DeepSeek - chiński model AI, który zaszokował branżę

Liang Wenfeng, założyciel DeepSeek, powiedział w styczniu 2025 coś, co zabrzmiało jak prowokacja: "Nie potrzebujemy miliardów dolarów, żeby zbudować model na poziomie GPT-4". Trzy miesiące później wypuścił DeepSeek-V3, który w niektórych benchmarkach bił Claude Opus 4.7. Koszt treningu? Ułamek tego, co wydają OpenAI czy Anthropic.

To nie jest kolejna historia o "chińskim klonie". To historia o tym, jak zespół z Hangzhou zmienił zasady - i zmusił całą branżę do przemyślenia, ile naprawdę kosztuje zbudowanie dobrego modelu AI.

Kim jest DeepSeek i skąd się wziął

DeepSeek to firma badawcza założona przez Liang Wenfeng, który wcześniej prowadził High-Flyer Capital Management - jeden z największych funduszy quantowych w Chinach. W 2023 roku postanowił, że zamiast tylko inwestować w AI, sam zbuduje model językowy.

Różnica między DeepSeek a typowym startupem AI? Wenfeng nie szukał kapitału venture. Finansował badania z własnych pieniędzy, co dało mu coś rzadkiego w tej branży - wolność od presji inwestorów na szybką komercjalizację.

Zespół zaczął od prostego pytania: czy da się zbudować model konkurencyjny wobec GPT-4, ale bez dostępu do najnowszych chipów NVIDIA (które USA zablokowało w eksporcie do Chin) i bez budżetu rzędu setek milionów dolarów?

Pierwsze modele - DeepSeek Coder i V2

DeepSeek Coder (2023) był pierwszym sygnałem, że coś się dzieje. Model specjalizujący się w kodowaniu, który w benchmarkach HumanEval osiągał wyniki bliskie GPT-4, ale był dostępny jako open source z licencją MIT.

DeepSeek-V2 (2024) poszedł dalej - model ogólnego przeznaczenia z architekturą Mixture of Experts (MoE), który pokazał, że można trenować duże modele efektywniej niż przez zwykłe skalowanie parametrów.

Oba modele miały jedną wspólną cechę: były dostępne publicznie z pełnymi wagami. W świecie zdominowanym przez zamknięte API OpenAI i Anthropic to była rzadkość.

DeepSeek-V3 - model, który zmienił rozmowę

W grudniu 2024 DeepSeek wypuścił V3 - i tu zaczęło się prawdziwe zamieszanie. Model miał 671 miliardów parametrów (z czego aktywnych podczas inferencji było około 37 miliardów dzięki MoE), a według oficjalnych danych koszt jego wytrenowania wyniósł około 5,5 miliona dolarów.

Dla porównania - szacunki kosztów treningu GPT-4 mówią o setkach milionów. Nawet jeśli liczby DeepSeek są zaniżone, różnica rzędu wielkości pozostaje.

Co sprawia, że V3 jest inny

DeepSeek-V3 nie wygrał przez magię. Wygrał przez inżynierię. Zespół zastosował kilka rozwiązań, które obniżyły koszty bez utraty jakości:

• Multi-Token Prediction (MTP) - zamiast przewidywać jeden token na raz, model uczy się przewidywać kilka kolejnych tokenów jednocześnie, co przyspiesza trening
• Auxiliary-Loss-Free Load Balancing - sposób na równomierne rozłożenie obciążenia między "ekspertami" w MoE bez dodatkowych funkcji straty, które spowalniają uczenie
• FP8 Mixed Precision Training - trening w niższej precyzji (8-bitowe liczby zmiennoprzecinkowe zamiast 16-bitowych), co zmniejsza zużycie pamięci i przyspiesza obliczenia

Żadna z tych technik nie jest rewolucyjna sama w sobie. Rewolucyjne jest to, że DeepSeek połączył je w sposób, który działa w praktyce - i udostępnił szczegóły w otwartych publikacjach.

DeepSeek-R1 - model rozumowania

W styczniu 2025 przyszedł R1 - odpowiedź DeepSeek na o1 od OpenAI. Model zaprojektowany nie do szybkich odpowiedzi, ale do głębokiego rozumowania w zadaniach matematycznych, naukowych i programistycznych.

R1 działa inaczej niż standardowe modele. Zamiast od razu generować odpowiedź, "myśli na głos" - generuje wewnętrzny łańcuch rozumowania (chain of thought), który możesz zobaczyć w interfejsie. Patrzysz, jak ktoś rozwiązuje zadanie krok po kroku.

Benchmarki, które zwróciły uwagę

W AIME 2024 (American Invitational Mathematics Examination) - teście matematycznym dla licealistów - R1 osiągnął wynik porównywalny z o1 od OpenAI. W GPQA Diamond (pytania naukowe na poziomie doktoranckim) również trzymał poziom.

Różnica? R1 jest dostępny jako open source. Możesz go pobrać, uruchomić na własnym sprzęcie (jeśli masz odpowiedni GPU) i zobaczyć dokładnie, jak działa. OpenAI nie udostępnia wag o1.

Jak DeepSeek wypada wobec GPT-5 i Claude

Porównanie modeli AI to zawsze komplikacja, bo każdy jest dobry w czym innym. Kilka rzeczy da się jednak powiedzieć konkretnie.

Kodowanie

W benchmarkach kodowania (SWE-bench Verified, Aider Polyglot) DeepSeek-V3 i R1 trzymają poziom zbliżony do Claude Sonnet 5 i starszych wersji GPT-5. Nie wygrywają we wszystkim, ale różnice są marginalne - kilka punktów procentowych w górę lub w dół, zależnie od zadania.

DeepSeek Coder (wyspecjalizowana wersja) w niektórych testach wielojęzykowego kodowania (Python, JavaScript, C++, Rust) osiąga wyniki lepsze niż modele ogólnego przeznaczenia od OpenAI czy Anthropic.

Rozumowanie matematyczne i naukowe

R1 jest zaprojektowany właśnie do tego. W zadaniach wymagających wieloetapowego rozumowania (MATH-500, GPQA) osiąga wyniki na poziomie o1 od OpenAI. GPT-5 (wersje bez głębokiego rozumowania) i Claude Opus 4.7 są w tych testach słabsze.

R1 jest jednak wolniejszy. Generowanie odpowiedzi z pełnym łańcuchem rozumowania zajmuje więcej czasu niż standardowa inferencja. To nie jest model do czatu, tylko do zadań, gdzie liczy się dokładność, nie szybkość.

Ogólna wiedza i konwersacja

Tu GPT-5 i Claude Opus 4.7 wciąż prowadzą. DeepSeek-V3 jest dobry, ale w zadaniach wymagających szerokiej wiedzy ogólnej (MMLU-Pro, world knowledge benchmarks) ustępuje amerykańskim modelom kilka punktów procentowych.

W praktyce: jeśli potrzebujesz modelu do pisania tekstów marketingowych, podsumowań raportów czy rozmów z klientami - GPT-5 i Claude będą lepszym wyborem. Jeśli potrzebujesz kodera lub rozwiązywacza problemów matematycznych - DeepSeek jest realną alternatywą.

Kontrowersje wokół DeepSeek

Żaden chiński model AI nie wychodzi na rynek bez pytań o bezpieczeństwo danych i cenzurę. DeepSeek nie jest wyjątkiem.

Cenzura i ograniczenia polityczne

DeepSeek, jak wszystkie modele trenowane w Chinach, ma wbudowane filtry blokujące pytania o wrażliwe tematy polityczne (Tiananmen, Tybet, Xinjiang, tajwańska niepodległość). Jeśli zapytasz o te tematy, dostaniesz odmowę odpowiedzi.

Dla użytkowników w Chinach to standard. Dla użytkowników na Zachodzie - problem. Anthropic miał podobne dylematy z Claude w Chinach i ostatecznie wycofał się z tego rynku.

Bezpieczeństwo danych

DeepSeek oferuje API i aplikację webową. Pytanie brzmi: gdzie trafiają dane użytkowników? Firma nie publikuje szczegółów o infrastrukturze serwerowej ani polityce retencji danych.

Jeśli pracujesz z danymi wrażliwymi (medycznymi, finansowymi, korporacyjnymi) - używanie DeepSeek przez API jest ryzykowne. Jeśli pobierzesz wagi modelu i uruchomisz lokalnie - problem znika, ale potrzebujesz mocnego sprzętu.

Eksportowe ograniczenia chipów

USA zablokowało eksport najnowszych chipów NVIDIA (A100, H100) do Chin. DeepSeek trenował modele na starszych układach (prawdopodobnie A800, ograniczona wersja A100) lub na chipach chińskiej produkcji.

To rodzi pytanie: czy podane koszty treningu (5,5 mln USD dla V3) są prawdziwe, czy zaniżone? Jeśli DeepSeek miał dostęp do lepszych chipów przez szare kanały, realne koszty mogły być wyższe. Firma nie odpowiedziała na te pytania publicznie.

Co to znaczy dla rynku AI

DeepSeek pokazał trzy rzeczy, które zmieniają rozmowę o AI:

Pierwszy: Nie potrzebujesz budżetu Google, żeby zbudować konkurencyjny model. Inteligentna architektura i efektywne techniki treningu mogą zrównoważyć przewagę w zasobach. Dobra wiadomość dla startupów i mniejszych graczy.

Drugi: Open source w AI nie jest martwy. Przeciwnie - modele z otwartymi wagami (DeepSeek, Llama 4, Qwen 3) doganiają zamknięte API w coraz większej liczbie zadań. Za rok różnica może być niezauważalna.

Trzeci: Geopolityka AI się komplikuje. USA próbuje kontrolować rynek przez ograniczenia eksportowe chipów. Chiny odpowiadają efektywnością - trenują lepsze modele na gorszym sprzęcie. Zamiast zatrzymać rozwój AI w Chinach, USA zmusza chińskie firmy do innowacji.

Polska perspektywa

Dla polskich firm i użytkowników DeepSeek to ciekawa opcja, ale z zastrzeżeniami. Jeśli potrzebujesz modelu do zadań technicznych (kodowanie, analiza danych, matematyka) i możesz uruchomić go lokalnie - warto przetestować. Jeśli pracujesz z danymi klientów i musisz używać API - bezpieczniejsze są modele z serwerami w UE (Claude, GPT-5, Gemini).

Polskie uczelnie i instytuty badawcze mogą skorzystać na otwartych wagach DeepSeek - to szansa na eksperymenty bez licencji komercyjnych i kosztów API.

DeepSeek V4 - co dalej

W maju 2025 DeepSeek ogłosił, że Gu Yuxian z Tsinghua University dołącza do zespołu, a V4 ma pojawić się w lipcu 2026. Szczegóły są skąpe, ale kilka rzeczy wiadomo:

• V4 ma być większy (prawdopodobnie ponad 1 bilion parametrów w wersji MoE)
• Zespół pracuje nad lepszą integracją rozumowania (połączenie V3 i R1 w jeden model)
• Planowane są wersje wyspecjalizowane - V4-Coder, V4-Math, V4-Science

Jeśli V4 utrzyma tempo rozwoju, za rok DeepSeek może być nie "tanią alternatywą", ale równorzędnym graczem obok OpenAI i Anthropic.

Najczęstsze pytania

Czy DeepSeek jest darmowy?

Wagi modeli (V3, R1, Coder) są dostępne za darmo z licencją MIT - możesz je pobrać i uruchomić lokalnie. API DeepSeek jest płatne, ale znacznie tańsze niż OpenAI czy Anthropic (około 7-10 razy niższe stawki za milion tokenów).

Czy mogę używać DeepSeek w firmie z danymi klientów?

Jeśli uruchomisz model lokalnie na własnych serwerach - tak, dane nie wychodzą poza Twoją infrastrukturę. Jeśli używasz API DeepSeek - nie, bo nie wiesz gdzie trafiają dane i jak długo są przechowywane. Dla danych wrażliwych lepiej wybrać Claude lub GPT-5 z serwerami w UE.

Jak DeepSeek wypada w polskim języku?

Gorzej niż GPT-5 i Claude. DeepSeek był trenowany głównie na danych w języku angielskim i chińskim. Polski obsługuje, ale jakość tłumaczeń i generowania tekstu jest niższa niż u konkurencji. Do zadań technicznych (kod, matematyka) język nie ma znaczenia.

Czy DeepSeek cenzuruje odpowiedzi?

Tak. Model ma wbudowane filtry blokujące pytania o wrażliwe tematy polityczne w Chinach (Tiananmen, Tybet, Xinjiang, Taiwan). Jeśli zapytasz o te tematy, dostaniesz odmowę odpowiedzi. W innych obszarach (nauka, technologia, kultura) model odpowiada normalnie.

Jaki sprzęt potrzebny jest do uruchomienia DeepSeek lokalnie?

DeepSeek-V3 (pełna wersja) wymaga około 1,3 TB pamięci GPU - praktycznie niemożliwe do uruchomienia poza centrum danych. Skwantyzowane wersje (8-bit, 4-bit) zmniejszają wymagania do 200-400 GB - wciąż potrzebujesz kilku kart A100 lub H100. Dla większości użytkowników realną opcją jest API, nie lokalny deployment.

Kiedy pojawi się DeepSeek V4?

Według zapowiedzi - w lipcu 2026. DeepSeek nie podał konkretnej daty, ale potwierdzili, że Gu Yuxian z Tsinghua University dołączył do zespołu i pracuje nad V4. Spodziewaj się modelu większego niż V3, z lepszą integracją rozumowania i nowymi wersjami wyspecjalizowanymi.

Czy warto przejść z GPT-5 na DeepSeek?

Zależy od przypadku użycia. Jeśli pracujesz głównie z kodem lub zadaniami matematycznymi i chcesz obniżyć koszty API - tak, DeepSeek może być dobrą alternatywą. Jeśli potrzebujesz modelu do pisania tekstów, rozmów z klientami czy szerokiej wiedzy ogólnej - GPT-5 i Claude wciąż są lepsze. Przetestuj oba i porównaj wyniki w swoim konkretnym zadaniu.