DeepSeek – Auswirkungen auf den Markt

MÜNCHEN – DeepSeek, ein chinesisches Unternehmen für künstliche Intelligenz (KI), hat ein Open-Source-Modell lanciert, das relativ kostengünstig zu trainieren sein soll und weniger Energie und Rechenleistung benötigt als die bisherigen Anwendungen, wie Dominic Rizzo von T. Rowe Price, beschreibt. Als Reaktion darauf rauschten US-Tech-Aktien in den Keller. Ein Ausblick.

„DeepSeek ist ein kompetentes – wenn auch relativ kleines – chinesisches KI-Labor“, erklärt Dominic Rizzo, Portfoliomanager bei T. Rowe Price. Das Unternehmen wurde quasi aus einem chinesischen quantitativen Hedgefonds ausgegründet und hat bereits zahlreiche Forschungsarbeiten verfasst, womit es über umfangreiche Erfahrung mit GPUs (Graphic Processing Units) verfügt. Große Aufmerksamkeit erregte es unlängst, als es das weiterentwickelte "Chain-of-Thought"-Modell R1 vorstellte, was die Anlegerwelt schlichtweg schockiert habe, so Rizzo.

„DeepSeek hat Halbleiter- und andere Technologiewerte sowie Atomkraftwerke in Mitleidenschaft gezogen“, präzisiert Ed Yardeni von Yardeni Research. Viele der KI-Werte fielen an einem Tag um zweistellige Prozentpunkte, Nvidia sogar um 17 %. Der breitere Markt hielt sich hingegen recht gut: Der S&P 500 fiel um weniger als 1,5 %, der Dow stieg um 0,7 %, und der CBOE-Volatilitätsindex (VIX) beendete den Tag auf einem historisch niedrigen Stand von 18,0.

DeepSeek mit R1 und V3 am Markt

Bereits Ende Dezember 2024 hatte DeepSeek ein fortschrittliches Large Language Model (LLM) mit der Bezeichnung V3 auf den Markt gebracht, das angeblich zu wesentlich geringeren Kosten als ähnliche bestehende Modelle trainiert wurde. DeepSeek gab an, dass für das V3-Modell der Open-Source-Software die endgültigen Kosten für den Trainingslauf nur 5,6 Millionen US-Dollar betrugen. Zugleich soll es aber über eine Leistung verfügen, die mit GPT-4, der derzeit führenden LLM, vergleichbar ist.

„Das V3-Modell ähnelt bestehenden Modellen und bietet die Möglichkeit, auf Benutzeranfragen mit sofortigen Antworten zu reagieren“, sagt Rizzo, der die ausgewiesenen Schulungskosten anzweifelt. Gleichwohl scheine das chinesische Modell im Vergleich zu seinen US-Pendants hocheffizient und deutlich kostengünstiger zu trainieren zu sein.

Der Hauptunterschied zwischen R1 und V3 bestehe darin, dass R1 ein "Chain-of-Thought"-Modell ist, wie Rizzo weiter ausführt, dass argumentieren könne und sich die Zeit nehme, um über die Antworten nachzudenken. Die Leistung von R1 sei vergleichbar mit dem leistungsstärksten o1-Modell, das von OpenAI entwickelt wurde. Zudem sei auch R1 offenbar günstiger zu trainieren als o1. DeepSeek bepreist beispielsweise die Nutzung oder Inferenz mit einem Zehntel der Kosten von o1.

Konsequenzen für den Aktienmarkt

„Ein Großteil des Kostenvorteils von R1 ergibt sich aus erheblichen technischen Fortschritten, die den Speicher- und Rechenbedarf reduzieren und auch die GPU-Auslastung verbessern“, berichtet der Portfoliomanager. Noch wichtiger sei aber, dass DeepSeek Reinforcement Learning einsetze, um R1 zu trainieren, so dass das Modell ohne menschliches Eingreifen autonom lernen und sich weiterentwickeln könne.

Die Auswirkungen von DeepSeek auf die KI-Infrastruktur sind derzeit noch unklar. Theoretisch könnten US-KI-Labore viele der chinesischen Recheneffizienzen integrieren, um die Leistung zu verbessern und/oder die Kosten zu reduzieren – wobei deren tatsächliche Höhe noch ungeklärt sind. Für Ed Yardeni zumindest ist die Sache klar – dass billigere KI eine gute Sache für die US-Wirtschaft und den Aktienmarkt ist.

Yardeni will auf anstehende Ergebnis-Telefonkonferenzen mit Microsoft, Meta, Tesla oder ASML warten, was mehr Klarheit darüber bringen sollte, was DeepSeek für Big Tech bedeutet. Beispielsweise, dass billigere KI-Ausgaben dazu beitragen könnten, die Kosten zu senken und damit ihre kollektive Gewinnmarge von 25,5 % zu halten. Andere Unternehmen im S&P 500 könnten wiederum in der Lage sein, dank einer billigeren und schnelleren Implementierung von KI die Gewinnmargen zu steigern. Als Fazit bevorzugt Yardeni Research den „S&P 493“, da er eine günstigere Möglichkeit biete, KI zu spielen – im Gegensatz zu den Magnificent-7.

Ausblick für KI-Labore

Nach Ansicht von Dominic Rizzo sollte das Hauptziel für KI-Labore darin bestehen, sich auf die Leistung und nicht auf die Kostendifferenzierung zu konzentrieren, was sich positiv auf die zunehmende Einführung von KI-Modellen auswirken könnte. Es ist davon auszugehen, dass es in absehbarer Zukunft eine Vielzahl von Modellen geben wird. Für optimale Verbraucheranwendungen dürften größere und mithin teurere Modelle erforderlich sein. Für eine breite KI-Einführung wäre indes die Verfügbarkeit kostengünstiger Modelle von Vorteil. Für Rizzo könnten insofern erschwinglichere Modelle wie das von DeepSeek entscheidend sein, um die reale Nachfrage nach KI-Anwendungen zu steigern. „Dies deutet darauf hin, dass mittelfristig die Nachfrage nach Training und Inferenz tatsächlich steigen könnte, da wir sehen, dass KI überall eingesetzt wird.“