Як DeepSeek, Z.ai та Moonshot AI змінюють правила китайського ШІ-виклику

Вплив Ляна Веньфена, Тан Цзе та Ян Чжиліна полягає не лише в тому, що троє китайських засновників створили помітні моделі штучного інтелекту. Разом DeepSeek, Z.ai та Moonshot AI розширили саме поняття конкуренції на передньому краї ШІ: тепер моделі оцінюють не тільки за можливостями, а й за відкритістю, вартістю обробки запитів, доступом для розробників і кількістю обчислювальних ресурсів, потрібних для їхньої роботи.

Це не доводить, що Китай випередив Кремнієву долину. Але показує: ринок уже не є виключно американським. Щоб вплинути на глобальні очікування, моделі не обов’язково мають бути закритими, надзвичайно дорогими або створеними великою американською технологічною корпорацією.

Три засновники — три шляхи до передового ШІ

Лян Веньфен: виклик DeepSeek, побудований на ефективності

Лян вивчав електронну інженерію та інженерію зв’язку в Чжецзянському університеті, а згодом став співзасновником High-Flyer — кількісного хедж-фонду, що використовує алгоритми штучного інтелекту. У 2023 році він заснував DeepSeek, перенісши у фундаментальні моделі орієнтацію на математичну оптимізацію та ефективне використання обчислень, характерну для фінансових технологій. 4144

Визначним досягненням компанії стала модель міркування DeepSeek-R1, представлена в січні 2025 року. Її ваги можна було завантажити, а саму модель позиціонували як дешевшу альтернативу провідним закритим системам. Власні заяви DeepSeek про вартість і продуктивність не можуть повністю замінити незалежне оцінювання, однак вони були достатньо переконливими, щоб змусити інвесторів переглянути уявлення про економіку навчання та використання ШІ. 172226

Реакція ринку виявилася винятково масштабною. За один день Nvidia втратила 593 мільярди доларів ринкової вартості: інвестори засумнівалися, що передові моделі обов’язково потребують гігантських і постійно зростаючих бюджетів на обладнання. Згодом розпродаж частково відігрався, тому цю подію точніше трактувати як стрімкий перегляд очікувань, а не як доказ зникнення попиту на потужні чипи. 1718

Філософія Ляна також вирізняється. Reuters повідомляв, що він називав пріоритетом DeepSeek довгострокове створення загального штучного інтелекту, а не максимізацію короткострокового прибутку. За його словами, компанія, ймовірно, і надалі залишатиме найпередовіші моделі відкритими. 33 Водночас наявні дані недостатньо надійні, щоб подавати як встановлений факт повний обсяг фінансування DeepSeek, оцінку компанії, плани її лістингу чи особисті статки Ляна.

Тан Цзе: шлях Z.ai від університетської науки до бізнесу

Тан Цзе — професор комп’ютерних наук Університету Цінхуа, співзасновник і головний науковець Z.ai, яка раніше була відома як Zhipu AI. Компанія виникла на базі досліджень Цінхуа в Пекіні у 2019 році, а випускати сімейство моделей GLM почала у 2021-му. 4950

Стратегія Z.ai більш інституційна, ніж у DeepSeek: компанія поєднує університетську дослідницьку базу з комерційними та корпоративними амбіціями. Нові версії GLM дедалі більше орієнтуються на міркування, програмування, використання інструментів і роботу ШІ-агентів. За даними Центру стандартів та інновацій у сфері ШІ уряду США, GLM-5.2 вийшла як модель із відкритими вагами 16 червня 2026 року. 49

Тан вважає, що поява DeepSeek-R1 завершила попередній, орієнтований на чат етап розвитку, а програмування та міркування стануть важливішими в міру поширення ШІ-агентів. 52 Так можна зрозуміти й позиціонування Z.ai: компанія змагається не лише за природність діалогу, а й за здатність моделей виконувати довгі послідовності завдань та взаємодіяти з програмним забезпеченням.

Z.ai також демонструє перехід від приватної дослідницької лабораторії до компанії, пов’язаної з ринками капіталу. За повідомленнями, до середини 2025 року вона залучила близько 1,25 мільярда доларів, а в офіційній оцінці уряду США зазначено, що 8 січня 2026 року компанія провела IPO у Гонконзі. 4950 Публічні оцінки її вартості різняться, тому їх не слід вважати взаємозамінними чи остаточними. Надійних даних про особисті статки Тан Цзе також недостатньо.

Ян Чжилін: ставка Moonshot AI на довгий контекст

Ян Чжилін навчався в Університеті Цінхуа, а докторський ступінь здобув у Carnegie Mellon University. ЗМІ також повідомляли про його дослідницький досвід у Google та Meta до співзаснування Moonshot AI у Пекіні в 2023 році. 2712

Першу широку увагу Moonshot привернула завдяки Kimi — сервісу, який асоціювався передусім із роботою з великим контекстом. Модель Kimi K3 продовжила цю стратегію вже у форматі масштабної системи з відкритими вагами: джерела описують її як суміш експертів із 2,8 трильйона параметрів і контекстним вікном до одного мільйона токенів. 15

Ваги K3 відкрили після запуску моделі в продуктах і через API Moonshot. Таким чином, компанія поєднала споживчий чат-бот із ширшою платформою для розробників. 2 Масштаб моделі вражає, однак сама кількість параметрів не доводить рівень інтелекту, експлуатаційні витрати чи практичну корисність. Незалежні рейтинги допомагають порівнювати системи, але їхні результати змінюються і не замінюють перевірок на надійність, програмування, безпеку та реальні агентні завдання.

Дані про фінансування Moonshot також залишаються нестабільними. TechCrunch повідомляв про раунд приблизно на 2 мільярди доларів за оцінки компанії у 20 мільярдів у травні 2026 року. Пізніші матеріали описували можливу оцінку понад 30 мільярдів доларів і підготовку до потенційного лістингу в Гонконзі. Це оцінки приватного ринку, а не підтверджені аудировані показники публічної компанії. 41215 Надійних даних про особисті статки Яна Чжиліна недостатньо.

Чому це не просто змагання США та Китаю?

1. Можливості тепер оцінюють разом із ціною

DeepSeek зробила ефективне міркування головною темою. Z.ai наголошує на програмуванні, корпоративному впровадженні та агентах. Moonshot поєднує довгий контекст, надмасштабні ваги з відкритим доступом і дистрибуцію через власні продукти. Підходи різні, але всі три компанії підштовхують індустрію до ширшого питання: скільки корисних можливостей розробник отримує за кожен долар навчання чи обробки запитів?

Порівняння тут неідеальне. Заявлені витрати на навчання часто походять від самих компаній і можуть не враховувати дані, інженерну роботу, доступ до обладнання, оцінювання та розгортання. Проте стратегічний ефект очевидний: DeepSeek змусила інвесторів і лабораторії переглянути уявлення про криву вартості передових моделей. 1722

2. Відкриті ваги дають розробникам більше свободи

Моделі з можливістю завантаження ваг дозволяють розробникам розгортати їх на власній інфраструктурі, донавчати або інтегрувати без повної залежності від закритого API. Завдяки цьому DeepSeek, GLM і Kimi можуть потрапляти у світові програмні екосистеми навіть за обмеженого доступу їхніх компаній до закордонних каналів дистрибуції.

Водночас «відкриті ваги» не обов’язково означають повністю відкритий вихідний код. Ваги можуть бути доступними, тоді як навчальні дані, методи їхньої обробки, код навчання та весь процес розробки залишаються нерозкритими. Це має значення для відтворюваності, ліцензування, безпеки та управління технологією.

3. Ринковий шок вийшов за межі лабораторій

Реліз DeepSeek у січні 2025 року вплинув на оцінки американських технологічних компаній, адже поставив під сумнів припущення, що потужніший ШІ автоматично потребуватиме пропорційно більшої кількості найсучаснішого обладнання. Одноденна втрата Nvidia показала, як швидко інновація на рівні моделі може вплинути на інфраструктурний сегмент. 1718

Kimi K3 викликала подібну увагу до можливості, що китайська компанія випустить модель із відкритими вагами масштабу, який раніше асоціювався з найбільшими американськими лабораторіями. Однак цю реакцію краще розуміти як тиск на усталені припущення, а не як доказ завершеної технологічної перемоги. 14

Обмеження, які визначать наступний етап

Усі три компанії й надалі стикаються із серйозними структурними проблемами.

• Обчислення та обладнання. Експортні обмеження й обмежений доступ до найпотужніших прискорювачів ускладнюють навчання та обслуговування передових моделей. Методи підвищення ефективності можуть скоротити відставання, але не скасовують потреби в чипах, електроенергії, мережевій інфраструктурі, інженерах і капіталі. 45
• Монетизація. Відкриті або дешеві моделі можуть швидко поширюватися, водночас ускладнюючи творцям отримання доходу. Технічна увага має перетворитися на стабільний корпоративний, API- або споживчий бізнес.
• Невизначеність бенчмарків. Перемога в одному вузькому чи самостійно заявленому тесті не доводить надійність, якість різними мовами, ефективність програмування, безпеку або стійкість агентів. Заяви про перевагу потребують незалежного відтворення.
• Довіра та управління. Питання приватності, безпеки, обмежень контенту й геополітичний контроль можуть стримувати міжнародне використання навіть технічно привабливої моделі.
• Тиск ринків капіталу. Завершений лістинг Z.ai дає їй іншу фінансову позицію, ніж приватній DeepSeek, тоді як підготовка Moonshot до можливого IPO залишається перспективою. Структура власності DeepSeek і її плани щодо лістингу в надійних публічних матеріалах залишаються менш зрозумілими. 495015

Висновок

Лян Веньфен, Тан Цзе та Ян Чжилін не реалізують єдину китайську стратегію розвитку ШІ. Лян зробив ефективність і довгострокові дослідження AGI центральною частиною ідентичності DeepSeek. Тан переводить університетські дослідження фундаментальних моделей у сферу програмування, агентів і публічного фінансування. Ян будує компанію навколо довгого контексту, величезних MoE-систем і відкритого доступу для розробників.

Їхній спільний результат — більша багатополярність передового ШІ. Вони розширили вибір для розробників, поставили під сумнів економіку закритої інфраструктури та послабили припущення, що Китай назавжди залишатиметься позаду США. Обережніший — і переконливіший — висновок такий: ці компанії вже змінили конкурентне поле, але тривалість цієї зміни визначать обмеження обчислень, невизначені бенчмарки, здатність заробляти та рівень довіри.