Chiny tracą dystans? Raport NIST rzuca cień na chińskie ambicje w wyścigu AI

Rywalizacja o prymat w dziedzinie sztucznej inteligencji wchodzi w nową, bardziej sceptyczną fazę. Zespół badawczy Center for AI Standards and Innovation (CAISI), działający pod egidą amerykańskiego instytutu NIST, opublikował raport, z którego wynika, że chiński model Deepseek V4 Pro – mimo szumnych zapowiedzi producenta – nie dorównuje najnowszym konstrukcjom z USA. Analiza wykazuje około ośmiomiesięczne opóźnienie względem liderów rynku, co stawia pod znakiem zapytania oficjalną narrację o zacierającej się różnicy między systemami z obu mocarstw.

Benchmarki a rzeczywistość: Gdzie tkwi słabość Deepseek?

Deepseek V4 był promowany jako model dorównujący możliwościami GPT-5.4 czy Claude Opus 4.6. Jednak niezależne testy CAISI sugerują coś innego: jego realna wydajność plasuje go raczej na poziomie starszego GPT-5. O ile w matematyce chiński model radzi sobie zaskakująco dobrze, niemal depcząc po piętach amerykańskiej czołówce, o tyle w naukach przyrodniczych, programowaniu i cyberbezpieczeństwie różnica pozostaje wyraźna. Największym problemem okazuje się rozumowanie abstrakcyjne, gdzie Deepseek wyraźnie odstaje od standardów narzuconych przez OpenAI czy Anthropic.

Relacja ta ma jednak pewien polityczny koloryt. CAISI jest częścią rządowej infrastruktury USA, co zmusza do refleksji nad obiektywnością prezentowanych danych. Warto odnotować, że niezależne pomiary często wskazują na stały, choć stabilny dystans, podczas gdy raport NIST sugeruje, że luka ta zaczęła się ostatnio gwałtownie powiększać.

Ekonomia „wystarczająco dobrych” modeli

Choć Deepseek może przegrywać w czystej mocy obliczeniowej, wygrywa tam, gdzie zaczynają liczyć się arkusze kalkulacyjne: w kosztach eksploatacji. Deepseek V4 okazał się tańszy od modelu GPT-5.4 mini w większości przeprowadzonych testów. To istotny atut w momencie, gdy biznes wciąż nie potrafi precyzyjnie oszacować zwrotu z inwestycji w AI. Koszty wdrożeń, szkolenia pracowników i korygowania błędów (halucynacji) rosną, co sprawia, że model „wystarczająco dobry”, ale tani, staje się kuszącą alternatywą dla drogich liderów.

Przykładem tej strategii jest Cursor. Narzędzie do kodowania, które budzi zainteresowanie gigantów takich jak SpaceX, wykorzystuje zmodyfikowane chińskie modele open-weight. Dzięki temu oferuje wydajność przy znacznie niższych kosztach niż platformy oparte bezpośrednio na API OpenAI. To pokazuje, że rynek może nie potrzebować najmądrzejszego modelu na świecie, jeśli cena za jego użytkowanie zabija rentowność projektu.

Sztuczna inteligencja jako napęd dla samej siebie

Sam Altman, szef OpenAI, wydaje się dostrzegać ten dylemat, choć pozostaje wierny idei „brutalnej siły” intelektualnej. Zauważył niedawno, że choć kusi go tworzenie modeli szybszych i tańszych, to ostatecznie wzrost inteligencji systemu pozostaje kluczowy. Argumentem za tym podejściem jest fakt, że inteligentniejsza sztuczna inteligencja potrafi skuteczniej przyspieszać prace badawczo-rozwojowe nad swoimi następcami.

Zarówno Amerykanie, jak i Chińczycy przyznają, że ich modele są już teraz wykorzystywane do optymalizacji kodu i projektowania nowych architektur sieci neuronowych. Jeśli ta spirala autoulepszania przyspieszy, osiem miesięcy różnicy, o których wspomina raport CAISI, może wkrótce stać się dystansem niemożliwym do nadrobienia dla kogokolwiek, kto nie utrzyma tempa na samym szczycie.