Tijdens een beleggersgesprek rekent DeepSeek-topman Liang Wenfeng af met de hegemonie van Nvidia: Huawei-hardware zou de GB300-systemen volledig moeten vervangen.
De oprichter en CEO van DeepSeek, Liang Wenfeng, heeft zich tijdens een gesprek met investeerders ongewoon duidelijk uitgelaten over de inhaalslag van China op het gebied van rekenkracht en over Nvidia:
Ik ben behoorlijk optimistisch wat betreft de binnenlandse rekenkracht – op dit punt graaft Nvidia zijn eigen graf.
Huawei 950 tegen Nvidia GB300: de berekening van de DeepSeek-baas
Concreet beweert Wenfeng dat Huawei’s »Atlas 950 SuperPoD« – een zogenaamde supernode, oftewel een nauw gekoppeld netwerk van vele versnellers – de »GB200«- en »GB300«-racks van Nvidia qua prestaties en prijs volledig kan vervangen. De prijs zou hoger liggen, maar binnen de perken: of het nu 50, 100 of zelfs 200 procent duurder is, dat maakt uiteindelijk niet uit, aldus Wenfeng.
Hij geeft echter zelf het bijbehorende addertje onder het gras: voor de prestaties van een Nvidia-GPU zijn vier Huawei-chips nodig, en men loopt ongeveer twee jaar achter.
- Vier Huawei 950’s zouden overeenkomen met één GB300 – volgens Wenfeng met dezelfde latentie en hetzelfde takenpakket.
- De Huawei-supernode zou in het derde of vierde kwartaal van 2026 van start gaan; de GB200 van Nvidia kwam twee jaar geleden in het derde kwartaal op de markt.
De rekenkrachtkloof van China: waarom de VS voorop lopen
Wenfeng wijt de achterstand op de VS aan de middelen, niet aan het personeel – het tekort aan talent vloeit volgens hem pas voort uit het rekenkrachttekort. Volgens de DeepSeek-topman activeren de momenteel grootste AI-modellen ongeveer 800 miljard parameters tegelijk, Chinese modellen slechts zo’n 10 miljard – een achterstand van een orde van grootte.
Volledig transcript van Wenfengs teleconferentie met investeerders. Hij komt hier veel krachtiger over. Hij benadrukt nadrukkelijk dat open sourcing *de* agenda is. Als je hier niet achter staat, ga dan meer Zhipu kopen.
En cruciaal is dat hij zegt dat terughoudendheid *de enige manier is om te overleven*. Labs die de wereld willen veroveren, zullen worden uitgedund. https://t.co/tTCa83rxak pic.twitter.com/XhqVm3zuMK— Teortaxes▶️ (DeepSeek Twitter trouwe fan 2023 – ∞) (@teortaxesTex) 23 juli 2026
Om een model van dit kaliber te trainen, zouden volgens Wenfeng ongeveer 50.000 GB300 of zo’n 200.000 Huawei 950 nodig zijn – onderzoek nog niet meegerekend. Huawei stelt momenteel capaciteit beschikbaar voor ongeveer 16.000 versnellers; de bottleneck ligt bij de productie van Huawei.
Afbrokkelend voordeel: CUDA en het TileLang-argument
Het vaak aangehaalde voordeel van Nvidia is het softwareplatform »CUDA«, waaraan veel AI-ontwikkelaars gebonden zijn. Juist dit voordeel ziet Wenfeng verdwijnen: AI zou tegenwoordig zelf de benodigde code kunnen schrijven, en daarnaast is er een eigen tool genaamd »TileLang«, waarmee het ecosysteem van Nvidia kan worden nagebouwd.
Als bewijs haalt hij zijn eigen model »V3« aan: het model draaide weliswaar op Nvidia-hardware, maar maakte tijdens het trainen geen gebruik van de softwareomgeving van Nvidia – via een zelfgeschreven TileLang-compiler. Speciale chips voor AI maakten de voorsprong van CUDA sowieso steeds minder relevant, zo luidt zijn stelling.
