami bez całkowitego uzależnienia od zamkniętego API. Dzięki temu DeepSeek, GLM i Kimi mogą trafiać do globalnych ekosystemów oprogramowania nawet wtedy, gdy ich twórcy mają mniejszy dostęp do zagranicznej dystrybucji.

„Otwarte wagi” nie oznaczają jednak automatycznie pełnego open source. Publicznie dostępne mogą być same parametry modelu, podczas gdy dane treningowe, metody ich przetwarzania, kod treningowy i kompletny proces rozwoju pozostają nieujawnione. Ta różnica ma znaczenie dla odtwarzalności wyników, licencjonowania, bezpieczeństwa i zarządzania AI.

3. Wstrząs dotarł poza laboratoria AI

Premiera DeepSeek w styczniu 2025 roku wpłynęła na wyceny amerykańskich spółek technologicznych, ponieważ podważyła założenie, że bardziej zaawansowana AI musi automatycznie wymagać proporcjonalnie większej ilości najdroższego sprzętu. Jednodniowa strata Nvidii pokazała, jak szybko innowacja na poziomie modelu może oddziaływać na warstwę infrastruktury. 1718

Kimi K3 wywołał podobną uwagę wokół możliwości publikacji przez chińską firmę modelu z otwartymi wagami o skali kojarzonej dotąd z największymi amerykańskimi laboratoriami. Reakcję należy odczytywać raczej jako presję na dotychczasowe założenia niż dowód zakończonego zwycięstwa technologicznego. 14

Bariery, które zdecydują o kolejnym etapie

Trzy firmy wciąż mierzą się z poważnymi problemami strukturalnymi:

• Moc obliczeniowa i sprzęt: ograniczenia eksportowe oraz mniejszy dostęp do najnowocześniejszych akceleratorów utrudniają trenowanie i obsługę modeli czołówki. Techniki zwiększające efektywność mogą zmniejszać dystans, ale nie eliminują potrzeby posiadania układów scalonych, energii, szybkich sieci, talentów inżynieryjnych i kapitału. 45
• Komercjalizacja: modele otwarte lub tanie mogą szybko zdobywać użytkowników, a jednocześnie utrudniać twórcom przełożenie popularności na przychody. Technologiczny rozgłos musi przerodzić się w trwały biznes dla firm, klientów API lub użytkowników indywidualnych.
• Niepewność benchmarków: wygrana w wąskim albo deklarowanym przez firmę teście nie rozstrzyga kwestii niezawodności, jakości wielojęzycznej, skuteczności programowania, bezpieczeństwa ani odporności agentów. Twierdzenia o przewadze wymagają niezależnego odtworzenia.
• Zaufanie i zarządzanie: prywatność, bezpieczeństwo, ograniczenia dotyczące treści oraz napięcia geopolityczne mogą hamować wdrożenia za granicą nawet wtedy, gdy model jest atrakcyjny technicznie.
• Presja rynku kapitałowego: zakończony debiut Z.ai daje tej firmie inną pozycję finansową niż prywatnemu DeepSeek, natomiast przygotowania Moonshot do potencjalnego IPO pozostają planem na przyszłość. Struktura własności DeepSeek i jego plany giełdowe są słabiej potwierdzone w wiarygodnych źródłach publicznych. 495015

Wniosek

Liang Wenfeng, Tang Jie i Yang Zhilin nie realizują jednej, centralnie skoordynowanej strategii chińskiej AI. Liang uczynił z efektywności i długofalowych badań nad AGI fundament tożsamości DeepSeek. Tang przenosi badania nad modelami bazowymi z uniwersytetu do programowania, agentów i skali rynku publicznego. Yang buduje przewagę wokół długiego kontekstu, ogromnych systemów mixture-of-experts oraz dystrybucji otwartych modeli wśród deweloperów.

Ich wspólnym osiągnięciem jest uczynienie czołówki AI bardziej pluralistyczną. Poszerzyli wybór dostępny programistom, zakwestionowali ekonomię zamkniętej infrastruktury i osłabili przekonanie, że Chiny muszą na stałe pozostawać za Stanami Zjednoczonymi.

Ostrożniejszy wniosek jest jednak bardziej uzasadniony: DeepSeek, Z.ai i Moonshot AI zmieniły układ sił, ale o trwałości tej zmiany zdecydują dostęp do obliczeń, niezależne benchmarki, skuteczna komercjalizacja i zaufanie użytkowników.