High-Flyer Capital Management ist ein quantitativer Hedgefonds in Hangzhou. Sie handeln Derivate mithilfe von Algorithmen. Sie sind kein KI-Labor.
Im Januar 2025 veröffentlichte ihr KI-Forschungszweig — DeepSeek — DeepSeek-R1. Es zog bei Reasoning-Benchmarks mit OpenAIs o1-mini gleich. Die gesamten Rechenkosten: etwa 5,6 Millionen Dollar.
Die Reaktion im Silicon Valley war Panik. Nvidia verlor 600 Milliarden Dollar an Marktkapitalisierung an einem einzigen Tag — der größte Ein-Tages-Einbruch in der Geschichte für ein Unternehmen.
Wie haben sie das geschafft?
Zwei architektonische Entscheidungen, die die meisten US-Labore als nachrangig behandelt hatten:
- Mixture of Experts (MoE). Statt für jedes Token das gesamte Modell zu aktivieren, leitet MoE jede Eingabe durch eine kleine Teilmenge spezialisierter Subnetze. Man erhält die Leistungsfähigkeit eines Modells mit 671 Milliarden Parametern zu den Rechenkosten eines 37-Milliarden-Modells.
- Reines Reinforcement Learning fürs Reasoning. DeepSeek-R1 wurde durch Versuch und Irrtum zum Schlussfolgern trainiert — ohne überwachte Chain-of-Thought-Beispiele. Es lernte, seine eigene Logik zu überprüfen. Das Modell entdeckte Strategien wie Selbstreflexion und mehrstufige Verifikation von sich aus.
Keine der beiden Techniken ist geheim. Beide standen in veröffentlichter Forschung. DeepSeek hat sie einfach mit ungewöhnlicher Disziplin umgesetzt.
Die Theorie, an die alle in der KI-Branche glaubten, lautete: Compute ist der Burggraben. Wer die meisten H100 kontrolliert, gewinnt. Trainingsläufe im großen Maßstab schaffen Fähigkeiten, die sich nicht billig nachbauen lassen.
DeepSeek hat das nicht vollständig widerlegt. Aber sie haben die Zielpfosten deutlich verschoben.
DeepSeek-R1 ist Open Source. Man kann die Gewichte herunterladen. Man kann es auf handelsüblicher Hardware laufen lassen. Die Fähigkeit, für die OpenAI 20 $/Monat verlangt, ist jetzt kostenlos.
Jedes Unternehmen mit einem Pitch-Deck nach dem Motto „wir haben exklusiven Zugang zu Frontier-Modellen“ hatte einen schlechten Januar.
Die tiefere Implikation: KI-Fähigkeiten werden schneller zur Massenware, als die Branche erwartet hatte.
Das Rennen ist nicht vorbei. Frontier-Modelle sind noch voraus. Aber die Lücke zwischen „Frontier“ und „gut genug für die meisten Anwendungen“ schließt sich rasant — und die Kosten, um „gut genug“ zu erreichen, fallen schneller, als irgendjemand eingeplant hatte.
Das verändert das Geschäft mit KI mehr, als es die Technologie verändert.