China maakt rekenkracht goed: Huawei en DeepSeek strategie

Op een investeerdersbijeenkomst schroomde Liang Wenfeng niet in zijn woorden. De CEO van DeepSeek schetste een rauw, bijna filmisch beeld: China maakt een sprint om een rekenkrachtkloof te dichten die ooit onoverbrugbaar leek, en de oude leider kan verrast zijn door hoe snel het veld beweegt.

DeepSeek draait momenteel het equivalent van ongeveer 20.000 Nvidia H100-chips, waarvan de meeste in de afgelopen maand of twee zijn aangekomen. Die capaciteit klinkt enorm. Dat is het ook. Maar het stelt hen nog steeds slechts in staat om ongeveer 10 miljard parameters tegelijk te activeren. Vergelijk dat met de topmodellen van vandaag die ongeveer 800 miljard parameters tegelijkertijd actief kunnen houden. Het verschil is niet klein. Het is structureel.

Hoe Huawei in de vergelijking past

Liang wees specifiek op de Atlas 950-knooppunten van Huawei, aangedreven door Ascend 950-processors, als een reëel alternatief. Zijn bewering was provocerend: hoewel een enkele Ascend 950 minder efficiënt is dan een Nvidia H100, kan in de praktijk een cluster van deze Huawei-knooppunten de end-to-end prestaties van de GB200- en GB300-racks van Nvidia evenaren. De rekensom, zei hij, komt ruwweg neer op vier Ascends voor elke Nvidia-chip, maar de totale doorvoer en latentie kunnen dicht genoeg in lijn liggen om de vervanging haalbaar te maken.

Nvidia graaft zijn eigen graf, waarschuwde hij. Prijsverschillen wegen minder, betoogde Liang, want zelfs als Huawei-hardware 50, 100 of 200 procent duurder zou zijn, kan het vermogen om op schaal uit te rollen en de politieke voordelen van een binnenlandse toeleveringsketen zuivere kostenvergelijkingen overstijgen.

Er is een kanttekening. Het trainen van toonaangevende grote modellen vergt buitengewoon veel rekenkracht. Om een model op de schaal van de huidige AI-giganten te trainen, schat Liang dat je ongeveer 50.000 GB300-klassen Nvidia-processors of ruwweg 200.000 Ascend 950-chips nodig zou hebben. Dat zijn alleen trainingsaantallen; onderzoek en experimenten voegen hun eigen rekenkundige eisen daarbovenop toe. Dit verklaart mede waarom de kloof in rekenmiddelen tussen China en de Verenigde Staten de grootste enkele belemmering blijft.

Wat doet DeepSeek eraan? Voorlopig breidt het bedrijf zijn infrastructuur agressief uit. Maar Liang benadrukte ook een ander strijdtoneel: data. Kwalitatieve labeling, zei hij, is de trage bottleneck. Je kunt chips naar een probleem gooien, maar als je labels en zorgvuldig samengestelde datasets achterblijven, stokt de vooruitgang. Bedrijven zoals OpenAI en Anthropic hebben hier een voorsprong omdat zij eerder begonnen en meer middelen in hoogwaardige annotatie hebben gestoken.

De conclusie gaat niet alleen over chips of nationale trots. Het gaat om het geheel van hardware, software, talent en tijd. China bouwt de rekencapaciteit op. Het investeert ook in het tijdrovende, minder glanzende werk van dataset-hygiëne en labeling. Als beide sporen vorderen, kan het landschap van AI-competitiviteit er binnen enkele jaren heel anders uitzien.

Liangs boodschap was scherp maar strategisch: dit is geen enkele strijd om één chip. Het is een lange campagne waarbij alternatieven die ooit als tweederangs werden gezien beslissend kunnen worden zodra ze opgeschaald en geïntegreerd zijn in een volledige stack. Die verschuiving kan het moment zijn waarop Nvidia later terugkijkt en het als cruciaal bestempelt.