Därför föll minnesaktier efter DeepSeeks V4.1-Flash

DeepSeeks lansering av V4.1-Flash gav marknaden skäl att ompröva en central idé i AI-handeln: att kraftfullare modeller automatiskt innebär att allt mer minne och lagring krävs för varje AI-tjänst som körs. Reaktionen handlade främst om en omvärdering av det antagandet – förstärkt av en separat debatt om att dämpa takten i utvecklingen av de mest avancerade AI-modellerna – inte om att den långsiktiga efterfrågan på AI-minne skulle vara över.

Vad DeepSeek faktiskt förändrade

DeepSeek uppger att V4.1-Flash behöver en fjärdedel så mycket HBM-minne (high-bandwidth memory) och en åttondel så mycket SSD-lagring för sin så kallade KV-cache jämfört med föregående generation. Bolaget lyfte särskilt fram kostnaden för cache-träffar som en stor del av utgifterna i AI-agenttjänster. 29

En KV-cache lagrar modellens uppmärksamhetstillstånd från tidigare text, så att modellen kan fortsätta en lång konversation eller process utan att räkna om hela det tidigare sammanhanget. Därför är den en viktig kapacitetsfråga när modeller ska betjäna många användare samtidigt, i synnerhet vid långa kontexter och AI-agenter.

Det viktiga förbehållet är att DeepSeek inte hävdade att ett helt AI-system plötsligt behöver 75 procent mindre HBM eller 87,5 procent mindre lagring. Jämförelsen gäller KV-cachen och DeepSeeks föregående arkitektur. Modellvikter, träningsinfrastruktur och andra delar av systemen kräver fortfarande stora mängder minne och lagring. 25

Varför minnes- och lagringsaktier föll

För investerare var slutsatsen enkel: om en modell kan hantera liknande inferens – alltså när en färdigtränad modell svarar på förfrågningar – med betydligt mindre cache-minne, kan samma mängd AI-hårdvara i teorin hantera fler samtidiga sessioner. Då försvagas förväntningarna på minnesintensiteten per arbetslast och därmed på efterfrågan och prissättningen för HBM och företagslagring.

I Seoul föll Samsung med 3,5 procent och SK Hynix med 2,2 procent efter lanseringen, enligt samtida rapportering. 49 I den efterföljande amerikanska handeln sattes även minnes- och lagringsbolag under press. Rapporter pekade på DeepSeeks lägre behov av HBM och SSD som en faktor när investerare omprövade utsikterna för AI-infrastruktur. 5152

Det bevisar inte att en enda modellrelease förklarar varje kursrörelse. Halvledaraktier påverkas också av bland annat vinstförväntningar, utbud, räntor, riskaptit och prognoser för investeringar i datacenter. Men reaktionen visade hur känsliga AI-kopplade värderingar har blivit för tecken på att mjukvara och modellarkitektur kan minska hårdvarubehovet per levererad AI-tjänst.

En andra oro: krav på att bromsa frontmodellerna

Effektivitetsnyheten sammanföll med en annan efterfrågeoro. Anthropics vd Dario Amodei argumenterade i essän We Must Pace the Frontier för att takten i förbättringarna av AI-kapacitet bör sänkas, så att företag och regeringar hinner anpassa och säkra allt kraftfullare system. Han gjorde samtidigt klart att ”pacing” inte innebär att stoppa modellträning eller tekniska framsteg. Förslaget omfattade bland annat externa utvärderare med löpande insyn, samordning mellan demokratiska regeringar och global samordning. 40

Marknaden kan tolka en långsammare utvecklingstakt – även utan ett träningsstopp – som en risk för att investeringar i acceleratorer, nätverk, minne och datacenter skjuts upp. Den dag som marknadsrapporterna avsåg föll Nasdaq-100-terminer 1,77 procent, medan Marvell föll mer än 7 procent, Intel omkring 6 procent och Micron mer än 5 procent. 51

De två frågorna är dock olika:

• DeepSeek väckte en effektivitetsfråga: Hur mycket minne och lagring behöver varje inferensarbetslast?
• Debatten om att sänka takten väckte en tidsfråga: Hur snabbt kommer industrin att bygga och ta i bruk allt kapablare frontmodeller?

Tillsammans gjorde de mest offensiva prognoserna för AI-infrastrukturens efterfrågan mindre självklara.

Michael Burrys kritik mot bromsretoriken

Investeraren Michael Burry kallade industrins retorik om att sakta ned utvecklingen för ”self-serving”, alltså egennyttig. Han menade att den kan gynna etablerade frontlabs genom att göra det svårare för konkurrenter, skapa ”hype & puffery” inför möjliga börsnoteringar och ge täckning för en avtagande tillväxt. Han hävdade också att stora språkmodeller inte är artificiell generell intelligens, AGI, och att det därför enligt honom inte finns något av det slaget att bromsa. 14

Detta är Burrys bedömningar av konkurrens, värderingar och AI-förmåga – inte vedertagna tekniska slutsatser. För marknaden var poängen snarare att debatten om långsammare AI-utveckling lästes både som en säkerhetsfråga och som en fråga om incitament.

Vad det betyder för den positiva synen på minnesmarknaden

Den förenklade versionen av AI-tesen för minnesmarknaden har varit rak: större modeller, längre kontextfönster och fler AI-användare bör kräva mer HBM, NAND-flash och lagringskapacitet. DeepSeek tillför en viktig motkraft: arkitektonisk effektivitet.

Ett bättre sätt att bedöma efterfrågan är att skilja på två variabler:

1. Minnesbehovet per arbetslast. En mer effektiv KV-cache kan minska detta.
2. Det totala antalet och intensiteten i arbetslaster. Fler användare, längre kontexter och fler autonoma agenter kan öka detta.

Att den första variabeln faller avgör inte automatiskt den andra. Billigare och effektivare inferens kan bredda användningen och skapa fler totala förfrågningar. Men om effektiviseringen sprids snabbare än användningen växer kan mindre hårdvara behövas för att leverera en given mängd AI-output.

Därför är långsiktseffekten fortfarande osäker

V4.1-Flash är främst relevant för inferens och KV-cache. DeepSeeks jämförelse eliminerar inte minnesbehovet för modellvikter eller träning. 25 Det är en avgörande skillnad, eftersom träning och drift av färdiga modeller ställer olika krav på beräkningskraft, minne och sammankoppling mellan system.

Den avgörande osäkerheten är alltså inte om den rapporterade effektiviseringen är betydelsefull – det är den – utan om den förändrar den samlade efterfrågan. Investerare behöver följa hur snabbt liknande cachebesparande teknik får genomslag, hur långkontext- och agentarbetslaster växer, hur priserna på HBM och lagring utvecklas samt om träning och utrullning av frontmodeller fortsätter att accelerera.

För tillfället är kursfallet bäst att se som en varning mot att betrakta brist på AI-minne som en ensidig affär. Modellinnovation kan minska hårdvaran som behövs per förfrågan lika snabbt som nya användningsområden ökar antalet förfrågningar.