Zgłoszony plan DeepSeek dotyczący centrum danych o mocy 1 GW testuje jego strategię stawiającą na efektywność

DeepSeek podobno planuje centrum danych o mocy jednego gigawata w Mongolii Wewnętrznej, co zamienia nagłówek Google News w bezpośrednie wyzwanie dla jego reputacji firmy stawiającej na efektywność. Proponowany kampus postawiłby chińskiego twórcę AI w gronie firm rozwijających infrastrukturę mierzoną skalą elektrowni.

Plan nie został publicznie potwierdzony przez DeepSeek. Doniesienia o projekcie wskazują, że firma chce budować w Ulanqab i rozpocząć częściową działalność pod koniec 2027 roku lub na początku 2028 roku. Szczegóły te pochodzą od anonimowych osób zaznajomionych z projektem.

To rozróżnienie ma znaczenie. Plan, budynek pod napięciem oraz w pełni wykorzystywany klaster AI oznaczają trzy bardzo różne kamienie milowe. Dostępne doniesienia nie wskazują lokalizacji, umowy na dostawy energii, partnera budowlanego, dostawcy chipów ani ostatecznego harmonogramu wdrożenia.

Mimo to zgłoszona skala zmienia rozmowę o DeepSeek. Jego wzrost sugerował, że lepsza architektura modeli może ograniczyć ilość mocy obliczeniowej potrzebnej do konkurowania z większymi amerykańskimi laboratoriami. Kampus o mocy jednego gigawata sugeruje, że efektywność nie wyeliminowała zapotrzebowania na dodatkową infrastrukturę.

Główne napięcie nie dotyczy więc DeepSeek i jednego amerykańskiego konkurenta. Chodzi o zestawienie narracji DeepSeek o efektywności z fizycznymi wymaganiami trenowania i obsługi coraz bardziej zaawansowanych modeli.

Program Stargate OpenAI uczynił ogromne kampusy częścią swojej publicznej strategii. DeepSeek zdawał się reprezentować przeciwną drogę, czyli bardziej efektywne wykorzystanie ograniczonego sprzętu. Nowy raport sugeruje, że obie ścieżki ostatecznie zbiegają się przy tych samych deficytowych zasobach: energii elektrycznej, akceleratorach, pamięci, chłodzeniu, sieciach i kapitale.

Co DeepSeek podobno planuje

Główne twierdzenie jest konkretne, lecz dowody na jego poparcie pozostają ograniczone.

DeepSeek podobno rozważa centrum danych o mocy jednego gigawata w Ulanqab, mieście w chińskim regionie Mongolii Wewnętrznej. Jeden gigawat to 1 000 megawatów, choć zgłaszana moc kampusu nie musi oznaczać stałego zapotrzebowania obliczeniowego na takim poziomie.

Projekt ma podobno zostać uruchomiony etapami. Źródła cytowane w pierwotnym materiale oczekują częściowego rozpoczęcia działalności pod koniec 2027 roku lub na początku 2028 roku. Żadne publicznie dostępne oświadczenie DeepSeek nie potwierdza żadnego z tych terminów.

Etapowe oddawanie inwestycji do użytku jest normalne w przypadku tak dużych obiektów. Deweloperzy mogą kończyć stacje transformatorowe, hale danych, systemy chłodzenia i klastry obliczeniowe w osobnych etapach. Kampus może więc działać częściowo, podczas gdy znaczna część planowanej mocy pozostaje jeszcze niedokończona.

Słowo „planowanie” obejmuje również szeroki zakres działań. Może oznaczać wstępne badania terenu, negocjacje dotyczące energii, wstępne prace inżynieryjne albo w pełni sfinansowany program budowy. Obecne doniesienia nie ustalają, gdzie DeepSeek znajduje się w tym zakresie.

Wcześniejsze informacje wspierają szersze twierdzenie dotyczące lokalizacji. Według doniesień rekrutacyjnych DeepSeek publikował ogłoszenia o stanowiskach w centrach danych w Mongolii Wewnętrznej w kwietniu 2026 roku. Ogłoszenia dotyczyły inżyniera i kierownika realizacji prac związanych z serwerami, sieciami, budową, zgodnością i finalnymi operacjami.

Ogłoszenia te stanowiły pierwsze publiczne ujawnienie lokalizacji centrum danych DeepSeek. Pokazywały, że firma poszukuje lokalnej wiedzy operacyjnej. Jednak dwa wakaty same w sobie nie potwierdzały projektu o mocy jednego gigawata.

Rola związana z realizacją była szczególnie istotna, ponieważ jej obowiązki miały obejmować działania od rozpoczęcia projektu po budowę i rozruch. Taki zakres sugerował, że DeepSeek przygotowywał się do zarządzania fizyczną infrastrukturą, zamiast jedynie wynajmować istniejący klaster.

Ulanqab to logiczna lokalizacja dla takiej inwestycji. Chiny promują zachodnie i północne regiony dla dużych projektów obliczeniowych, ponieważ mogą one oferować grunty, zasoby energetyczne i chłodniejszą pogodę. Ulanqab znajduje się także w zasięgu ośrodków popytu wokół Pekinu.

Chłodne warunki mogą przez część roku zmniejszać wymagania dotyczące chłodzenia mechanicznego. Ta przewaga poprawia efektywność operacyjną, lecz nie eliminuje potrzeby stosowania projektowanych systemów termicznych. Gęste szafy z akceleratorami wytwarzają skoncentrowane ciepło, z którym sama temperatura otoczenia nie jest w stanie sobie poradzić.

Lokalizacja wpisuje się również w chińską inicjatywę Eastern Data, Western Compute. Program krajowy zachęca firmy do umieszczania odpowiednich obciążeń w zachodnich regionach przy jednoczesnej obsłudze ośrodków gospodarczych położonych dalej na wschód.

Duże zadania treningowe AI mogą tolerować większy dystans niż aplikacje interaktywne. Procesy treningowe przetwarzają ogromne zbiory danych przez dłuższy czas, podczas gdy inferencja skierowana do użytkowników często korzysta z krótszych ścieżek sieciowych. Inferencja to proces generowania odpowiedzi po wytrenowaniu modelu.

DeepSeek mógłby wykorzystywać kampus w Mongolii Wewnętrznej do treningu, przetwarzania wsadowego lub inferencji mniej wrażliwej na opóźnienia. Mógłby także połączyć ten obiekt z mniejszymi wdrożeniami bliżej użytkowników. Nie ujawniono, jakie obciążenia miałyby tam trafiać.

Liczbę jednego gigawata należy zatem traktować jako zgłaszany górny pułap lub cel dla kampusu. Nie jest to dowód, że DeepSeek już dysponuje wystarczającą liczbą akceleratorów, aby zużyć taką ilość energii.

Dlaczego doniesienie Google News ma teraz znaczenie

Materiał Google News ma znaczenie, ponieważ DeepSeek rozszerza działalność od projektowania modeli do kontroli całego stosu obliczeniowego.

DeepSeek zyskał międzynarodowy rozgłos na początku 2025 roku po udostępnieniu modeli, które konkurowały z wiodącymi systemami mimo istotnych ograniczeń sprzętowych. Jego prace techniczne kładły nacisk na wydajny trening, selektywną aktywację parametrów i zoptymalizowaną komunikację między akceleratorami.

Strategia ta podważyła powszechne założenie. Wielu inwestorów i firm technologicznych traktowało większe klastry jako najpewniejszą drogę do bardziej zaawansowanych modeli. DeepSeek pokazał, że decyzje inżynieryjne mogą zmienić relację między wydatkami, mocą obliczeniową a wydajnością modelu.

Efektywność nie oznaczała, że moc obliczeniowa stała się zbędna. Oznaczała, że DeepSeek uzyskiwał więcej użytecznej pracy z dostępnego sprzętu. Gdy rośnie popyt, oszczędności te mogą obsłużyć większą liczbę użytkowników, dłuższe konteksty, większe eksperymenty i częstsze aktualizacje modeli.

To efekt odbicia leżący u podstaw tego raportu. Mniejsze zużycie zasobów na zadanie może obniżyć całkowity popyt, ale może też sprawić, że znacznie więcej zadań stanie się opłacalnych. Twórcy AI mogą przeznaczać zaoszczędzoną moc na dodatkową inferencję lub trening.

Własna dokumentacja modeli DeepSeek pokazuje, dlaczego to rozróżnienie ma znaczenie. Jego raport techniczny V3 opisuje architekturę mixture-of-experts, w której każdy token aktywuje tylko część modelu. Taka konstrukcja ogranicza obliczenia w porównaniu z aktywowaniem każdego parametru dla każdego tokenu.

Takie techniki poprawiają ekonomikę pojedynczych obciążeń. Nie wyznaczają stałego limitu liczby obciążeń, które DeepSeek chce uruchamiać. Większa liczba użytkowników i bardziej zaawansowane tryby rozumowania mogą szybko pochłonąć dostępną moc.

Twórcy modeli potrzebują infrastruktury także do działań wykraczających poza pojedynczy głośny proces treningowy. Prowadzą przygotowanie danych, eksperymenty, ewaluację, testy bezpieczeństwa, dostrajanie oraz powtarzane uruchomienia z punktów kontrolnych. Usługi produkcyjne po wydaniu modelu dodają ciągłe zapotrzebowanie na inferencję.

Zgłaszane prace DeepSeek nad własnym chipem do inferencji wzmacniają tę interpretację. Doniesienia o rozwoju chipów wskazują, że projekt jest ukierunkowany na inferencję, a nie trening.

Projekt skoncentrowany na inferencji może zoptymalizować sprzęt wokół przewidywalnych operacji modelu. Takie podejście może ograniczyć zależność od akceleratorów ogólnego przeznaczenia i poprawić efektywność energetyczną usług o dużym wolumenie. Wymaga jednak czasu, dostępu do produkcji, pamięci, oprogramowania i wiedzy wdrożeniowej.

Budowa zarówno chipu, jak i centrum danych zapewniłaby DeepSeek większą kontrolę nad współdziałaniem tych elementów. Firma mogłaby dostrajać architekturę modeli, kompilatory, sieci, pamięć i chłodzenie jako jeden system.

Taka integracja pionowa jest powszechna wśród największych platform AI. Google rozwija tensor processing units dla swoich usług. Amazon i Microsoft wykorzystują własne akceleratory obok chipów dostarczanych przez Nvidia i AMD. Meta także opracowała sprzęt dla wybranych obciążeń AI.

DeepSeek stoi przed innym ograniczeniem. Kontrole eksportowe Stanów Zjednoczonych ograniczają chiński dostęp do najbardziej zaawansowanych amerykańskich procesorów AI. Firma musi planować z uwzględnieniem niepewnych dostaw, krajowych alternatyw i możliwych zmian regulacyjnych.

Dedykowany kampus nie rozwiązuje tego problemu. Puste hale danych nie wytrenują modelu. Projekt staje się strategicznie użyteczny tylko wtedy, gdy DeepSeek może zapewnić wystarczającą liczbę akceleratorów, pamięci o wysokiej przepustowości, sprzętu sieciowego i urządzeń elektrycznych.

Dlatego nagłówek Google News ma większą wagę niż rutynowa historia o budowie. Łączy cztery wcześniej odrębne sygnały: lokalną rekrutację, rozwój modeli, rozwój chipów oraz zgłaszany kampus o skali gigawatowej.

Łącznie sygnały te opisują firmę dążącą do niezależności infrastrukturalnej. Narażają też DeepSeek na ryzyko związane z budową, łańcuchem dostaw i realizacją, którego same badania nad oprogramowaniem nie niosą.

Efektywność i skala gigawatowa nie są przeciwieństwami

Zgłaszana ekspansja DeepSeek nie podważa efektywnej AI, ale podważa przekonanie, że efektywność automatycznie zmniejsza całkowity popyt na infrastrukturę.

Pozorna sprzeczność zaczyna się od dwóch różnych miar. Efektywność modelu opisuje zasoby wymagane do konkretnego zadania treningowego lub inferencyjnego. Skala kampusu opisuje całkowitą infrastrukturę dostępną dla wielu zadań i użytkowników.

Firma może poprawiać pierwszą miarę, jednocześnie rozszerzając drugą. Jeśli każde zapytanie wymaga mniej pracy obliczeniowej, DeepSeek może obsługiwać więcej zapytań na tym samym sprzęcie. Może również wspierać dłuższe odpowiedzi lub bardziej złożone rozumowanie bez proporcjonalnego zwiększania kosztu każdego żądania.

Lepsza efektywność może zatem czynić ekspansję bardziej atrakcyjną. Dobrze wykorzystany akcelerator generuje więcej wyników, co poprawia uzasadnienie biznesowe dla dodania kolejnego akceleratora. Ta sama logika kształtowała rynki komputerowe przez dekady.

Zgłaszany projekt wymaga też kontekstu. Jeden gigawat stał się strategiczną jednostką w wyścigu o infrastrukturę AI. Nie opisuje już tylko bardzo dużego budynku; opisuje kampus z wieloma obiektami i dedykowaną strategią energetyczną.

Plany Stargate OpenAI stanowią najwyraźniejsze porównanie. Program omawiał kilka kampusów zdolnych obsłużyć jeden gigawat lub więcej. OpenAI przedstawiał te obiekty jako fundament trenowania i obsługi przyszłych modeli.

Początkowo DeepSeek wydawał się osłabiać tę tezę. Jego wydajne modele skłoniły część obserwatorów do zastanowienia się, czy branża potrzebuje tak dużych obiektów. Jednak CEO OpenAI Sam Altman argumentował, że tańsza moc obliczeniowa nie wyeliminuje potrzeby tworzenia dużych klastrów.

Zgłaszany projekt w Mongolii Wewnętrznej wspiera część argumentacji Altmana. Nawet laboratorium znane z efektywności najwyraźniej dostrzega strategiczną wartość w mocy na skalę gigawatową. Nie potwierdza jednak zasadności każdego proponowanego kampusu AI ani każdej prognozy.

DeepSeek i OpenAI nadal podążają różnymi ścieżkami instytucjonalnymi. OpenAI w dużej mierze opiera się na partnerstwach z dostawcami infrastruktury, firmami produkującymi chipy i finansowymi sponsorami. DeepSeek działa przy niższym rozgłosie publicznym i z mniejszą liczbą ujawnionych relacji komercyjnych.

Różnią się też ich strategie dystrybucji modeli. DeepSeek udostępnił wagi modeli na liberalnych warunkach, pozwalając stronom trzecim samodzielnie uruchamiać niektóre systemy. OpenAI zapewnia dostęp głównie za pośrednictwem hostowanych produktów i interfejsów programowania aplikacji.

Te różnice wpływają na to, gdzie odbywa się inferencja. Model możliwy do pobrania rozprasza część zapotrzebowania między zewnętrzne chmury, firmy i lokalne komputery. Model hostowany centralnie koncentruje większą część popytu w infrastrukturze dostawcy.

Jednak otwarta dystrybucja modeli nie eliminuje zapotrzebowania na usługi własne dostawcy. Użytkownicy nadal wybierają usługi hostowane ze względu na wygodę, niezawodność, szybkość i zarządzane skalowanie. Deweloperzy potrzebują też wewnętrznych klastrów, aby tworzyć kolejne generacje modeli możliwych do pobrania.

Główne napięcie nadal dotyczy obietnicy i rzeczywistości. Obietnica mówi, że wydajność algorytmiczna osłabia związek między postępem modeli a skalą infrastruktury. Rzeczywistość jest taka, że presja konkurencyjna zachęca firmy do przekształcania każdego zysku wydajności w większe możliwości.

Nie oznacza to, że wydajność jest bez znaczenia. Efektywne systemy mogą zmniejszać zużycie energii elektrycznej przy stałym obciążeniu i poszerzać dostęp do AI. Mogą też decydować o tym, które firmy są w stanie działać rentownie przy ograniczeniach podaży.

To rozróżnienie ma znaczenie dla nabywców korporacyjnych. Historia treningu modelu niewiele mówi o dostępnej mocy podczas rzeczywistego użytkowania. Kupujących interesują opóźnienia, dostępność, limity zapytań, zarządzanie danymi, opcje wdrożenia i przewidywalna wydajność.

Duży kampus mógłby wzmocnić zdolność DeepSeek do obsługi aplikacji o dużym wolumenie. Mógłby też bardziej uzależnić firmę od jednego regionu, złożonych ustaleń energetycznych i sprzętu, który może stać się przestarzały przed zakończeniem budowy.

Dla deweloperów opisywany projekt sygnalizuje, że architektura modeli i projektowanie infrastruktury stają się nierozłączne. Optymalizacje oprogramowania coraz częściej zależą od dokładnej konfiguracji pamięci, sieci i akceleratorów, na których działają.

Dla pracowników wiedzy bezpośredni efekt jest mniej wyraźny. Większa infrastruktura może poprawić szybkość odpowiedzi i dostępność, ale nie gwarantuje lepszych odpowiedzi. Jakość modelu nadal zależy od danych treningowych, treningu po wstępnym szkoleniu, ewaluacji i projektu produktu.

Zespoły oceniające systemy AI powinny zachowywać własne materiały źródłowe i decyzje niezależnie od pojedynczego dostawcy modeli. Przeszukiwalna baza wiedzy AI może utrzymać dostępność kontekstu organizacyjnego, gdy zmieniają się modele, limity lub rozwiązania hostingowe.

Kwestia chipów jest najtrudniejszym ograniczeniem projektu

Energia elektryczna może zasilić kampus o mocy gigawata, ale to akceleratory decydują, czy ta energia zamieni się w użyteczne obliczenia AI.

Dostępny raport nie wskazuje sprzętu planowanego przez DeepSeek. To pominięcie ma kluczowe znaczenie, ponieważ chińscy deweloperzy AI działają w warunkach kontroli wpływających na zaawansowane procesory Nvidia i sprzęt do produkcji półprzewodników.

Wysoki rangą urzędnik Stanów Zjednoczonych twierdził w lutym, że DeepSeek wytrenował niedawny model z użyciem chipów Nvidia Blackwell. Urzędnik powiedział również, że procesory te były prawdopodobnie zgrupowane w Mongolii Wewnętrznej, według doniesień dotyczących kontroli eksportu.

DeepSeek nie potwierdził tej relacji. Urzędnik nie ujawnił, w jaki sposób rząd uzyskał te informacje ani jak chipy miały rzekomo trafić do Chin. Nvidia odmówiła komentarza w sprawie konkretnego twierdzenia.

Twierdzenie to powinno zatem pozostać oddzielone od potwierdzonych ofert pracy i opisywanego planu kampusu. Stawia ono poważne pytanie, ale nie zapewnia zweryfikowanego spisu sprzętu.

DeepSeek publicznie udokumentował wcześniejsze wykorzystanie procesorów Nvidia H800. Chipy te zaprojektowano dla Chin, zanim Waszyngton zaostrzył kontrole pod koniec 2023 roku. Firma dostosowała również oprogramowanie do sprzętu Huawei Ascend.

Żadna z tych dróg nie zapewnia pełnej pewności. Dostęp do zaawansowanych produktów Nvidia zależy od polityki eksportowej i jej egzekwowania. Krajowe akceleratory muszą przezwyciężyć ograniczenia w produkcji, pamięci o wysokiej przepustowości, kompatybilności oprogramowania i niezawodności dużych klastrów.

Pamięć o wysokiej przepustowości to wyspecjalizowana pamięć umieszczona blisko akceleratora, umożliwiająca modelom przesyłanie danych z bardzo dużą szybkością. Duże systemy AI mogą być ograniczone przez pamięć, nawet gdy ich procesory oferują wystarczającą wydajność arytmetyczną.

Sieci stanowią kolejne ograniczenie. Trening na tysiącach akceleratorów wymaga szybkiej, skoordynowanej komunikacji. Wolne łącza lub zawodne oprogramowanie mogą sprawić, że kosztowne procesory będą czekać zamiast wykonywać obliczenia.

Kampus o mocy jednego gigawata potęguje te wyzwania. Dodawanie procesorów nie zapewnia liniowego wzrostu wydajności, gdy komunikacja i wskaźniki awarii stają się wąskimi gardłami. Większe klastry wymagają zaawansowanych systemów harmonogramowania, przechowywania danych, monitorowania i odzyskiwania sprawności.

DeepSeek ma doświadczenie techniczne istotne dla tego problemu. Jego wcześniejsze badania koncentrowały się na wydajności komunikacji i metodach ograniczających ilość informacji, które muszą przemieszczać się między procesorami. Optymalizacje te zyskują na wartości wraz ze wzrostem rozmiaru klastra.

Mimo to niestandardowy chip do inferencji nie rozwiązałby natychmiast ograniczeń treningowych. Sprzęt inferencyjny generuje wyniki na podstawie istniejącego modelu, podczas gdy sprzęt treningowy wykonuje powtarzające się obliczenia potrzebne do stworzenia lub aktualizacji tego modelu.

DeepSeek mógłby rozdzielić te role. Mógłby używać krajowych lub importowanych akceleratorów do treningu, jednocześnie wdrażając własny chip do inferencji produkcyjnej. Mógłby także łączyć kilka rodzin procesorów w obrębie tego samego kampusu.

Środowisko mieszane zapewnia elastyczność, ale zwiększa koszty oprogramowania. Inżynierowie muszą utrzymywać kompilatory, kernele, formaty modeli i narzędzia monitorujące dla każdej platformy. Wydajność może znacząco różnić się między obciążeniami.

Produkcja tworzy kolejną niepewność. Zaprojektowanie procesora nie gwarantuje dostępu do konkurencyjnej produkcji ani wystarczającej ilości pamięci. Projekt chipowy wymaga także pakowania, testowania, oprogramowania układowego, sterowników i niezawodnej produkcji na dużą skalę.

Czas ma tu znaczenie. Kampus przeznaczony do częściowego uruchomienia pod koniec 2027 lub na początku 2028 roku byłby projektowany wokół wcześniej podjętych decyzji sprzętowych. Tymczasem procesory AI i projekty szaf rack mogą zmieniać się w krótszych cyklach.

DeepSeek musi albo podjąć zobowiązanie wcześnie, albo zaprojektować elastyczną infrastrukturę. Elastyczność może zwiększać złożoność budowy, ponieważ różne szafy wymagają odmiennego zasilania, chłodzenia i rozwiązań sieciowych.

Chłodzenie cieczą jest jednym z prawdopodobnych wymogów dla gęsto upakowanych nowoczesnych akceleratorów. Technologia ta odprowadza ciepło przez płyn przepływający w pobliżu komponentów obliczeniowych, zamiast polegać wyłącznie na przepływie schłodzonego powietrza przez pomieszczenie.

Raport nie mówi, czy DeepSeek planuje chłodzenie cieczą, systemy bezpośrednio do chipów czy inną konstrukcję. Nie ujawnia też oczekiwanej gęstości szaf, zapotrzebowania na wodę ani zasilania awaryjnego.

Bez tych szczegółów czytelnicy powinni powstrzymać się od przeliczania jednego gigawata na liczbę procesorów. Moc obiektu obejmuje chłodzenie, pamięć masową, sieć, oświetlenie, straty konwersji i inne systemy. Wybór sprzętu dodatkowo zmienia ilość mocy obliczeniowej, jaką każdy megawat może dostarczyć.

Czego nie dowodzi deklaracja jednego gigawata

Projekt pozostaje opisywaną ambicją, a nie dowodem finansowania, budowy, dostępności sprzętu ani zdolności operacyjnej.

Pierwszą niewiadomą jest to, czy DeepSeek zabezpieczył lokalizację. Duże kampusy potrzebują rozległego terenu, tras światłowodowych, wody lub alternatywnych zasobów chłodniczych, przyłączy do sieci i zgód środowiskowych. Żaden z tych elementów nie został publicznie wskazany dla tego projektu.

Drugą kwestią jest zasilanie. Przyłącze o mocy jednego gigawata wymaga czegoś więcej niż korzystnego regionalnego profilu energetycznego. Operatorzy sieci muszą zbadać zdolność przesyłową, zbudować stacje elektroenergetyczne, pozyskać transformatory i zaplanować etapowe uruchamianie zasilania.

Sprzęt energetyczny często ma długie terminy produkcji. Przyłączenie do sieci może stać się krytyczną ścieżką projektu, nawet gdy dostępne są teren i finansowanie. Obecne doniesienia nie ujawniają umowy z przedsiębiorstwem użyteczności publicznej ani dostawcą energii.

Trzecią niewiadomą jest finansowanie. DeepSeek miał podobno badać możliwości zewnętrznych inwestycji po latach polegania na wsparciu związanym z organizacją High-Flyer założyciela Lianga Wenfenga. Jednak budżet kampusu i struktura finansowania pozostają nieujawnione.

Nie należy wyciągać wiarygodnych szacunków wyłącznie z wartości mocy. Koszty projektu różnią się w zależności od terenu, infrastruktury energetycznej, wyboru procesorów, projektu chłodzenia, standardów budowy i ilości mocy uwzględnionej w każdej fazie.

Czwartą niewiadomą jest wykorzystanie. Ukończona powłoka obiektu może istnieć bez wystarczającej liczby procesorów, aby ją wypełnić. Częściowo działający kampus może przez lata zużywać jedynie niewielką część planowanej mocy.

To rozróżnienie już skomplikowało dyskusję o innych projektach gigawatowych. W lipcu doniesienia mówiły, że chińska firma AI Z.ai rozpoczęła eksploatację części obiektu o mocy jednego gigawata, wykorzystując krajowe chipy. Publiczne informacje o lokalizacji, aktywnej mocy i dostawcy sprzętu pozostawały ograniczone.

Piąta niewiadoma dotyczy harmonogramu na 2027 lub 2028 rok. Terminy budowy centrów danych mogą się przesuwać z powodu pozwoleń, dostaw energii, niedoborów sprzętu, zmian projektowych lub finansowania. DeepSeek nie przyjął tej daty publicznie.

Szósta dotyczy wydajności środowiskowej. Mongolia Wewnętrzna oferuje znaczne zasoby energii odnawialnej, ale sama lokalizacja regionalna nie określa miksu energetycznego projektu. Rzeczywiste emisje związane ze zużyciem określają godzinowa produkcja energii i warunki sieciowe.

Chłodna pogoda może poprawić efektywność wykorzystania energii, która porównuje całkowite zużycie energii przez obiekt z energią wykorzystywaną przez sprzęt obliczeniowy. Nie odpowiada jednak na pytania dotyczące wody, generatorów awaryjnych, wykorzystania terenu ani budowy sieci przesyłowej.

Koncentracja mocy tworzy również ryzyka dla odporności operacyjnej. Duży regionalny kampus może upraszczać działalność i korzystać ze wspólnej infrastruktury. Może zwiększać narażenie na lokalne awarie zasilania, przerwy w łączności światłowodowej, ekstremalne warunki pogodowe i działania regulacyjne.

DeepSeek mógłby zarządzać tym ryzykiem przez redundantne linie przesyłowe, usługi rozproszone i dodatkowe regiony. Żadne z tych rozwiązań nie zostało opisane w doniesieniach.

Istnieje również ryzyko rynkowe. Modele i projekty procesorów mogą zmienić się przed uruchomieniem pierwszej fazy. Plan infrastruktury zoptymalizowany pod jedną architekturę może stracić wydajność, jeśli przyszłe systemy będą wymagać innego chłodzenia lub sieci.

Otwarte przyjmowanie modeli utrudnia prognozowanie popytu. DeepSeek może zyskiwać wpływy, gdy strony trzecie wdrażają jego modele, lecz takie wdrożenia niekoniecznie generują obciążenia w obiektach należących do DeepSeek.

Z kolei popularna usługa hostowana może wywołać nagły popyt na inferencję. Aplikacje konsumenckie mogą powodować nieprzewidywalne szczyty, podczas gdy klienci korporacyjni oczekują zobowiązań dotyczących usług i stabilnej mocy.

Sceptyczne odczytanie jest proste. DeepSeek może analizować ambitny kampus, nie rozwiązawszy jeszcze zależności związanych z chipami, energią lub finansowaniem. Publiczne dowody nie uzasadniają opisywania projektu jako będącego w budowie.

Przychylna interpretacja jest równie jasna. Rekrutacja rozpoczęła się miesiące przed doniesieniem o jednym gigawacie, a firma podobno rozwija własny chip do inferencji. Te działania tworzą spójną strategię przejęcia większej kontroli nad własną infrastrukturą.

Żadna interpretacja nie ma wystarczających dowodów, by stać się wnioskiem. Właściwy opis nadal brzmi: „podobno planuje”.

Trzy sygnały, na które warto zwrócić uwagę po nagłówku Google News

Kolejny etap tej historii zależy od możliwych do zweryfikowania zobowiązań, a nie od kolejnych raportów powtarzających tę samą wartość jednego gigawata.

Pierwszym sygnałem będzie ujawniona umowa dotycząca lokalizacji lub zasilania. Wskazana działka, partner z sektora energetycznego, plan stacji elektroenergetycznej albo zgłoszenie regulacyjne przesunęłyby projekt poza etap ogólnego planowania.

Dokumentacja dotycząca zasilania wyjaśniłaby również, co oznacza „jeden gigawat”. Może chodzić o docelową skalę całego kampusu, zarezerwowane przyłącze do sieci albo moc przewidzianą dla pierwszego etapu budowy.

Jeśli DeepSeek lub lokalne władze potwierdzą etapowe uruchamianie zasilania, harmonogram projektu stanie się bardziej wiarygodny. Jeżeli taka dokumentacja się nie pojawi, zaufanie do celu na 2027 lub 2028 rok powinno osłabnąć.

Drugim sygnałem będzie ujawnienie informacji o sprzęcie. DeepSeek nie musi publikować kompletnej listy wyposażenia, ale dokumenty techniczne mogą wskazać obsługiwane akceleratory, systemy sieciowe oraz postępy w rozwoju własnych układów scalonych.

Gotowy do produkcyjnego użycia układ do inferencji wzmocniłby argument, że DeepSeek może wypełnić znaczną część tej mocy sprzętem zaprojektowanym wokół własnych modeli. Opóźnienie chipu zwiększyłoby zależność firmy od Huawei i niepewnego dostępu do Nvidia.

Czytelnicy powinni też śledzić przyszłe raporty dotyczące modeli. Opisy techniczne często wskazują rodziny procesorów używanych do trenowania i inferencji. Mogą pokazać, czy krajowy sprzęt obsługuje jedynie wybrane zadania, czy wspiera pełne wdrożenia.

Trzecim sygnałem będą dowody rzeczywistej budowy i działalności operacyjnej. Komunikaty wykonawców, zamówienia sprzętu, zdjęcia satelitarne, lokalne zgłoszenia lub utrzymujące się rekrutacje do zespołów operacyjnych stanowiłyby mocniejsze potwierdzenie niż anonimowe relacje o planach.

Kamienie milowe operacyjne mają większe znaczenie niż uroczyste ogłoszenia. Istotne testy to doprowadzenie zasilania do budynków, dostarczenie szaf rackowych, przejście testów odbiorczych przez klastry oraz rozpoczęcie obsługi ruchu produkcyjnego.

Te sygnały powinny pojawiać się w tej kolejności. Zobowiązania dotyczące lokalizacji i zasilania potwierdzają wykonalność. Ujawnienie sprzętu potwierdza wartość obliczeniową. Dowody operacyjne potwierdzają zdolność realizacji.

Brak jednego sygnału nie obala od razu projektu. DeepSeek historycznie ujawniał niewiele informacji o swojej działalności. Jednak tajność oznacza też, że zewnętrzni obserwatorzy powinni stosować wyższy standard weryfikacji.

Jest to szczególnie ważne podczas śledzenia tej historii przez Google News. Zebrane nagłówki mogą sprawiać, że kilka artykułów opartych na jednym pierwotnym raporcie wygląda jak niezależne potwierdzenia. Czytelnicy powinni prześledzić każde twierdzenie do jego pierwszego możliwego do zidentyfikowania źródła.

Szersza ocena jest już wyraźniejsza. Prace DeepSeek nad efektywnością nie zakończyły wyścigu infrastrukturalnego. Zmieniły ilość możliwości, jaką twórcy mogą wydobyć z każdej jednostki infrastruktury.

Jeśli kampus w Ułanqab będzie się rozwijał, DeepSeek dołączy do ery gigawatów, jednocześnie przekonując, że architektura nadal ma znaczenie. Takie połączenie wywiera presję zarówno na amerykańskie laboratoria AI, jak i chińskich dostawców sprzętu.

Amerykańscy twórcy tracą prosty argument, że ogromne kampusy odróżniają ich strategię od DeepSeek. Chińscy producenci chipów stają przed wymagającym klientem, który może rozwijać własny krzem do inferencji, jednocześnie testując krajowe alternatywy na dużą skalę.

Twórcy powinni obserwować, czy wynikająca z tego moc poprawia dostępność modeli, obsługę kontekstu i szybkość inferencji. Nabywcy korporacyjni powinni śledzić regiony wdrożeń, kontrolę danych, niezawodność i przejrzystość sprzętową.

Wszyscy pozostali powinni obserwować różnicę między ogłoszoną mocą a działającymi zasobami obliczeniowymi. Jeden gigawat ma znaczenie dopiero wtedy, gdy energia elektryczna dociera do procesorów zdolnych niezawodnie wykonywać użyteczne zadania.

Nagłówek w Google News rozpoczyna to dochodzenie, a nie je kończy. Decydujące pytanie nie brzmi już, czy DeepSeek ceni efektywność lub skalę. Chodzi o to, czy firma potrafi połączyć oba te elementy przy poważnych ograniczeniach sprzętowych i dostaw.

Pod koniec 2027 roku najsilniejszym dowodem nie będzie kolejna anonimowa liczba. Będzie nim działający klaster, udokumentowana strategia dotycząca chipów oraz usługi przekształcające infrastrukturę w niezawodne wyniki AI.