Tre kinesiska AI-bolag skriver om spelreglerna

Det viktiga med Liang Wenfeng, Tang Jie och Yang Zhilin är inte bara att tre kinesiska grundare har tagit fram uppmärksammade AI-modeller. Tillsammans har DeepSeek, Z.ai och Moonshot AI breddat bilden av vad konkurrens i AI-frontlinjen innebär.

Prestanda måste numera vägas mot öppenhet, kostnaden för att köra modellen, tillgången för utvecklare och hur mycket datorkraft som krävs för att leverera resultatet.

Det bevisar inte att Kina har gått om Silicon Valley. Men det visar att marknaden inte längre är lika tydligt USA-dominerad – och att en modell inte behöver vara stängd, extremt dyr eller stödd av ett börsnoterat amerikanskt teknikjättebolag för att påverka förväntningarna på hela branschen.

Tre grundare – tre vägar till AI-frontlinjen

Liang Wenfeng: DeepSeeks fokus på effektivitet

Liang Wenfeng studerade elektronik- och kommunikationsteknik vid Zhejianguniversitetet innan han var med och grundade High-Flyer, en kvantitativ hedgefond som använder AI och matematiska modeller i handeln. År 2023 startade han DeepSeek och tog med sig ett finansinriktat fokus på optimering och effektiv användning av datorkraft till forskningen om stora AI-modeller. 4144

DeepSeek-R1, som släpptes i januari 2025, blev bolagets stora genombrott. Resonemangsmodellen distribuerades med nedladdningsbara modellvikter och lanserades som ett billigare alternativ till ledande slutna system. DeepSeeks egna uppgifter om kostnad och prestanda kan inte ensamma ersätta oberoende utvärderingar, men de var tillräckligt kraftfulla för att få investerare att ompröva ekonomin bakom träning och användning av avancerade AI-modeller. 172226

Marknadsreaktionen blev ovanligt kraftig. Nvidia förlorade 593 miljarder dollar i börsvärde på en enda dag när investerare började ifrågasätta om AI i frontlinjen verkligen kräver de enorma och ständigt växande hårdvarubudgetar som många i branschen hade räknat med. Nedgången återhämtade sig delvis kort därefter. Reaktionen bör därför främst förstås som en snabb omvärdering av förväntningarna – inte som ett bevis på att efterfrågan på avancerade chip hade försvunnit. 1718

Liangs filosofi skiljer sig också från många kommersiella AI-satsningar. Reuters rapporterade att han har beskrivit DeepSeeks prioritet som långsiktig artificiell generell intelligens, AGI, snarare än maximal kortsiktig vinst. Han har också sagt att bolaget sannolikt kommer att fortsätta hålla sina mest avancerade modeller öppna. 33 Det finns däremot inte tillräckligt tillförlitliga uppgifter i det tillgängliga underlaget för att slå fast DeepSeeks fullständiga finansiering, värdering, eventuella noteringsplaner eller Liangs privata förmögenhet.

Tang Jie: Z.ai:s väg från forskning till företag

Tang Jie är professor i datavetenskap vid Tsinghuauniversitetet samt medgrundare och chefsforskare för Z.ai, som tidigare hette Zhipu AI. Bolaget knoppades av från Tsinghua-forskning i Peking 2019 och började lansera sin GLM-familj av stora språkmodeller 2021. 4950

Z.ai:s strategi är mer institutionellt förankrad än DeepSeeks. Bolaget kombinerar en universitetsnära forskningsbas med kommersiella och företagsinriktade ambitioner. GLM-modellerna har i allt högre grad fokuserat på resonemang, programmering, verktygsanvändning och så kallade agentarbetsflöden – där AI kan genomföra längre uppgifter och samverka med programvara. Den amerikanska myndighetsrapporten CAISI uppger att GLM-5.2 släpptes som en modell med öppna vikter den 16 juni 2026. 49

Tang har hävdat att DeepSeek-R1 markerade slutet på en tidigare, chattcentrerad fas och att programmering och resonemang blir viktigare när AI-agenter utvecklas. 52 Det säger mycket om Z.ai:s positionering: bolaget vill inte bara konkurrera med hur väl en chatbot formulerar svar, utan med hur bra en modell kan arbeta sig igenom komplexa uppgifter och använda digitala verktyg.

Z.ai visar också hur AI-labb förvandlas från privata forskningsprojekt till bolag på kapitalmarknaden. Uppgifter pekade på att bolaget hade tagit in omkring 1,25 miljarder dollar före en börsnotering i mitten av 2025. Den offentliga amerikanska bedömningen uppger att Z.ai genomförde en börsnotering i Hongkong den 8 januari 2026. 4950 Uppgifterna om bolagets marknadsvärde varierar och bör därför inte behandlas som entydiga eller slutgiltiga. Det finns inte heller tillräckligt tillförlitliga uppgifter om Tangs privata förmögenhet.

Yang Zhilin: Moonshot AI satsar på lång kontext

Yang Zhilin studerade vid Tsinghuauniversitetet och tog doktorsexamen vid Carnegie Mellon University. Rapportering beskriver också forskningserfarenhet från Google och Meta innan han var med och grundade Moonshot AI i Peking 2023. 2712

Moonshot fick först stor uppmärksamhet genom Kimi, vars profil i hög grad byggde på interaktion med mycket långa texter och sammanhang. Modellen Kimi K3 förlängde den strategin till ett betydligt större system med öppna vikter. Källor beskriver K3 som en mixture-of-experts-modell med 2,8 biljoner parametrar och ett kontextfönster på upp till en miljon token. 15

Modellvikterna släpptes efter att K3 blivit tillgänglig via Moonshots produkter och API. Det knyter ihop en konsumentinriktad chattjänst med en bredare plattformsstrategi för utvecklare. 2 Modellens storlek är anmärkningsvärd, men antalet parametrar säger inte i sig hur intelligent, billig eller användbar en modell är. Oberoende topplistor kan ge vägledning, men rankingar förändras och ersätter inte tester av tillförlitlighet, programmering, säkerhet och verkliga agentuppgifter.

Även Moonshots finansieringssiffror är rörliga. TechCrunch rapporterade om en runda på omkring 2 miljarder dollar till en värdering på 20 miljarder dollar i maj 2026. Senare uppgifter beskrev en möjlig värdering på över 30 miljarder dollar och förberedelser för en eventuell notering i Hongkong. Det handlar om rapporterade uppskattningar från den privata marknaden, inte om granskade börsvärden. 41215 Det saknas tillförlitliga offentliga uppgifter om Yangs privata förmögenhet.

Varför är detta mer än en enkel USA–Kina-kamp?

1. Prestanda mäts nu mot kostnad

DeepSeek gjorde effektivt resonemang till den stora berättelsen. Z.ai satsar på programmering, företagsanvändning och AI-agenter. Moonshot kombinerar lång kontext, mycket stora modeller med öppna vikter och produktdistribution.

Strategierna är olika, men de pekar mot samma fråga: hur mycket användbar kapacitet får utvecklare för varje dollar som läggs på träning eller användning?

Jämförelsen är inte helt ren. Rapporterade träningskostnader är ofta bolagens egna uppgifter, och kostnader för data, ingenjörsarbete, hårdvarutillgång, utvärdering och drift kan vara exkluderade. Den strategiska effekten är ändå tydlig: DeepSeek tvingade investerare och AI-labb att ompröva antaganden om kostnadskurvan för modeller i frontlinjen. 1722

2. Öppna vikter ger utvecklare fler val

Nedladdningsbara modellvikter kan göra det möjligt för utvecklare att köra modeller på egna servrar, finjustera dem eller bygga in dem i tjänster utan att helt förlita sig på ett slutet API. Det ger DeepSeek, GLM och Kimi en väg in i globala mjukvaruekosystem även när bolagen har sämre tillgång till distribution utomlands.

”Öppna vikter” betyder dock inte automatiskt full öppen källkod. Vikterna kan vara tillgängliga samtidigt som träningsdata, databehandling, träningskod och hela utvecklingsprocessen hålls hemliga. Skillnaden har betydelse för reproducerbarhet, licenser, säkerhet och styrning.

3. Marknadschocken nådde långt utanför AI-labben

DeepSeeks lansering i januari 2025 påverkade värderingen av amerikanska teknikbolag eftersom den utmanade antagandet att mer avancerad AI automatiskt kräver proportionellt mer avancerad hårdvara. Nvidias värdefall på en enda dag visade hur snabbt innovation på modellnivå kan påverka hela infrastrukturnivån. 1718

Moonshots Kimi K3 väckte på liknande sätt uppmärksamhet kring möjligheten att ett kinesiskt bolag skulle kunna släppa en modell med öppna vikter i en storleksklass som förknippats med de största amerikanska AI-labben. Reaktionen bör främst ses som ett tryck på rådande antaganden – inte som ett bevis på att Kina redan har vunnit den tekniska kapplöpningen. 14

Hindren som kan avgöra nästa fas

De tre bolagen står fortfarande inför stora strukturella problem:

• Datorkraft och hårdvara: Exportkontroller och begränsad tillgång till de mest avancerade acceleratorerna gör träning och drift av modeller i frontlinjen svårare. Effektivare metoder kan minska avståndet, men de eliminerar inte behovet av chip, el, nätverk, kompetens och kapital. 45
• Kommersialisering: Öppna eller billiga modeller kan spridas snabbt, samtidigt som det blir svårare för skaparna att fånga värdet ekonomiskt. Teknisk uppmärksamhet måste omvandlas till uthålliga företags-, API- eller konsumentintäkter.
• Osäkra benchmarkresultat: En smal eller självrapporterad seger i ett test avgör inte modellens tillförlitlighet, flerspråkiga kvalitet, programmeringsförmåga, säkerhet eller robusthet som agent. Påståenden om överlägsenhet kräver oberoende reproduktion.
• Förtroende och styrning: Integritet, säkerhet, innehållsbegränsningar och geopolitisk granskning kan bromsa internationell användning även när en modell är tekniskt attraktiv.
• Tryck från kapitalmarknaden: Z.ai:s genomförda notering ger bolaget en annan finansieringsposition än det privata DeepSeek. Moonshots rapporterade noteringsförberedelser är fortfarande framåtblickande, medan DeepSeeks ägarbild och eventuella noteringsplaner är betydligt mindre tydliga i tillförlitlig offentlig rapportering. 495015

Slutsatsen

Liang Wenfeng, Tang Jie och Yang Zhilin följer inte en enda samordnad kinesisk AI-strategi.

Liang har gjort effektivitet och långsiktig AGI-forskning till kärnan i DeepSeeks identitet. Tang tar universitetsbaserad forskning om grundmodeller in i programmering, AI-agenter och börsnoterad skala. Yang bygger Moonshot kring lång kontext, enorma mixture-of-experts-system och öppen distribution till utvecklare.

Deras gemensamma resultat är att AI-frontlinjen blivit mer pluralistisk. De har breddat utvecklarnas valmöjligheter, utmanat ekonomin bakom slutna modeller och försvagat antagandet att Kina permanent måste ligga efter USA.

Den försiktigare slutsatsen är samtidigt den mest hållbara: de har förändrat konkurrenslandskapet, men tillgången till datorkraft, osäkra benchmarkresultat, kommersialisering och förtroende avgör om förändringen blir bestående.