DeepSeek R2 – nová výzva pro OpenAI a Nvidii

Na začátku roku 2025 způsobil čínský výzkumný lab DeepSeek v AI komunitě pozdvižení uvedením svého open-source modelu DeepSeek-R1. Tento vysoce efektivní model dokázal výkonově držet krok s nejpokročilejšími AI, jako je OpenAI “O3” a Llama od Meta, přičemž byl výrazně levnější na provoz a méně náročný na výpočetní zdroje. Zpráva o R1 vyvolala koncem ledna dočasný prudký propad ceny akcií Nvidia – denně až o ~17 % – protože investoři pojali obavy, že efektivnější AI modely by mohly snížit poptávku po výkonných GPU. Trh však brzy ocenil dlouhodobé vyhlídky Nvidie a akcie se zotavily, ačkoliv tlak zesiloval s pokračující obchodní válkou USA-Čína v oblasti technologií.

Hlavním argumentem je úvaha, zda by nový připravovaný model DeepSeek-R2 mohl představovat pro Nvidii podobné riziko. Modely DeepSeek totiž kladou důraz na softwarovou optimalizaci oproti hrubé síle hardwaru, což dramaticky snižuje náklady oproti tradičním velkým jazykovým modelům. Již R1 dokázal podat konkurenční výkon s omezeným výpočetním výkonem díky pokročilým optimalizačním technikám. Například cenový model API DeepSeek-R1 demonstruje jeho úspornost – účtuje si pouhých $0,55 za milion vstupních tokenů a $2,19 za milion výstupních tokenů, čímž dramaticky podkopává ceny API OpenAI (cca $15 a $60 za stejné množství tokenů). To naznačuje, že aplikace běžící na R1 mohou být provozovány za zlomek nákladů oproti aplikacím na GPT-4.

Autoři článku poukazují na to, že podle dostupných zpráv má DeepSeek-R2 brzy debutovat a přinést další zásadní posun v nákladové efektivitě. R2 údajně využívá hybridní architekturu Mixture-of-Experts (MoE), která dělí model na více sub-sítí („expertů“), jež se při zpracování vstupu aktivují selektivně. Díky tomuto přístupu může model výrazně snížit výpočetní zátěž při trénování a zrychlit inferenci (odpovídání) oproti klasickým „dense“ modelům. Celkový počet parametrů R2 se podle spekulací vyšplhal až na 1,2 bilionu. Navzdory tak obrovské velikosti má být trénování R2 až o 97,3 % levnější než trénink modelu OpenAI GPT-4 (v článku označovaného jako GPT-4o). Tato ohromná úspora naznačuje, že DeepSeek-R2 by mohl zcela změnit ekonomiku AI, jelikož by poskytl špičkový výkon za zlomek dnes obvyklých nákladů.

Článek také zdůrazňuje geopolitický rozměr: DeepSeek při vývoji R2 údajně přesedlal z amerických GPU na domácí čipy Huawei Ascend 910B. Výpočetní clustery založené na čipech Ascend dosahují až ~91% efektivity ve srovnání s ekvivalentní sestavou na bázi Nvidia A100 GPU. DeepSeek si tak buduje vlastní lokální dodavatelský řetězec hardwaru a snižuje závislost na amerických čipech. Pro srovnání – při tréninku R1 prý museli využít deset tisíc GPU Nvidia H100 a H200, navzdory americkým exportním kontrolám (čipy obstarali nepřímo přes země jako Singapur a Malajsie). Pokud se DeepSeeku podaří plně přejít na čínské čipy, mohou jej následovat i další velcí hráči čínské AI scény, což by byla pro Nvidii nepříjemná zpráva.

Závěry a investiční poznatky: Pro společnost Nvidia představují trendy nastolené DeepSeekem potenciální riziko v tom, že by se mohla ochladit poptávka po výpočetním výkonu datacenter. Pokud by odvětví AI začalo přejímat open-source přístup DeepSeeku a zaměřilo se na efektivnější modely, mohlo by to v budoucnu brzdit raketový růst poptávky po drahých GPU. Navíc, budou-li čipy jako Huawei Ascend díky inovativnímu softwaru využity lépe, firmy mohou diverzifikovat svou poptávku mimo čipy Nvidia. Na druhou stranu, efektivnější modely mohou mít i pozitivní sekundární efekt pro samotnou Nvidii – snížením výpočetních bariér totiž zpřístupní pokročilou AI širšímu okruhu uživatelů a nových aplikací, což by ve výsledku mohlo zvýšit celkovou poptávku po AI (a nepřímo i po hardwaru). Analytický tým Trefis odhaduje reálnou hodnotu akcie Nvidia na zhruba $101 za akcii, tedy cca o 10 % níže než byla tržní cena v době psaní článku. Trefis tedy naznačuje, že akcie Nvidia mohou být mírně nadhodnocené s ohledem na možná rizika, a investoři by měli bedlivě sledovat, jak se trend otevřených efektivních modelů (jako DeepSeek) bude vyvíjet. Celkově však článek vyznívá spíše uklidňujícím tónem – Nvidia zatím zůstává klíčovým hráčem, ale nová konkurence v podobě DeepSeek R2 signalizuje změnu dynamiky v odvětví AI, kterou nelze ignorovat.

Původ a vývoj DeepSeeku

DeepSeek je relativně novým hráčem na poli umělé inteligence, který však svým nekonvenčním přístupem rychle získal celosvětovou pozornost. Za projektem stojí Liang Wenfeng, zakladatel úspěšného kvantitativního hedge fondu v Číně. Liang se rozhodl využít kapitál a zdroje svého fondu k průlomu v AI výzkumu – začal hromadit tisíce GPU a najal talentované mladé inženýry, aby společně budovali velké modely za zlomek obvyklých nákladů. Již kolem roku 2023 disponoval tým DeepSeek (původně v rámci výzkumné odnože zvané Fire-Flyer) superpočítačem s 10 000 Nvidia GPU, což poskytlo solidní výpočetní základ pro trénování velkých modelů. Místo tradičního komerčního zaměření se Liang rozhodl vydat cestou open-source vývoje s ambicí posunout hranice AI a případně dosáhnout i obecné umělé inteligence. Tuto strategii lze připodobnit k situaci, jako by například investiční firma Jane Street najednou „spálila“ hotovost ve prospěch vědeckého výzkumu AI – odvážný tah, který však v případě DeepSeek překvapivě vyše.

Prvními výsledky DeepSeek byly modely zveřejněné koncem roku 2024. Podle informací vydal DeepSeek během pouhých několika týdnů dva pokročilé open-source modely – označené V3 a R1. Zvláště model DeepSeek-R1, uvolněný v lednu 2025, zaznamenal ohromný ohlas. Šlo o velký jazykový model (LLM) zaměřený na “reasoning” schopnosti, tedy logické odvozování, matematiku a krokové řešení problémů. Překvapil nejen svou vysokou úrovní inteligence, srovnatelnou s nejlepšími modely té doby, ale i otevřeností – firma zveřejnila jak model, tak technické detaily pod licencí MIT, což umožnilo komukoli model zkoumat a využívat. R1 byl trénován na obřím množství dat, ale s nečekaně nízkým rozpočtem. Odhady hovoří o nákladech vývoje pod 6 milionů dolarů– což je v kontrastu s částkami v desítkách či stovkách milionů, běžně spojovanými s trénováním špičkových AI modelů (např. OpenAI utratila za GPT-4 odhadem 80–100 milionů USD). Tato filozofie „frugal innovation“ (šetrných inovací) ukázala, že špičkovou AI lze vyvinout i s rozpočtem v jednotkách milionů dolarů, pokud se chytře optimalizuje.

DeepSeek-R1 si vysloužil pozornost tím, že dosáhl výkonu srovnatelného s tehdejší špičkou (GPT-4 od OpenAI) v oblasti logického uvažování, řešení matematických úloh či programování. Podle odborných benchmarků R1 dokonce předčil konkurenční modely v řadě testů zaměřených na reasoning (uvažování). Mnozí odborníci z oboru označili R1 za „open-source alternativu ke GPT-4“, neboť “vykazuje obdobné schopnosti jako vlajkový model OpenAI”. Klíčové je, že DeepSeek dokázal tohoto výsledku dosáhnout bez přístupu k nejvýkonnějšímu západnímu hardwaru v neomezeném množství – americké embargo na export špičkových čipů (jako Nvidia A100/H100) do Číny nutilo tým hledat cestu skrze maximalizaci efektivity a využití dostupných prostředků. DeepSeek vsadil na maximalizaci optimalizace softwaru, pečlivé vyladění komunikace mezi čipy, úsporné metody práce s pamětí a posilované učení, aby s omezeným hardwarem dosáhl maxima výkonu. Podle profesorky Mariny Zhang představuje DeepSeek novou generaci čínských firem, které upřednostňují otevřenou spolupráci a dlouhodobý technologický pokrok před krátkodobým ziskem. Tento přístup – otevřené sdílení a komunitní inovace – kontrastuje s tradičně uzavřenějšími konkurenčními projekty a pomohl DeepSeeku překonat omezení daná nedostatkem špičkového hardwaru.

Architektura a schopnosti DeepSeek R2

Očekávaný model DeepSeek-R2 navazuje na úspěch R1 a míří ještě výše. Podle dostupných informací (z uniklých zpráv na čínských fórech a médiích) DeepSeek zvolil pro R2 moderní architekturu Mixture-of-Experts (MoE) v hybridním provedení. To znamená, že namísto jednoho obřího modelu, kde jsou všechny parametry aktivní při každém dotazu, je R2 rozdělen do množství specializovaných sub-modelů – “expertů”. Tyto experty řídí tzv. gating mechanismus, který pro konkrétní vstup zvolí jen podmnožinu neuronů potřebných k optimální odpovědi. V praxi tak model může mít extrémně velký celkový počet parametrů, ale pro jeden dotaz se využije jen část z nich, což šetří výpočetní čas i paměť.

Parametry R2 skutečně budí pozornost – hovoří se o cca 1,2 bilionu parametrů (1,2 × 10^12), což by z R2 činilo největší známý LLM model současnosti. Pro srovnání, OpenAI GPT-3 měl 175 miliard parametrů a GPT-4 se odhaduje kolem 1 bilionu parametrů (OpenAI přesné číslo tají). Meta AI Llama 2 má ve své největší verzi 70 miliard parametrů, Google PaLM 2 ~340 miliard a jeho předchůdce PaLM 1 dokonce 540 miliard. DeepSeek R2 by tedy parametrově překonal všechny uvedené – je však nutné dodat, že díky MoE principu nebude muset aktivně využívat všech 1,2 bilionu najednou. Podle neoficiálních údajů je při typickém dotazu aktivních zhruba 78 miliard parametrů R2, což se blíží spíše “velikosti” GPT-3 nebo Llama 2. Z hlediska trénovacích dat má R2 údajně zpracováno kolem 5,2 petabajtů textových dat, včetně rozsáhlých vícejazyčných a doménově specifických korpusů (lze předpokládat, že navazuje na dataset R1 rozšířený o nové zdroje).

Hlavní předností DeepSeek-R2 má být efektivita – jak výpočetní, tak nákladová. Díky architektuře MoE a dalším optimalizacím se podařilo dosáhnout toho, že trénink R2 stál jen zlomek toho, co by jinak vyžadoval model těchto rozměrů. Podle odhadů interní náklady DeepSeeku činily jen několik málo milionů dolarů. Konkrétně uniklé informace uvádějí, že R2 je 97,3 % levnější na vytrénování než GPT-4. API pro R2 by mohlo být dokonce řádově levnější než API R1 – spekuluje se o ceně kolem $0,07 za milion vstupních tokenů a $0,27 za milion výstupních, což je bezprecedentně nízká cena (pro srovnání, OpenAI si u GPT-4 účtuje desítky dolarů za milion tokenů). Jinými slovy, náklady na nasazení AI se s R2 mohou stát téměř zanedbatelné v porovnání s dneškem – což by mohlo urychlit adopci AI v mnoha odvětvích.

Co do výkonnosti, R2 je očekáván jako jeden z nejchytřejších modelů na světě. Už jeho předchůdce R1 exceloval v testech logiky a matematiky; R2 má díky většímu rozsahu a vylepšené architektuře posunout laťku ještě výše. Některé úniky zmiňují, že R2 dosahuje rekordních výsledků v hodnocení čínského evaluačního testu C-Eval 2.0 – konkrétně kolem 89,7 % úspěšnosti, což by naznačovalo špičkovou úroveň porozumění a řešení úloh (zda jde o přesné číslo, nelze ověřit, dokud DeepSeek výsledky oficiálně nepublikuje). Dále se očekává, že R2 bude multimodální či rozšiřitelný do více domén (zatím však dostupné informace hovoří primárně o textových schopnostech, podobně jako u GPT-4).

Velmi zajímavý je i hardware a infrastruktura stojící za R2. DeepSeek musel kvůli americkým restrikcím improvizovat a nahradit nedostatkové špičkové Nvidia GPU domácí alternativou. Řešením byly akcelerátory Huawei Ascend 910B, výkonné AI čipy vyráběné čínskou firmou Huawei. Trénink R2 probíhal na clusteru složeném právě z těchto Ascend čipů a dosáhl vynikající efektivity – údajně se podařilo využít 82 % maximálního výkonu hardwaru, což svědčí o výborném paralelním škálování a optimalizaci (plné vytížení tak velkého clusteru bývá obtížné, DeepSeek očividně zvládl svůj software vyladit dokonale). Celkový výpočetní výkon clusteru byl uváděn kolem 512 petaFLOPS (FP16), což je ohromující číslo (pro představu – to odpovídá zhruba výkonu superpočítače TOP10 světového žebříčku). DeepSeek tedy prokázal schopnost vertikální integrace AI stacku – vyvinul si nejen model, ale efektivně si poskládal i vlastní „AI cloud“ z domácích komponent. To je v ostrém kontrastu s R1, který ještě spoléhal na tisíce špičkových Nvidia GPU (dovezených oklikou ze zahraničí).

Souhrnně řečeno, DeepSeek R2 představuje kombinaci mimořádné velikosti modelu, pokročilé architektury a extrémní efektivity. Bude-li uveden dle očekávání jako open-source, stane se pravděpodobně nejpokročilejším otevřeným AI modelem dostupným veřejnosti. Jeho dopad však nejlépe vynikne při srovnání s konkurenty ze západu – pojďme se podívat, jak si R2 stojí v kontextu současných předních AI modelů.

Srovnání DeepSeek R2 s konkurenčními AI modely

Následující tabulka porovnává klíčové charakteristiky DeepSeek R2 a několika významných modelů od předních společností (Nvidia, OpenAI, Google/DeepMind a Meta), které dominují oblasti AI. Srovnáváme zejména velikost modelu (parametry), použitou architekturu a dostupnost (zda je open-source či uzavřený), plus některé poznámky o výkonu či účelu.

Poznámky: Výše uvedené modely představují různou filozofii vývoje. DeepSeek R2 a Llama 2 sází na otevřenost, zatímco OpenAI, Google a Nvidia drží své nej pokroky interně a poskytují jen omezený přístup. Parametry modelů nejsou jediným měřítkem – např. GPT-4 a chystaný Gemini kladou důraz i na multi-modality (obraz + text) a jemné ladění na instrukce. DeepSeek R2 je unikátní svým zaměřením na maximální efektivitu a nízké náklady, čímž může narušit dosavadní ekonomiku „velkých modelů“ dominovaných uvedenými hráči.

Dopady DeepSeek R2 na trh AI hardwaru a softwaru

Vzhledem k výše popsaným vlastnostem DeepSeek R2 lze očekávat významné dopady na ekosystém AI, a to jak z hlediska hardwaru (výrobci čipů, cloudová infrastruktura), tak softwaru (modely a služby AI).

1. Dopad na AI hardware (GPU vs. nové akcelerátory):
Dosud byly pokročilé AI modely takřka synonymem vysoké spotřeby výpočetního výkonu, z čehož těžila zejména Nvidia se svými GPU akcelerátory. Obrovská poptávka po GPU pro trénink a nasazení modelů typu GPT-3/4 způsobila v posledních dvou letech explozivní růst tržeb Nvidie (meziročně +125 % ve fiskálním roce 2024). DeepSeek R2 však tento trend zpochybňuje – ukazuje, že chytrým softwarem lze dramaticky snížit potřebu hrubého hardwarového výkonu. Pokud by se myšlenky DeepSeeku rozšířily (tj. vznikaly by další úsporné open-source modely), mohlo by to zmírnit hlad po high-end GPU v některých segmentech. Firmy vyvíjející vlastní AI by se mohly zaměřit na optimalizaci kódu a architektur místo nakupování stále většího množství čipů. Pro Nvidii by to znamenalo potenciální ohrožení části budoucího trhu – zejména v Číně, kde už nyní kvůli sankcím roste zájem o alternativy. DeepSeek navíc prokázal životaschopnost čínských Huawei Ascend čipů v praxi na nejvyšší úrovni. Úspěch R2 tak validuje čínský AI hardware, což může akcelerovat jeho adopci. Další čínské firmy (internetoví giganti, výzkumné laby) mohou následovat příkladu DeepSeek a zvolit domácí akcelerátory místo Nvidia GPU. To by dlouhodobě posílilo ekosystém kolem RISC-V a domácích AI čipů v Číně a snížilo technologickou závislost na USA. Na druhou stranu, Nvidia nebude stát stranou – již nyní investuje do vývoje softwarových knihoven, optimalizačních nástrojů (např. Nvidia Triton Inference Server) a specializovaných AI čipů (DPUs, Grace Hopper superčipy) tak, aby její hardware byl co nejefektivnější. Také může těžit z toho, že celkový objem AI výpočtů dále poroste, i když jednotkové nároky modelů klesnou – více dostupné AI znamená více aplikací, a tím pádem širší základna méně výkonného hardwaru potřebného pro inference. Nvidia se tak může zaměřit na mainstream nasazení (dodávat GPU pro všechny nové zákazníky AI) místo jen honby za stále větší špičkovou výkonností.

2. Dopad na AI software a modely:
DeepSeek R2 představuje další vítězství otevřeného modelu nad uzavřeným přístupem. OpenAI od svého vzniku přešla od open-source ke striktně uzavřeným modelům a většina špičkových AI (GPT-4, PaLM, Gemini) je dostupná jen přes API či vůbec. Naproti tomu úspěch Llama 2 v roce 2023 ukázal, že komunitou vylepšované otevřené modely mohou rychle dohnat kvalitu těch uzavřených. DeepSeek R1 posunul tento koncept ještě dál – nabídl open-source model přímo konkurující GPT-4. R2 bude pravděpodobně znamenat výrazné posílení open-source AI ekosystému. To může vyvolat reakci velkých hráčů: například Meta by mohla urychlit vývoj Llama 3, aby si udržela náskok v open-source komunitě, Google možná zváží uvolnění nějaké verze svých modelů (nebo větší části trénovacích dat) akademikům, aby podpořil inovace, a i OpenAI čelí tlaku – pokud se ukáže, že volně dostupný R2 zvládá 90+ % toho co o3, někteří zákazníci mohou dát přednost flexibilitě vlastního nasazení open modelu před placeným API s omezeními. Konkurence modelů se tedy přiostří: zavedené modely budou muset zlepšit poměr cena/výkon (např. OpenAI může být nucena zlevnit API přístup, který DeepSeek cenově podstřeluje o řády). Z toho budou těžit uživatelé a firmy využívající AI – širší nabídka modelů znamená více možností volby a tlak na snižování cen cloudových AI služeb.

Dalším aspektem je demokratizace a inovace. DeepSeek R2 díky své otevřenosti umožní výzkumníkům z celého světa studovat takto pokročilý model, vylepšovat ho a adaptovat na nové úkoly. To může přinést nové vědecké objevy i praktické aplikace. Jistým rizikem je ovšem i zneužití – stejně jako u Llamy se otevřený model může dostat do rukou aktérů, kteří jej mohou nasadit bez ohledu na etické či bezpečnostní zásady (spam, dezinformace, atd.). Velcí poskytovatelé uzavřených modelů často zdůrazňují, že kontrolovaný přístup umožňuje lépe bránit zneužití; u open-source modelů je tato zodpovědnost na komunitě. Lze proto očekávat, že regulace AI do budoucna bude muset počítat i s fenoménem stále schopnějších open modelů a nastavit pro ně rámce bezpečného využití.

3. Investiční a tržní důsledky:
Z pohledu trhu může DeepSeek R2 ovlivnit valuace a strategie firem v AI segmentu. Nvidia jakožto lídr AI hardwaru může krátkodobě čelit volatilní reakci investorů – podobně jako při uvedení R1, kdy akcie krátce klesly. Dlouhodobý efekt však závisí na tom, zda se R2 stane katalyzátorem širší změny. Pokud by se např. velké cloudové firmy (AWS, Azure, Google Cloud) rozhodly nabídnout zákazníkům “efektivní AI” řešení s menší potřebou GPU, mohlo by to snížit jejich kapitálové výdaje za hardware – ale pro Nvidii by to znamenalo menší odbytiště. Naopak, pokud R2 přivede do hry nové zájemce o AI, kteří si dosud drahé modely nemohli dovolit, trh AI služeb ještě expanduje. Trefis odhaduje, že v současné ceně akcií Nvidia je už započítán poměrně optimistický růst, a vidí proto cca 10% downside (mínusový potenciál) v případě, že by poptávka nebyla tak silná. Pro investory do Nvidie to znamená větší nejistotu – bude potřeba sledovat nejen prodeje čipů, ale i softwarové trendy a to, jak moc se efektivní open-source AI prosadí.

Pro ostatní hráče na trhu AI může být DeepSeek R2 budíčkem. Například společnosti jako AMD (konkurent Nvidie v GPU) by mohly najít příležitost v podpoře open-source AI (optimalizace svých ROCm systémů pro modely typu R2). Cloudové služby mohou začít nabízet instance s čínskými AI akcelerátory, pokud se ty stanou atraktivní alternativou. Také se může rozproudit investiční aktivita směrem k startupům vyvíjejícím optimalizační AI software – podobně jako DeepSeek – protože se ukazuje, že chytrý algoritmus může ušetřit hardware. Trh AI se tedy může do určité míry decentralizovat, kdy vedle velkých hráčů (OpenAI, Google) získají význam open-source projekty podporované komunitou či nezávislými laboratořemi.

Závěr

DeepSeek R2 představuje průlomový počin na poli umělé inteligence – nejen technologicky, ale i svým dopadem na celý ekosystém. Shrnutím investičního rozboru můžeme říci, že Nvidia a její investoři by měli tento vývoj bedlivě sledovat. R2 ukazuje, že inovace nemusí vždy přicházet z Kalifornie či od technologických gigantů; naopak, kombinace otevřeného přístupu, špičkového výzkumu a odhodlání může přinést konkurenceschopné řešení i s omezenými zdroji. Pro Nvidii to znamená novou výzvu – udržet si roli klíčového dodavatele AI infrastruktury v době, kdy se efektivita modelů zvyšuje a alternativní hardwarové i softwarové cesty nabývají na významu. Pro celý trh AI je DeepSeek R2 pozitivním impulzem směrem k větší otevřenosti, dostupnosti a inovacím. Pokud se potvrdí deklarované schopnosti R2, může to urychlit rozvoj AI aplikací v mnoha oborech díky snížení nákladů a bariér. Zároveň bude nutné dbát na zodpovědné využití takto výkonných nástrojů. Z pohledu konkurenčního boje v AI můžeme očekávat, že reakce na sebe nenechá dlouho čekat – ať už v podobě nových modelů od OpenAI a Google, nebo další generace open-source projektů. Jedno je jisté: DeepSeek R2 posunul hranice a rozpoutal debatu o tom, jak bude vypadat budoucnost AI – zda ji budou řídit převážně proprietární modely podporované drahým hardwarem, anebo otevřené a chytře optimalizované systémy dostupné všem. Výsledek této hry bude mít dalekosáhlé důsledky pro technologický byznys i společnost jako celek.