A Sárkány algoritmusa: hogyan rengette meg a DeepSeek és a kínai nyílt AI-modellek a globális technológiai hegemónia rendjét

Bevezetés: fél billió dollár egy hétvége alatt

2025. január 27-én, hétfőn Wall Street megtapasztalta minden idők legnagyobb egynapos vállalati piaci értékvesztését: az Nvidia részvénye 17%-ot zuhant, és a különböző elemzések szerint 589–593 milliárd dollár közötti összeg tűnt el egyetlen kereskedési nap alatt – több mint duplája a korábbi rekordnak. A katalizátor egy néhány nappal korábban megjelent kínai chatbot-alkalmazás volt: a DeepSeek, egy addig ismeretlen sanghaji fedezetialap-leányvállalat mesterséges intelligencia-modellje, amely a hétvégén robbant be az App Store toplistájának élére, és amely állítása szerint a nyugati modellek költségének töredékéért, exportkorlátozás alá eső, "levágott" hardveren ért el a nyugati frontier-modellekkel (OpenAI o1, GPT-4o, Claude 3.5) összemérhető teljesítményt.

Az esemény azonnal megkapta a "Sputnik-pillanat" címkét Marc Andreessen befolyásos kockázatitőke-befektetőtől – az 1957-es szovjet műholdfellövés analógiájával, amely egykor sokkolta az amerikai közvéleményt és beindította az űrversenyt. A hasonlat viták özönét indította el: vajon valódi technológiai áttörésről volt szó, amely alapjaiban kérdőjelezi meg az amerikai AI-hegemóniát, vagy egy túlfűtött piaci pánikreakcióról, amelyet félreértett számok és stratégiai marketing generált?

Másfél évvel később, 2026 augusztusában – miután a történet 2026 júliusában egy még nagyobb ismétlődést élt meg a Moonshot AI Kimi K3 modelljével, amely napok alatt billiós nagyságrendű összeget törölt a globális félvezető-piaci értékből – immár elegendő távlat áll rendelkezésre egy kritikus, tényalapú mérleg elkészítéséhez. Ez az elemzés végigköveti a technikai innovációk valós tartalmát, szembesíti a versengő költségbecsléseket, felméri az amerikai exportkorlátozások tényleges hatását, feltérképezi a nyugati AI-ipar stratégiai megrázkódtatását, és megvizsgálja, mit jelent mindez a globális technológiai szuverenitás hosszú távú alakulására – anélkül, hogy figyelmen kívül hagynánk a kínai oldal saját, tudatos kommunikációs stratégiáját sem.

I.Mi történt valójában?

A DeepSeek 2023-ban jött létre a High-Flyer nevű kínai kvantitatív fedezetialap kutatási melléktermékeként. A cég 2024 májusában adta ki a DeepSeek-V2-t, amely már bemutatta a később híressé vált architekturális megoldásokat, majd 2024. december 27-én következett a DeepSeek-V3, végül 2025. január 20-án a DeepSeek-R1 – az a "gondolkodó" (reasoning) modell, amely a piaci sokkot kirobbantotta.

A kiadást egy technikai dokumentum kísérte (arXiv:2501.12948), amely olyan benchmark-eredményeket közölt, amelyek az OpenAI akkor csúcsmodelljével, az o1-gyel voltak összemérhetők: AIME 2024 matematikai versenyen 79,8% (o1: 79,2%), Codeforces programozási versenyen 96,3 percentil (o1: 96,6). Mindezt a cég állítása szerint egy 5,58 millió dolláros végső tréningfutással, illetve az R1 utótréningjére fordított mindössze 294 ezer dollárral érte el.

A hét végére a hír végigfutott a technológiai és pénzügyi médián, és január 27-én, a piacnyitáskor Wall Street brutálisan árazta be azt a feltételezést, hogy ha egy kínai csapat ennyivel olcsóbban ér el hasonló eredményt, akkor az amerikai hiperskálázók évi több száz milliárd dolláros AI-infrastruktúra-beruházásai feleslegesek lehetnek. A zuhanás nem korlátozódott az Nvidiára: a Broadcom 17,4%-ot, az Oracle 14%-ot esett, miközben az energiaipari szektor – amely az AI-adatközpontok áramigényére spekulált – még súlyosabb csapást szenvedett: a Vistra 28,3%-ot, a Constellation Energy 20,8%-ot zuhant.

Fontos hangsúlyozni: ez nem volt egyszeri, elszigetelt esemény, hanem egy visszatérő mintázat első felvonása. 2025 júliusában a Moonshot AI Kimi K2 modellje, majd 2026 júliusában a Kimi K3 (állítása szerint 2,8 billió paraméteres, nyílt súlyú modell) megismételte – sőt méretében felül is múlta – a jelenséget: a bemutatás után napok alatt billiós nagyságrendű összeg tűnt el a globális félvezető-piaci értékből, és a JPMorgan stratégái egyenesen "DeepSeek 2.0"-nak nevezték az eseményt. (E friss, 2026-os fejlemény pontos számai a beszámolók szerint még formálódnak, ezért az adatokat a cikkben tartományként, forrásra hivatkozva kezeljük.)

II.A technikai innováció anatómiája

A DeepSeek teljesítménye nem puszta marketingfogás volt – a mögötte álló technikai megoldások valódi, ellenőrizhető mérnöki eredmények, amelyeket a szakma széles körben elismert és részben átvett.

A Mixture-of-Experts (MoE) architektúra lényege, hogy a DeepSeek-V3 671 milliárd paraméteréből egy adott tokenre csak 37 milliárd aktiválódik. Az igazi innováció egy apró, elegáns megoldás: a hagyományos MoE-modellek egy külön "segédveszteség-tagot" építenek a célfüggvénybe, hogy a szakértő alhálók terhelése egyenletes maradjon – ez rontja a tanulási hatékonyságot. A DeepSeek helyette egy dinamikusan hangolt bias-tagot vezetett be, amely a terhelés-egyenlítést a gradiensáramlás megzavarása nélkül végzi el, így a modell soha nem "dob el" tokent feldolgozás közben.

A Multi-head Latent Attention (MLA) egy alacsony rangú, tömörített látens vektorba sűríti azt az információt, amelyet a hagyományos figyelem-mechanizmusok teljes kulcs-érték (KV) formában tárolnának a memóriában. A SemiAnalysis elemzőcég becslése szerint ez a technika jelentősen – nagyságrendileg 90% körüli mértékben – csökkenti a KV-cache memóriaigényét, ami a fő oka annak, hogy a DeepSeek inferenciaköltsége alacsony maradhatott korlátozott GPU-memória mellett is.

Az FP8 kevert pontosságú tréning terén a DeepSeek volt az első vállalat, amely nagy méretben validálta ezt a technikát a teljes előtanítási folyamatra, finomszemcsés kvantálással kompenzálva a pontosságvesztést. Ehhez egyedi kommunikációs kernelek és a "DualPipe" pipeline-párhuzamosítási algoritmus is társult, amely a H800-chipek exportszabályok miatt lebutított csomóponti sávszélességét optimálisan hasznosítja – a technikai dokumentum a végén konkrét hardvertervezési javaslatokat is megfogalmazott az Nvidia felé, jelezve, hogy a mérnöki munka tudatosan a hardveres korlátok köré épült.

A GRPO (Group Relative Policy Optimization) algoritmus, amely elhagyja a hagyományos megerősítő tanuláshoz szükséges, külön "kritikus" neurális hálót, és helyette egy mintavételezett válaszcsoport statisztikáiból becsüli az előnyt, drámaian csökkentette a számítási igényt. A "R1-Zero" kísérleti verziót kizárólag megerősítő tanulással tanították, felügyelt finomhangolás nélkül – a modell emergensen, explicit programozás nélkül fejlesztett ki önreflexiós viselkedést ("Wait, wait. That's an aha moment I can flag here"), amit a szakma a "gondolkodási" képesség RL-lel történő kialakíthatóságának bizonyítékaként értékelt. A metodikát végül a Nature is validálta: a DeepSeek-R1-ről szóló tanulmány 2025 szeptemberében jelent meg a rangos folyóiratban – ritka elismerés egy AI-modellnek –, bár a lap egy biztonsági megjegyzésben el is ismerte, hogy a modell jailbreak-eknek kitéve veszélyes tartalmat generálhat a fejlettebb reasoning-képesség miatt.

Benchmark-összevetés (2025 eleje)

Forrás: DeepSeek-AI technikai jelentések (arXiv:2412.19437, arXiv:2501.12948)

III.A költség-mítosz: hivatalos szám és vállalati valóság

A DeepSeek hivatalos állítása technikailag pontos, de szűkre szabott: a V3 "végső, sikeres tréningfutása" 2,788 millió GPU-órát vett igénybe, ami 2 dolláros óránkénti bérleti díjjal kalkulálva 5,576 millió dollárt jelent; az R1 utótréningje a Nature-cikk kiegészítő adatai szerint kevesebb mint 300 ezer dollárból készült. A vállalat maga is leszögezi a dokumentumban: ez "nem tartalmazza a korábbi kutatáshoz és ablációs kísérletekhez kapcsolódó költségeket."

A The Register és a Tom's Hardware hasonló nagyságrendet erősítettek meg. Ezzel szemben Alexandr Wang (Scale AI) azon állítását, hogy a DeepSeek 50 ezer darab exporttilalom alá eső H100-at (nem H800-at) használt, sem a SemiAnalysis, sem más elemzők nem tudták hitelesen alátámasztani – a bizonyítékok inkább egy vegyes, jórészt legálisan beszerzett hardverparkot sugallnak.

A kritikai mérleg: a valós, teljes vállalati beruházás minden bizonnyal egy nagyságrenddel magasabb (1,6–2,5 milliárd dollár), mint a marketingben szereplő 6 millió dollár – ez azonban még így is jelentősen alacsonyabb, mint az amerikai frontier-laborok többmilliárd dolláros, halmozott K+F-kiadásai (az OpenAI és az Anthropic éves égési rátái önmagukban is több milliárd dollárt tesznek ki). A "6 millió dolláros" szám tehát félrevezető volt, de a mögöttes állítás – hogy a DeepSeek jelentősen tőkehatékonyabban működött, mint nyugati versenytársai – nagy vonalakban továbbra is megalapozottnak tűnik.

Egy másik, komolyan vitatott szál a disztilláció. A DeepSeek dokumentáltan "lepárolta" saját R1-modelljének reasoning-képességeit kisebb, nyílt modellekbe – ez technikailag transzparens. Vitatott azonban az OpenAI 2026 februári, a Kongresszusnak küldött memorandumában megfogalmazott állítás, amely szerint a DeepSeek elrejtett hozzáféréssel és programozott kinyeréssel disztillálhatott az OpenAI saját, zárt modelljeiből is – ezt a Fehér Ház AI-tanácsadója, David Sacks is megerősítette nyilvánosan. A Peterson Institute for International Economics elemzése ugyanakkor rámutat: "nincs konszenzus arról, mekkora mértékben járult ez hozzá" a kínai modellek képességeihez – a vád valós, technikailag alátámasztott gyanú, de mértéke bizonytalan, és a chip-exportkorlátozások szigorítása melletti lobbistratégia eszközeként is funkcionál.

IV.Az exportkorlátozások: siker, kudarc, vagy mindkettő?

Az amerikai chipexport-politika egy évtizedes, folyamatosan finomhangolt, belsőleg is ellentmondásos rendszer, amelynek hatékonysága a DeepSeek-sokk után élesen a viták középpontjába került.

A "szigorítandó, de működik" tábor vezéralakja Dario Amodei (Anthropic), aki 2025 januári esszéjében leszögezte: a DeepSeek nem az exportkorlátozások kudarcát bizonyítja, épp ellenkezőleg, "még létfontosságúbbá teszi" azokat, mivel a jövő választóvonalát a milliós GPU-flották fogják jelenteni. A "kontraproduktív" tábor vezéralakja Jensen Huang (Nvidia), aki 2025 májusában nyilvánosan "kudarcnak" nevezte a korlátozásokat, mondván, azok "lelket, energiát és állami támogatást adtak" a kínai versenytársaknak.

A tudományosabb elemzések (CSIS, Chris Miller "Chip War" szerzője) egy háromdimenziós mérleget javasolnak: (1) a gyártóeszköz-exportkontroll (litográfia) valóban súlyosan hátráltatta a kínai félvezetőgyártást; (2) a kész AI-chip exportkontroll nem akadályozta meg versenyképes kínai modellek megjelenését; (3) Kína globális AI-infrastrukturális befolyását azonban jelentősen visszafogta a kontroll – a Huawei-eszközök Kínán kívül továbbra is marginálisak, saját exportjaik korlátozottak.

Konkrét bizonyítékok mindkét oldalra: az Epoch AI kutatóintézet 2026 áprilisi becslése szerint mintegy 660 ezer H100-egyenértékű chipet csempésztek Kínába – a szerzők maguk hangsúlyozzák, hogy ez tág, bizonytalan becslés (290 ezer–1,6 millió közötti konfidenciaintervallummal), amely Kína teljes AI-számítási kapacitásának akár egyharmadát is jelenthetné. Ezzel párhuzamosan a Huawei hazai Ascend-chipjei csak 2025-re érték el a 40%-os gyártási hozamot, és teljesítményük a H100-nak mintegy 60%-át adja – a hazai chipipar fejlődése valós, de nem érte utol a nyugati csúcstechnológiát.

A legkritikusabb megállapítás: az amerikai politikai válasz maga sem koherens, sőt magával az exportkorlátozás céljával is szembement egy ízben. 2026 januárjában a Ház Kínai Kommunista Párttal foglalkozó különbizottsága nyilvánosságra hozott dokumentumokra hivatkozva állította, hogy az Nvidia műszaki személyzete aktívan segített a DeepSeeknek az algoritmus-hardver együttes optimalizálásában, ami hozzájárult a H800-korlátok hatékony megkerüléséhez.

V.A tőkepiacok hullámvasútja: Jevons-paradoxon és az ismétlődő sokkok

A 2025. januári zuhanás után a piac gyorsan – mindössze nyolc hét alatt – visszatért a válság előtti szintre, és az elkövetkező másfél évben egyértelműen az optimista, "Jevons-paradoxon" tábor állításai igazolódtak be. A 19. századi analógia szerint a hatékonyabb gőzgépek nem csökkentették, hanem – az energia olcsóbbá válása révén – megháromszorozták a brit szénfelhasználást. Satya Nadella (Microsoft) néhány órán belül reagált a hírre: "Jevons paradox strikes again! As AI gets more efficient and accessible, we will see its use skyrocket, turning it into a commodity we just can't get enough of." A jóslat empirikusan beigazolódott: a hiperskálázók kumulált AI-infrastrukturális beruházása 2025–2027 között a Goldman Sachs becslése szerint 1,15 billió dollárra emelkedik – több mint duplája a 2022–2024 közötti 477 milliárd dollárnak –, és az Nvidia 2026-ban minden korábbi rekordot megdöntve, történelmi csúcsértéket ért el a piaci kapitalizációjában.

A capex-vita 2026-os második felvonása már nem elsősorban a kínai versenyről szól, hanem az amerikai laborok saját finanszírozási modelljének fenntarthatóságáról: Sam Altman és Brad Gerstner befektető nyilvános csörtéje ("Hogyan tehet egy 13 milliárd dolláros bevételű cég 1,4 billió dolláros kiadási elköteleződést?") jól illusztrálja, hogy a piaci szorongás nem tűnt el, csak áttolódott az adósságfinanszírozás és a körkörös beszállítói megállapodások kockázataira.

VI.A nyugati AI-laborok identitásválsága

A DeepSeek-sokk legmélyebb, tartós hatása talán nem a tőkepiacokon, hanem a négy vezető nyugati AI-labor stratégiai önmeghatározásán mérhető – és a fejlemények meglepően nem egyértelműen a "nyílt forráskód győz" irányba mutatnak.

Az OpenAI adta a legdrámaibb önkritikát: Sam Altman 2025 januárjában elismerte, hogy "a történelem rossz oldalán álltunk" a nyílt forráskód kérdésében. Ez nem puszta retorika volt: az OpenAI felgyorsította az o3-mini kiadását, majd 2025 augusztusában – első alkalommal a 2019-es GPT-2 óta – kiadta a nyílt súlyú gpt-oss modellcsaládot, miközben zászlóshajó modelljei zártak maradtak. Kialakult egy "portfólió-stratégia": a legjobb modell zárt marad, a kevésbé csúcsteljesítményű nyílttá válik a fejlesztői közösség megtartásáért. Eközben az OpenAI 2026 februárjában éles disztillációs vádakkal fordult a Kongresszushoz a DeepSeek ellen.

Az Anthropic volt az egyetlen labor, amely semmilyen fordulatot nem hajtott végre: Dario Amodei esszéje a teljesen zárt stratégia legkidolgozottabb védelmét adta, összekapcsolva az exportkorlátozások szükségességének argumentumával. A cég nem írta alá a 2026 júliusában az Nvidia által vezetett, a nyílt súlyú modellek melletti szövetségi támogatást szorgalmazó nyílt levelet, amelyet a Microsoft, a Meta és maga az OpenAI is aláírt. 2026 februárjában saját disztillációs vádakkal állt elő: állítása szerint a DeepSeek, a Moonshot AI és a MiniMax koordinált, ezres nagyságrendű hamis fiókon és milliós interakción keresztül próbálta "kinyerni" a Claude képességeit.

A Meta története a legparadoxabb: a vállalat, amely Zuckerberg "Open Source AI is the Path Forward" manifesztumával a nyílt forráskód zászlóshajójaként pozícionálta magát, a DeepSeek-sokk után pánikszerű belső átalakuláson ment keresztül. A hatalmas "Llama 4 Behemoth" modell fejlesztése komoly nehézségekbe futott, egyes vezetők a projekt feladását fontolgatták. A Meta Superintelligence Labs átszervezése, a Llama-alapító csapat elvándorlása és Yann LeCun (a cég sokéves nyílt forráskód-elkötelezett fő tudósa) távozása után 2025 végére a jelentések szerint felmerült, hogy a Llama utódját a vállalat potenciálisan zárt modellként adja ki – ez homlokegyenest ellentétes Zuckerberg korábbi retorikájával, és a legélesebb jel arra, hogy a kínai verseny nem feltétlenül nyitottságra, hanem éppen defenzív zártságra kényszerítheti a versenyt vesztő szereplőket.

A Google DeepMind a legkövetkezetesebb kettős stratégiát folytatta: a zászlóshajó Gemini zárt maradt, míg a Gemma család tovább erősödött a nyílt szegmensben. Demis Hassabis 2026 januárjában nyilvánosan, realista hangnemben elismerte, hogy a kínai modellek "csak hónapokkal" vannak lemaradva a nyugati csúcstól – szemben a korábbi, optimistább amerikai narratívával.

A gazdasági érdekstruktúra mint magyarázó tényező. Azok a szereplők, amelyek a modellek futtatásából (hardver, infrastruktúra) profitálnak – mint az Nvidia –, következetesen a nyitottság mellett lobbiznak, hiszen minél elterjedtebb az AI, annál több chipet adnak el. Ezzel szemben azok, amelyek modell-előfizetésből élnek – az OpenAI és az Anthropic –, a zártság és a szigorú exportkorlátozás mellett érdekeltek. Jensen Huang 2026 júliusi kijelentése ezt tömören összefoglalja: "Minél több felhasználás van, annál több NVIDIA-számítógépet kell eladni." Ez az érdekstruktúra legalább annyira megmagyarázza az egyes szereplők álláspontját, mint a hivatalosan hangoztatott nemzetbiztonsági vagy etikai indokok – és ugyanez a kritikai mérce alkalmazandó a kínai oldalra is: Peking számára a "hatékony, olcsó, nyílt AI" narratíva maga is tudatos, jól irányított kommunikációs eszköz a globális technológiai befolyás építésére, nem csupán semleges mérnöki tény.

VII.Washington válasza: koherens stratégia vagy politikai inga?

Az amerikai kormányzati reakció jól dokumentálja a "Kína-héja" nemzetbiztonsági szárny és a piaci deregulációt előtérbe helyező végrehajtói szárny közötti feszültséget.

A Ház Kínai Kommunista Párttal foglalkozó különbizottsága 2025 áprilisában publikálta "DeepSeek Unmasked" jelentését, amely azt állította, hogy a DeepSeek felhasználói adatokat továbbít a kínai kormányzat felé egy, az amerikai kormány által kínai katonai vállalatnak minősített háttér-infrastruktúrán keresztül, és jogellenes disztillációs technikákat használt. A jelentés nyomán legalább 17 amerikai állam és a szövetségi kormányzat több szintje betiltotta a DeepSeek-alkalmazás használatát kormányzati eszközökön; hasonló tilalmat vezetett be Dél-Korea, Ausztrália, Tajvan és Olaszország is.

Ezzel párhuzamosan a Fehér Ház végrehajtói szintje – David Sacks AI-cár vezetésével – a deregulációs, kereskedelemvezérelt irány felé mozdult: az "AI Diffusion Rule"-t visszavonták, a H20-export tiltását feloldották (az Nvidia és az AMD a kínai értékesítés 15%-át fizetve be az államkincstárnak), a chipgyártókat elsőbbségi amerikai ellátásra kötelező "GAIN AI Act"-et lobbinyomásra kihagyták a védelmi felhatalmazási törvényből, majd 2025 decemberében engedélyezték a H200-export is, 25%-os adóval. A legmeglepőbb fordulat 2026 júniusában következett: a Reuters jelentése szerint az amerikai kormány tudatosan nem helyezte fel a DeepSeeket a kereskedelmi feketelistára – ez élesen szemben áll a Select Committee korábbi, "nemzetbiztonsági fenyegetésnek" minősítő retorikájával, és jól jelzi a rövid távú kereskedelemdiplomácia és a hosszú távú nemzetbiztonsági stratégia közötti feszültséget.

2026-ra egy újabb probléma, a "felhő-kiskapu" vált központi témává: a fizikai chipexport-tilalmat kínai cégek délkelet-ázsiai adatközpontokon keresztüli távoli hozzáféréssel kerülték meg, mivel a szabályozás a chipek tulajdonjogára irányult, nem a számítási kapacitáshoz való távoli hozzáférésre. Az erre válaszul született "Remote Access Security Act" 2026 januárjában áthaladt a Képviselőházon, de a Szenátusban 2026 augusztusáig nem szavaztak róla.

A globális szuverenitási hullám

Miközben Washington politikája ingadozott, a DeepSeek-sokk tartós katalizátorként hatott a globális AI-szuverenitási törekvésekre:

Ez a mintázat azt jelzi, hogy a "DeepSeek-pillanat" tartós, strukturális hatást gyakorolt a globális AI-szuverenitási törekvésekre – függetlenül attól, hogy Washington éppen szigorít vagy lazít.

VIII.A nyílt forráskód mint geopolitikai eszköz

A kínai AI-stratégia legmerészebb eleme nem egyetlen modell, hanem egy szisztematikus ökoszisztéma-építési törekvés, amelyet az Alibaba Qwen és a Moonshot AI Kimi modelljei erősítettek meg. A Qwen-család – teljesen szabad, Apache 2.0 licenc alatt – 2026 közepére a jelentések szerint a legszélesebb körben letöltött és finomhangolt nyílt AI-ökoszisztémává vált, több tízezer Hugging Face-derivatívával, megelőzve a Meta Llama-családját is. Konkrét, dokumentált esetek illusztrálják a globális elterjedést: Szingapúr állami szuverén AI-modellje Qwen-alapra épül, egy afrikai nyelvekre finomhangolt derivatíva (AfriqueQwen) több tucat helyi nyelvre optimalizált – bár egy gyakran idézett, ám egyetlen kockázatitőkés forrásra visszavezethető állítás szerint az amerikai AI-startupok akár 80%-a is kínai alapmodellekre épít, ezt a számot óvatossággal, fenntartásokkal kell kezelni.

Ezt a tendenciát a Moonshot AI Kimi K2 (2025 július) tovább erősítette: Nathan Lambert AI-elemző szerint "Kína folytatja a modellezési teljesítmény frontjának megközelítését... a Nyugat még jobban lemarad a nyílt modelleken." A rendelkezésre álló statisztikák ezt alátámasztják: 2025 augusztusára a kínai eredetű nyílt modellek letöltési részesedése meghaladta az amerikai modellekét, és 2025 végére a tíz legtöbbet letöltött nyílt modellből a jelentések szerint hét volt kínai eredetű.

Az USCC "két hurok" elmélete (2026 márciusi jelentés, a szerzők saját fogalomalkotása) szerint Kína nyílt modell-stratégiája két, egymást erősítő visszacsatolási hurkot hoz létre: egy "digitális hurkot" (a nyílt súlyok globális, gyors adaptációja felgyorsítja a fejlődést) és egy "fizikai hurkot" (a nyílt modellek ipari/robotikai bevezetése egyedi valós adatot generál, amelyhez a zárt amerikai modellek nem férnek hozzá) – ez utóbbit a jelentés szerint az exportkorlátozások nem tudják kezelni.

A kritikai ellenpont (CSIS, Yasir Atalan) szerint a nyílt súlyú stratégia nem feltétlenül tudatos előny, hanem kényszerű alkalmazkodás a hardverkorlátokhoz, és mivel a nyílt modelleket harmadik felek üzemeltetik, a valódi monetizáció és visszacsatolási adatgyűjtés nehézkes. Emellett az amerikai hiperskálázók éves AI-infrastrukturális kiadása – 350–400 milliárd dollár körüli nagyságrendben – továbbra is sokszorosa a legnagyobb kínai felhőszolgáltatók együttes költésének, ami a nyers számítási kapacitásbeli különbséget hosszú távon döntőbbnek ítéli, mint a letöltési statisztikákat.

A kínai állam szerepe nem hagyható ki ebből a képből: a State Council 2025 augusztusi "AI+" iniciatívája konkrét, számszerűsített célokat (2027-re 70%-os AI-eszköz-penetráció) fogalmaz meg, és több tartomány (Gansu, Guizhou, Belső-Mongólia) jelentős áram- és tőkeszubvenciót biztosít az AI-infrastruktúrának. A Carnegie Endowment elemzése azonban árnyalja a képet: a kínai helyi önkormányzatok fiskális kapacitása szűkült, a hazai kockázatitőke-befektetés az AI-szektorban 2021 és 2024 között visszaesett – vagyis a kínai állami támogatás valós, de nem korlátlan, és nem magyarázza meg egymaga a technológiai eredményeket.

Mindkét oldal egyetért abban, hogy a teljesítménybeli rés a vezető modellek között folyamatosan szűkül, Kína jelentős árazási előnnyel rendelkezik, és a biztonsági kockázatok is valósak és aszimmetrikusak – független tesztek szerint a kínai nyílt modellek érzékenyebbek a jailbreak-típusú támadásokra, mint az összemérhető amerikai zárt modellek, ami felveti a kérdést, hogy a "nyíltság" ára néha nem éppen a biztonság csorbulása-e.

IX.Kritikai szintézis és következtetés: hegemónia helyett fragmentáció?

Négy tétel mentén érdemes összefoglalni, amit a bizonyítékok valójában alátámasztanak, és amit nem.

"A DeepSeek bebizonyította, hogy Kína legyőzte az exportkorlátozásokat." Túlzás. A DeepSeek valódi, ellenőrizhető mérnöki innovációkat ért el (MLA, aux-loss-free MoE, FP8, GRPO), de ezt egy jelentős – a hivatalos 6 millió dolláros számnál lényegesen nagyobb, 1,6–2,5 milliárd dolláros nagyságrendű – hardveres beruházás mellett tette, és feltehetően, bár nem bizonyítottan, más modellek disztillálásával is segítette magát. Az exportkorlátozás nem akadályozta meg a versenyképes modellek megjelenését, de valószínűleg lassította és megnehezítette a folyamatot, kényszerítve a hatékonysági innovációkat.

"A piac túlreagálta a DeepSeek-hírt." Rövid távon igaz volt: a piac nyolc héten belül korrigált, a hiperskálázók capexe nem csökkent, hanem nőtt. De a 2026 júliusi Kimi K3-esemény megismétlődése azt jelzi, hogy a piac strukturálisan érzékeny maradt a kínai nyílt modellek fejlődésére – ez nem egyszeri pánik volt, hanem egy ismétlődő mintázat kezdete.

"A nyílt forráskód stratégiailag legyőzi a zárt modelleket." Ez a legvitatottabb tétel, és a bizonyítékok mindkét irányba mutatnak: a letöltési statisztikák a kínai nyílt modellek dominanciáját mutatják a globális délen, de a monetizáció, a frontier-teljesítmény és a nyers számítási kapacitás terén az amerikai zárt modellek és az őket üzemeltető hiperskálázók továbbra is jelentős előnnyel rendelkeznek. A legvalószínűbb kimenet nem egyoldalú győzelem, hanem egy fragmentált globális AI-rend, amelyben külön amerikai, kínai és európai technológiai szférák alakulnak ki, és a döntő kérdés az, hogy a fejlődő országok melyik ökoszisztémához csatlakoznak.

Az amerikai politikai válasz belső inkoherenciája talán nagyobb stratégiai kockázatot jelent, mint a kínai technológiai fejlődés maga. A kongresszusi "Kína-héják" és a Fehér Ház deregulációs szárnya közötti feszültség – amely hol szigorításhoz, hol lazításhoz vezetett – azt jelzi, hogy Washington nem rendelkezik egységes, hosszú távú stratégiával, miközben Peking és a kínai vállalatok következetesen, állami támogatással hajtják végre saját ökoszisztéma-építési tervüket.

Amit nem tudunk biztosan: hogy ez a fejlemény tartós, generációs jelentőségű erőátrendeződéshez vezet-e a globális technológiai hegemóniában, vagy egy átmeneti "catch-up" fázis, amelyet az amerikai tőkeerő és compute-előny hosszabb távon felülír. A történelem arra tanít, hogy az ilyen pillanatok politikai és piaci reakciói gyakran túlzóbbak, mint amit az utólagos elemzés igazol, de a mögöttük álló strukturális elmozdulások néha valóban tartósak. A DeepSeek-pillanat valószínűleg mindkettő volt egyszerre: túlreagált piaci pánik és valódi, tartós strukturális figyelmeztetés a globális AI-versenyfutás új szakaszáról – amelynek végkimenete 2026 augusztusában még nyitott kérdés.