Konten disusun AI — bisa keliru. Baca disclaimer lengkap
DeepSeek (Hangzhou DeepSeek Artificial Intelligence Co.)
Ringkasan
Apa yang Terjadi
DeepSeek adalah laboratorium AI asal Hangzhou, Tiongkok, yang didirikan pada Juli 2023 sebagai spin-off dari High-Flyer — dana lindung nilai kuantitatif (quant hedge fund) yang dibangun pendirinya, Liang Wenfeng, sejak 2015. Alih-alih mengejar jalur startup konvensional (kejar pengguna, bakar uang VC, kejar valuasi), DeepSeek memilih posisi yang aneh untuk ukuran industri AI: didanai sepenuhnya oleh kas hedge fund induknya, menolak modal ventura selama 2,5 tahun pertama, merilis bobot model (open-weight) secara gratis, dan memperlakukan dirinya sebagai lab riset, bukan perusahaan produk. Yang membuat DeepSeek menjadi salah satu kisah sukses paling mengejutkan dalam sejarah teknologi modern bukanlah ukuran atau pendanaannya, melainkan efisiensi: pada Desember 2024, DeepSeek merilis DeepSeek-V3, model Mixture-of-Experts berukuran 671 miliar parameter (hanya 37 miliar aktif per token) yang menyaingi GPT-4 dan Claude 3.5 Sonnet — dengan biaya training run final yang dilaporkan hanya sekitar US$5,576 juta (2.048 GPU Nvidia H800 selama ~55 hari), di bawah bayang-bayang kontrol ekspor chip AS yang justru menghalangi mereka mendapatkan GPU tercanggih. Sebulan kemudian, DeepSeek-R1 (20 Januari 2025) — model penalaran (reasoning) yang dilatih terutama lewat reinforcement learning murni dan menyaingi OpenAI o1 — memicu gelombang kejut global: aplikasinya menjadi No. 1 di App Store di banyak negara, dan pada 27 Januari 2025 saham Nvidia anjlok ~17% dalam sehari, menghapus ~US$593 miliar nilai pasar — kerugian satu hari terbesar untuk satu perusahaan dalam sejarah bursa. Pada September 2025, riset R1 diterbitkan sebagai artikel sampul di jurnal Nature — LLM besar pertama yang lolos tinjauan sejawat independen. Namun kisah ini bukan hagiografi: keberhasilan DeepSeek datang bersama kontroversi nyata — pemblokiran oleh regulator privasi Italia (Garante), tuduhan distilasi model OpenAI, sensor yang selaras dengan garis pemerintah Tiongkok, dan pertanyaan tentang tata kelola data — plus catatan penting bahwa angka 'US$6 juta' hanyalah biaya training run final, bukan total biaya R&D, gaji ratusan peneliti, atau stok ribuan GPU yang ditimbun sejak 2021. Per pertengahan 2026, DeepSeek dilaporkan mulai membuka pendanaan eksternal pertamanya di valuasi melampaui US$10 miliar.
Kronologi
Urutan Kejadian
Liang Wenfeng mendirikan High-Flyer — hedge fund kuantitatif berbasis AI
Liang Wenfeng, lulusan Zhejiang University, turut mendirikan High-Flyer, dana lindung nilai kuantitatif yang menerapkan machine learning untuk strategi trading. High-Flyer tumbuh menjadi salah satu quant fund terbesar di Tiongkok, dengan aset kelolaan yang mencapai puncak sekitar US$14 miliar pada 2021. Pengalaman menjalankan kluster komputasi besar untuk trading inilah yang kelak menjadi fondasi infrastruktur — dan filosofi riset — DeepSeek.
High-Flyer menimbun ribuan GPU Nvidia sebelum kontrol ekspor mengetat
Sebagai 'proyek sampingan AI', Liang mulai membeli ribuan GPU Nvidia (dilaporkan termasuk A100) untuk kluster komputasi High-Flyer sejak sekitar 2021 — sebelum kontrol ekspor chip AS ke Tiongkok diperketat. Timbunan compute pra-embargo ini menjadi salah satu aset yang tidak bisa direplikasi oleh pesaing baru mana pun dan menjadi bahan bakar diam-diam bagi pelatihan model DeepSeek di kemudian hari.
DeepSeek didirikan sebagai spin-off riset AI dari High-Flyer
Liang Wenfeng mendirikan DeepSeek di Hangzhou sebagai laboratorium AI independen yang dimiliki dan didanai oleh High-Flyer. Keputusan pendanaan ini disengaja: saat itu banyak VC enggan mendanai lab foundation model yang tak menjanjikan exit cepat, dan Liang justru tak menginginkan tekanan komersialisasi. DeepSeek diposisikan sebagai lab riset fundamental — bukan perusahaan produk — dengan misi mengejar AGI dan mendorong Tiongkok dari posisi 'pengikut' menjadi kontributor riset AI.
Rilis pertama: DeepSeek Coder — model open-weight untuk pemrograman
DeepSeek merilis model publik pertamanya, DeepSeek Coder, sebuah keluarga model kode open-weight — menandai komitmen awal terhadap strategi rilis terbuka. Rilis ini disusul DeepSeek LLM dan model-model berikutnya. Pola konsisten sejak awal: publikasikan bobot dan laporan teknis secara terbuka, bangun reputasi lewat transparansi dan benchmark, bukan lewat marketing produk tertutup.
DeepSeek-V2 memicu 'perang harga' AI di Tiongkok
DeepSeek merilis DeepSeek-V2, model MoE open-weight yang berkinerja kuat dengan biaya inferensi yang sangat rendah — dilaporkan sekitar 1 RMB (~US$0,14) per juta token input. Harga ini memaksa raksasa teknologi Tiongkok (ByteDance, Tencent, Baidu, Alibaba) ikut memangkas harga API mereka, memicu perang harga model AI di Tiongkok. Saat itu, sedikit yang menaruh perhatian di Barat — tetapi V2 sudah menjadi bukti bahwa arsitektur MoE + efisiensi rekayasa DeepSeek bisa menekan biaya secara struktural, bukan sekadar subsidi sesaat.
DeepSeek-V3 dirilis — 671B parameter MoE, dilatih dengan biaya run ~US$5,6 juta
DeepSeek merilis DeepSeek-V3, model Mixture-of-Experts berukuran 671 miliar parameter total dengan hanya ~37 miliar parameter aktif per token. Laporan teknisnya mengungkap kombinasi inovasi rekayasa: Multi-head Latent Attention (MLA) untuk menekan KV-cache, DeepSeekMoE dengan expert bersama, Multi-Token Prediction (MTP), pelatihan presisi rendah FP8 pada skala ekstrem, dan algoritma paralelisme pipeline DualPipe. Model dilatih pada kluster 2.048 GPU Nvidia H800 (varian yang sengaja dipangkas untuk pasar Tiongkok) selama ~55 hari, dengan total ~2,788 juta jam-GPU H800 — setara biaya training run final sekitar US$5,576 juta pada asumsi US$2/jam-GPU. Kinerjanya setara model tertutup terdepan (mis. MMLU ~88,5), memicu perhatian serius dari komunitas riset global.
DeepSeek-R1 dirilis — model penalaran yang menyaingi OpenAI o1
DeepSeek merilis DeepSeek-R1, model penalaran (reasoning) yang dibangun di atas basis V3. Klaim intinya radikal secara ilmiah: kemampuan menalar dapat 'ditumbuhkan' terutama lewat reinforcement learning murni (algoritma GRPO), tanpa bergantung pada demonstrasi berlabel manusia. Varian R1-Zero bahkan melewati supervised fine-tuning sepenuhnya dan menunjukkan perilaku emergen — verifikasi-diri, refleksi, hingga 'aha moment' saat model spontan berhenti dan mengevaluasi ulang penalarannya. R1 dirilis open-weight dengan harga API sangat rendah (dilaporkan US$0,55 / juta token input dan US$2,19 / juta token output, jauh di bawah tarif OpenAI o1 saat itu).
'DeepSeek shock': Nvidia anjlok ~17%, ~US$593 miliar nilai pasar menguap dalam sehari
Setelah aplikasi DeepSeek menjadi No. 1 di App Store di banyak negara (25 Jan), pasar bereaksi keras: pada 27 Januari 2025 saham Nvidia jatuh ~17%, menghapus sekitar US$593 miliar kapitalisasi pasar dalam satu sesi — kerugian satu hari terbesar untuk satu perusahaan dalam sejarah bursa. Kekhawatiran investor: jika model kelas frontier bisa dilatih jauh lebih murah dan efisien, tesis belanja modal AI yang tak terbatas (dan permintaan GPU) bisa goyah. Peristiwa ini populer disebut 'DeepSeek shock'.
OpenAI & Microsoft menyelidiki dugaan distilasi model
Di tengah lonjakan popularitas, OpenAI dan Microsoft dilaporkan menyelidiki dugaan bahwa DeepSeek memakai teknik distilasi (menyuling output) dari model OpenAI untuk melatih modelnya — yang bila benar dapat melanggar ketentuan layanan. DeepSeek tidak mengonfirmasi tuduhan ini, dan sejumlah pihak menilai bukti publiknya belum konklusif. Bagian ini adalah tuduhan (allegation) yang belum terbukti secara hukum; disebutkan demi keseimbangan, bukan sebagai fakta yang sudah ditetapkan.
Regulator privasi Italia (Garante) memblokir DeepSeek
Otoritas Perlindungan Data Italia (Garante) memerintahkan pembatasan pemrosesan data pengguna Italia oleh DeepSeek dan membuka investigasi, menilai jawaban perusahaan atas pertanyaan soal data (apa yang dikumpulkan, tujuan, tempat penyimpanan, kepatuhan GDPR) 'sama sekali tidak memuaskan'. Menyusul kemudian, sejumlah yurisdiksi lain (mis. Irlandia, Belgia membuka penyelidikan; Taiwan dan Australia membatasi di perangkat pemerintah). Ini menandai bahwa keberhasilan teknis DeepSeek datang bersama beban tata kelola data dan geopolitik yang nyata.
Riset DeepSeek-R1 terbit sebagai artikel sampul di jurnal Nature
Makalah DeepSeek-R1 diterbitkan di jurnal Nature (Vol. 645, Edisi 8081, 18 September 2025, hlm. 633–638; DOI 10.1038/s41586-025-09422-z) dengan Liang Wenfeng sebagai corresponding author — menjadikannya salah satu LLM besar pertama yang lolos tinjauan sejawat (peer review) independen dan tampil di sampul Nature. Publikasi ini memberi validasi ilmiah pada klaim bahwa penalaran bisa muncul dari RL murni, sekaligus memperkuat moat reputasi DeepSeek lewat transparansi — kontras dengan lab AI tertutup yang jarang menerbitkan detail.
DeepSeek dilaporkan membuka pendanaan eksternal pertama di valuasi >US$10 miliar
Setelah menolak modal ventura selama ~2,5 tahun, DeepSeek dilaporkan (via The Information dan liputan lanjutan) mulai menjajaki pendanaan eksternal pertamanya — sekitar US$300 juta — pada valuasi melampaui US$10 miliar, dengan High-Flyer tetap menjadi pemegang saham pengendali. Angka ini merupakan lompatan besar dari valuasi pasar sekunder ~US$3,4 miliar pada 2025. Karena ini masih tahap 'pembicaraan/laporan' dan angkanya bergerak, statusnya diperlakukan sebagai klaim yang perlu diverifikasi lewat sumber, bukan transaksi final.
Aktor & Insentif
Siapa yang Terlibat
Liang Wenfeng (Pendiri & CEO DeepSeek; Co-founder High-Flyer)
Peran dalam Kasus
Penggerak visi dan budaya DeepSeek: mendanai lab dari kas High-Flyer, menimbun compute sejak 2021, merekrut peneliti muda tanpa hierarki kaku, dan memutuskan strategi open-weight + publikasi ilmiah. Corresponding author makalah R1 di Nature. Keputusan-keputusannya (efisiensi di atas skala, terbuka di atas tertutup, riset di atas produk) adalah inti dari 'mengapa' DeepSeek berhasil.
Insentif
Lulusan teknik elektro Zhejiang University yang membangun kekayaan lewat quant trading, bukan riset AI. Termotivasi oleh keyakinan jangka panjang: Tiongkok tidak boleh selamanya menjadi 'pengikut' dalam AI, dan riset terbuka adalah cara membangun kredibilitas serta menarik talenta. Karena punya kas hedge fund sendiri, ia bebas dari tekanan investor untuk monetisasi cepat.
High-Flyer (Dana lindung nilai kuantitatif induk)
Peran dalam Kasus
Pemilik dan penyandang dana tunggal DeepSeek selama tahun-tahun awal. Menyediakan infrastruktur compute (GPU yang ditimbun pra-embargo) dan bantalan finansial yang membebaskan DeepSeek dari siklus fundraising VC. 'Modal sabar' inilah faktor struktural yang paling sulit ditiru startup AI biasa.
Insentif
Quant fund dengan puncak AUM ~US$14 miliar (2021). Memiliki insentif strategis dan finansial untuk memiliki kapabilitas AI kelas dunia — sekaligus mampu menyediakan 'modal sabar' dan kluster GPU yang sudah ada dari kebutuhan trading.
Tim riset DeepSeek (peneliti muda, struktur datar)
Peran dalam Kasus
Menghasilkan rantai inovasi rekayasa yang menekan biaya secara struktural (MLA, DeepSeekMoE, FP8 training, DualPipe, GRPO). Struktur organisasi yang datar dan berorientasi riset (Conway's law: organisasi ramping → arsitektur elegan) memungkinkan iterasi cepat dan taruhan teknis yang tidak lazim di lab besar yang birokratis.
Insentif
Sebagian besar peneliti muda dari universitas domestik Tiongkok, diberi akses komputasi besar tanpa birokrasi dan kebebasan mengejar ide berisiko. Insentif: kebebasan riset dan dampak, bukan sekadar kompensasi atau jenjang korporat.
Kontrol ekspor chip AS & Nvidia H800
Peran dalam Kasus
Menjadi 'batasan yang memaksa inovasi': karena tak bisa mengandalkan skala GPU terbaik, DeepSeek terdorong menemukan efisiensi ekstrem (FP8, DualPipe, PTX kustom untuk menyiasati keterbatasan interkoneksi H800). Paradoksnya, hambatan geopolitik ini turut membentuk keunggulan rekayasa DeepSeek — meski juga menjadi sumber risiko dan kontroversi jangka panjang.
Insentif
Kebijakan AS membatasi ekspor GPU tercanggih ke Tiongkok; Nvidia merespons dengan varian 'dipangkas' (mis. H800 dengan bandwidth interkoneksi lebih rendah) untuk pasar Tiongkok. Bukan aktor yang berniat membantu DeepSeek — justru sebaliknya.
OpenAI, Nvidia, dan inkumben AI Barat
Peran dalam Kasus
Menjadi pembanding dan 'korban' guncangan pasar (Nvidia). OpenAI/Microsoft juga menuduh dugaan distilasi (allegation, belum terbukti). Reaksi mereka — dari koreksi saham hingga peluncuran model murah tandingan — adalah bagian dari bukti seberapa besar dampak kompetitif DeepSeek.
Insentif
Pemimpin pasar yang tesis bisnisnya (belanja modal masif, model tertutup, harga premium) langsung tertantang oleh keberadaan model open-weight yang jauh lebih murah namun kompetitif.
Insight untuk Founder
Pelajaran dari Kasus Ini
Batasan memaksa inovasi — keterbatasan compute jadi mesin efisiensi
Apa yang Terjadi
Terhalang kontrol ekspor dari GPU tercanggih, DeepSeek melatih model kelas frontier pada Nvidia H800 yang sengaja dipangkas. Alih-alih menyerah pada skala, mereka menekan biaya secara struktural lewat rekayasa: Multi-head Latent Attention (menekan memori KV-cache), MoE dengan expert bersama, pelatihan FP8 pada skala ekstrem, algoritma DualPipe untuk menyembunyikan overhead komunikasi, hingga menulis instruksi PTX kustom untuk menyiasati keterbatasan interkoneksi H800. Hasilnya: training run V3 yang dilaporkan hanya ~US$5,6 juta.
Polanya
Kelimpahan sumber daya sering membuat tim malas berpikir efisien; kelangkaan memaksa disiplin rekayasa. Ketika kamu tidak bisa 'membeli jalan keluar' dengan lebih banyak GPU/uang, kamu terpaksa menemukan keunggulan algoritmik dan sistem yang sesungguhnya. Batasan yang dihadapi dengan jujur bisa menjadi sumber moat.
Tanda Bahaya Dini
- Menganggap satu-satunya jalan ke kinerja adalah menambah skala (GPU/uang) tanpa mempertanyakan efisiensi
- Tim yang tak pernah mengukur biaya per unit hasil (per token, per training run)
- Membiarkan kelimpahan anggaran menutupi inefisiensi arsitektur
Aksi Pencegahan
Perlakukan efisiensi (biaya per hasil) sebagai KPI rekayasa kelas satu sejak awal, bahkan saat dana melimpah. Tanyakan 'bagaimana jika compute kita dibatasi 5x?' sebagai latihan desain. Efisiensi yang lahir dari batasan lebih tahan lama daripada keunggulan yang dibeli dengan modal.
Open-weight sebagai strategi, bukan sekadar altruisme
Apa yang Terjadi
DeepSeek merilis bobot model secara terbuka dan menerbitkan laporan teknis terperinci — bahkan makalah R1 lolos peer review dan tampil di sampul Nature. Ini bukan kedermawanan tanpa pamrih: keterbukaan menarik perhatian komunitas riset global, membangun kredibilitas dan reputasi dengan cepat, mengundang talenta, dan menjadikan DeepSeek titik acuan (default) bagi pengembang yang ingin alternatif murah dari model tertutup.
Polanya
Untuk pemain baru tanpa merek atau distribusi, keterbukaan bisa menjadi mesin distribusi dan kredibilitas tercepat. Transparansi ilmiah menciptakan 'moat reputasi' yang sulit dilawan lab tertutup: sulit menuduh sesuatu sebagai keajaiban pemasaran ketika metodenya dipublikasikan dan bisa direplikasi.
Tanda Bahaya Dini
- Menganggap open-source otomatis = model bisnis (tanpa memikirkan bagaimana nilai ditangkap)
- Merilis terbuka tanpa kualitas riil yang bisa diverifikasi (keterbukaan tanpa substansi cepat terbongkar)
- Mengira keterbukaan menghapus kewajiban tata kelola (privasi, keamanan, penyalahgunaan)
Aksi Pencegahan
Bila memilih open-weight, jadikan itu bagian dari strategi sadar: apa yang kamu buka, apa yang kamu tahan (data, layanan, integrasi), dan bagaimana reputasi diubah menjadi keunggulan. Backing keterbukaan dengan substansi yang bisa diverifikasi — benchmark, paper, reprodusibilitas.
Modal sabar & fokus riset — keuntungan tak lazim dari didanai hedge fund
Apa yang Terjadi
DeepSeek didanai sepenuhnya oleh kas High-Flyer dan menolak VC selama ~2,5 tahun. Tanpa tekanan investor untuk monetisasi cepat atau mengejar metrik pertumbuhan, tim bebas fokus pada riset fundamental dan taruhan berisiko (RL murni untuk penalaran) yang mungkin tak akan disetujui board berorientasi ROI jangka pendek.
Polanya
Struktur pendanaan membentuk apa yang mungkin dibangun. 'Modal sabar' memungkinkan horizon riset panjang dan toleransi terhadap kegagalan — prasyarat untuk terobosan yang tak bisa dijadwalkan per kuartal. Sebaliknya, tekanan fundraising bisa memaksa pilihan aman yang menghambat inovasi.
Tanda Bahaya Dini
- Roadmap riset yang tunduk pada tenggat fundraising, bukan pada kesiapan ilmiah
- Mengukur lab riset dengan metrik produk (DAU, revenue) terlalu dini
- Menghabiskan energi pada narasi investor alih-alih pada pekerjaan inti
Aksi Pencegahan
Jika mengejar terobosan riset, amankan sumber modal dengan horizon panjang sebelum memulai, dan lindungi tim inti dari kebisingan fundraising. Jika terpaksa memakai VC, selaraskan ekspektasi soal timeline dan toleransi kegagalan sejak term sheet.
Efisiensi biaya sebagai senjata kompetitif — dan jebakan angka 'US$6 juta'
Apa yang Terjadi
Efisiensi struktural DeepSeek memungkinkan harga API yang jauh lebih murah (V2 memicu perang harga di Tiongkok; R1 diberi harga sepersekian OpenAI). Narasi 'model frontier seharga US$6 juta' menjadi viral dan mengguncang pasar. Namun angka ~US$5,6 juta itu hanyalah biaya training run final DeepSeek-V3 — BUKAN total biaya R&D, gaji ratusan peneliti, eksperimen yang gagal, atau ribuan GPU yang sudah ditimbun sejak 2021.
Polanya
Efisiensi biaya bisa menjadi disruptor pasar yang dahsyat — struktur biaya rendah memungkinkan harga yang tak bisa diikuti inkumben tanpa mengorbankan margin. Tapi ada risiko cermin: angka efisiensi yang mengesankan sering disalahpahami/dipoles menjadi klaim yang lebih besar dari kenyataannya (survivorship & narrative polish).
Tanda Bahaya Dini
- Mengutip biaya 'training run' seolah itu total biaya membangun model (mengabaikan R&D, data, gaji, compute yang gagal)
- Percaya bahwa satu angka viral mewakili seluruh realitas ekonomi
- Meniru 'US$6 juta' secara literal sebagai anggaran untuk membangun lab AI
Aksi Pencegahan
Pisahkan biaya marginal (training run) dari biaya total kepemilikan (R&D + talenta + infrastruktur + kegagalan). Saat membaca klaim efisiensi pesaing, tanyakan 'biaya apa yang tidak dihitung?'. Saat mengklaim efisiensi sendiri, jujur soal cakupannya agar kredibilitas tak runtuh.
Transparansi ilmiah membangun kepercayaan — sukses tak menghapus tanggung jawab
Apa yang Terjadi
Publikasi di Nature dan laporan teknis terbuka memberi DeepSeek kredibilitas yang jarang dimiliki startup. Namun di sisi lain, keberhasilan datang bersama kontroversi nyata: pemblokiran regulator privasi Italia, penyelidikan di beberapa yurisdiksi, sensor jawaban yang selaras dengan garis pemerintah Tiongkok, dan tuduhan distilasi model OpenAI (belum terbukti).
Polanya
Keunggulan teknis dan keterbukaan ilmiah tidak mengganti kewajiban tata kelola (privasi data, keamanan, netralitas informasi). Justru semakin populer sebuah sistem, semakin besar permukaan risikonya. Kepercayaan yang dibangun lewat transparansi riset bisa tergerus cepat oleh kegagalan tata kelola data atau bias yang kelihatan.
Tanda Bahaya Dini
- Menganggap prestasi teknis/benchmark menutupi masalah privasi, keamanan, atau bias
- Kebijakan data yang tak jelas soal apa yang dikumpulkan, di mana disimpan, dan siapa yang bisa mengaksesnya
- Sensor/bias yang tidak diakui secara transparan kepada pengguna
Aksi Pencegahan
Bangun tata kelola data, keamanan, dan transparansi kebijakan seiring — bukan setelah — pertumbuhan produk. Perlakukan kepatuhan lintas yurisdiksi (GDPR dsb.) sebagai syarat masuk pasar, bukan renungan belakangan. Akui keterbatasan/bias secara terbuka agar kepercayaan tidak runtuh saat diuji.
Yang TIDAK bisa ditiru — konteks unik di balik 'DeepSeek shock'
Apa yang Terjadi
Kisah DeepSeek bertumpu pada sejumlah faktor kontekstual yang langka: (1) kas dan compute dari hedge fund miliaran dolar (High-Flyer), (2) ribuan GPU yang ditimbun sebelum embargo mengetat, (3) kolam talenta riset domestik Tiongkok yang haus dampak, (4) timing di titik di mana efisiensi arsitektur (MoE, RL untuk reasoning) sedang matang, dan (5) konteks geopolitik yang menjadikan setiap rilis DeepSeek berita besar.
Polanya
Setiap kisah sukses punya elemen yang tak bisa diulang. Meniru taktik permukaan DeepSeek (rilis open-weight, kejar biaya murah, latih model besar) tanpa fondasi modal, compute, talenta, dan timing yang sama bisa menjadi resep gagal. Pelajaran ada pada 'mengapa', bukan 'apa'.
Tanda Bahaya Dini
- 'DeepSeek melakukannya dengan US$6 juta, jadi kita juga bisa' — mengabaikan modal & compute di baliknya
- Menyalin strategi open-weight tanpa memiliki substansi riset yang membenarkannya
- Mengasumsikan perhatian pasar yang sama tanpa momen/konteks geopolitik yang sama
Aksi Pencegahan
Bedakan prinsip yang bisa diadopsi (efisiensi sebagai KPI, keterbukaan sebagai distribusi, modal sabar untuk riset, batasan sebagai pemicu inovasi) dari konteks yang tak bisa diulang (kas hedge fund, stok GPU pra-embargo, timing, geopolitik). Pelajari mekanisme di balik keputusan, bukan hasil permukaannya.
Bedah Teknikal
Kacamata CTO
DeepSeek adalah studi kasus langka di mana kemenangan bersifat teknis lebih dulu, baru bisnis. Terhalang kontrol ekspor AS dari GPU tercanggih, DeepSeek melatih model kelas frontier pada Nvidia H800 (varian dipangkas untuk pasar Tiongkok, dengan bandwidth interkoneksi lebih rendah) — dan justru batasan itu memaksa serangkaian inovasi sistem & arsitektur yang menekan biaya secara struktural.
Inti stack teknis (dari laporan resmi DeepSeek-V3/R1):
- Arsitektur model: Mixture-of-Experts (DeepSeekMoE) 671B parameter total, ~37B aktif per token; Multi-head Latent Attention (MLA) untuk mengompres KV-cache ke ruang laten; Multi-Token Prediction (MTP) sebagai objektif pelatihan tambahan.
- Sistem pelatihan: pelatihan presisi FP8 pada skala 671B (pertama yang sukses di skala ekstrem), DualPipe untuk paralelisme pipeline yang menyembunyikan overhead komunikasi lewat tumpang-tindih komputasi-komunikasi, dan instruksi PTX kustom (di bawah level CUDA) untuk menyiasati keterbatasan interkoneksi H800.
- Infrastruktur: kluster 2.048 GPU H800 (8 GPU/node, NVLink+NVSwitch dalam node, InfiniBand antar-node); ~2,788 juta jam-GPU untuk V3, ~55 hari.
- Penalaran (R1): kemampuan reasoning ditumbuhkan lewat reinforcement learning murni (algoritma GRPO), tanpa demonstrasi berlabel manusia; varian R1-Zero melewati supervised fine-tuning sepenuhnya.
Ini kisah sukses engineering; analisis menyuling pelajaran dari taruhan teknis yang menang — plus peringatan jujur: banyak detail dari lab tertutup tak dipublikasikan, dan bagian berlabel Inferensi adalah dugaan beralasan, bukan fakta. Sukses teknis juga tidak menghapus utang tata kelola (privasi/keamanan data, sensor selaras-negara) yang dibahas di bagian akhir.
Akar Masalah Teknis
Efisiensi sebagai keunggulan struktural — biaya per hasil diperlakukan sebagai masalah rekayasa inti
Apa yang terjadi
DeepSeek menekan biaya pelatihan/inferensi lewat tumpukan inovasi (MoE, MLA, FP8, DualPipe) alih-alih menambah skala GPU. Training run V3 dilaporkan ~US$5,576 juta — mengguncang asumsi bahwa model frontier menuntut ratusan juta dolar.
Polanya
Di domain yang haus compute, efisiensi (biaya per token/per training run) adalah metrik rekayasa kelas satu, bukan renungan finance. Tim yang mengoptimasi biaya-per-hasil bisa mendisrupsi harga tanpa mengorbankan margin — dan memaksa inkumben ikut turun harga.
Tanda bahaya dini
- Kinerja dikejar hanya lewat 'tambah GPU/uang' tanpa mengukur biaya per unit hasil
- Tak ada baseline biaya per training run / per token yang dilacak antar-eksperimen
- Kelimpahan anggaran menutupi inefisiensi arsitektur & sistem
Pencegahan
Lacak biaya-per-hasil sebagai KPI sejak awal; jalankan latihan desain 'bagaimana jika compute dibatasi 5x'; investasikan pada efisiensi arsitektur (MoE/attention) & sistem (presisi rendah, overlap komunikasi) sebelum sekadar menskalakan.
Batasan hardware (H800) diubah jadi keunggulan lewat rekayasa sistem tingkat rendah
Apa yang terjadi
Karena interkoneksi H800 dipangkas, DeepSeek menulis PTX kustom dan menyusun DualPipe untuk menyembunyikan komunikasi all-to-all MoE di balik komputasi, serta kuantisasi FP8 fine-grained untuk menyiasati keterbatasan Tensor Core.
Polanya
Scaling di sistem AI bukan sekadar 'lebih banyak GPU', melainkan memenangkan pertarungan komunikasi & memori. Ketika hardware terbaik tak tersedia, keunggulan datang dari pemahaman level register/warp/interkoneksi — lapisan yang biasanya diabaikan tim yang mengandalkan framework tingkat tinggi.
Tanda bahaya dini
- Utilisasi kluster rendah karena bottleneck komunikasi tak terdiagnosis
- Ketergantungan penuh pada abstraksi tingkat tinggi tanpa kemampuan turun ke level kernel/PTX saat perlu
- Bandwidth interkoneksi diabaikan dalam desain paralelisme
Pencegahan
Bangun kompetensi sistem tingkat rendah (profiling komunikasi, kernel kustom, overlap) di tim inti; ukur utilisasi efektif (MFU), bukan sekadar jumlah GPU; desain paralelisme dengan topologi jaringan nyata sebagai kendala kelas satu.
Taruhan riset berisiko (RL murni untuk reasoning) yang terverifikasi ilmiah
Apa yang terjadi
DeepSeek menumbuhkan penalaran lewat RL murni (GRPO), dengan R1-Zero melewati SFT sepenuhnya; perilaku emergen muncul organik dan hasilnya lolos peer review Nature.
Polanya
Terobosan sering datang dari taruhan arsitektural/metodologis yang tak lazim, bukan iterasi aman. Kunci menjinakkannya: pipeline bertahap (cold-start → RL) dan verifikasi eksternal (benchmark reprodusibel, peer review) agar terobosan tidak sekadar klaim.
Tanda bahaya dini
- Hanya mengejar perbaikan inkremental yang 'aman' karena takut gagal
- Tak ada mekanisme untuk memvalidasi klaim terobosan secara reprodusibel/independen
- RL diterapkan tanpa penjagaan terhadap reward hacking / ketidakstabilan
Pencegahan
Sisihkan ruang eksplisit untuk taruhan riset berisiko dengan kriteria keberhasilan yang jelas; wajibkan reprodusibilitas & (bila mungkin) tinjauan eksternal; kelola RL dengan reward berbasis aturan yang dapat diverifikasi + pipeline bertahap.
Organisasi ramping & datar → arsitektur elegan (Conway's law terbalik jadi keunggulan)
Apa yang terjadi
DeepSeek mengandalkan tim peneliti muda berstruktur datar, akses compute tanpa birokrasi, dan fokus riset — bukan organisasi produk berlapis. Iterasi cepat & taruhan tak lazim lebih mudah lahir di lingkungan ini.
Polanya
Struktur tim tercermin di arsitektur sistem (Conway's law). Organisasi kecil, datar, dan berorientasi riset menghasilkan desain yang lebih koheren & berani ketimbang lab besar yang birokratis — asalkan talenta & compute memadai.
Tanda bahaya dini
- Lapisan persetujuan yang membunuh iterasi cepat ide berisiko
- Bus factor tinggi terselubung: keunggulan bergantung pada segelintir peneliti kunci
- Akses compute terhambat birokrasi internal
Pencegahan
Jaga tim inti tetap ramping dengan akses compute langsung; lindungi dari birokrasi & kebisingan komersial; tetapi mitigasi bus factor lewat dokumentasi, publikasi, dan kaderisasi agar keunggulan tak rapuh pada individu.
Utang tata kelola data & keamanan yang tumbuh bersama popularitas
Apa yang terjadi
Ledakan adopsi memicu pengawasan regulator: Garante Italia memblokir pemrosesan data pengguna Italia dan menilai jawaban DeepSeek soal pengumpulan/penyimpanan data 'tidak memuaskan'; beberapa yurisdiksi lain menyelidiki/membatasi. Sensor jawaban selaras garis pemerintah juga menjadi sorotan.
Polanya
Keunggulan teknis tidak mengganti kewajiban tata kelola. Semakin populer sistem, semakin besar permukaan risiko privasi/keamanan/kepercayaan. Kebijakan data yang tak jelas (apa dikumpulkan, di mana disimpan, siapa akses) adalah utang yang cepat jatuh tempo saat menyentuh pasar teregulasi (GDPR).
Tanda bahaya dini
- Kebijakan data tak transparan soal lokasi penyimpanan & akses pihak ketiga/negara
- Kepatuhan lintas yurisdiksi dianggap renungan belakangan, bukan syarat masuk pasar
- Bias/sensor tidak diungkap ke pengguna; keamanan aplikasi (kebocoran, jailbreak) tak diprioritaskan
Pencegahan
Perlakukan privacy-by-design, keamanan, dan transparansi kebijakan sebagai syarat rilis; petakan kepatuhan per-yurisdiksi sebelum ekspansi; ungkap keterbatasan/bias secara terbuka; audit keamanan aplikasi & penyimpanan data secara berkala.
Keputusan Teknis & Trade-off
Mixture-of-Experts (DeepSeekMoE) 671B total / 37B aktif — bukan model dense besar
Konteks
Untuk mencapai kapasitas kelas frontier di bawah anggaran compute terbatas, DeepSeek memilih MoE dengan banyak expert kecil + expert bersama, mengaktifkan hanya sebagian kecil parameter per token.
Trade-off
Menukar kesederhanaan model dense (mudah dilatih & disajikan) dengan kompleksitas routing, load-balancing antar-expert, dan tantangan komunikasi all-to-all yang berat di jaringan H800 yang bandwidth-nya dipangkas.
Hasil
Kinerja setara model dense jauh lebih besar (mis. MMLU ~88,5) dengan biaya komputasi proporsional ke ~37B saat inferensi — inti dari struktur biaya rendah yang mendisrupsi pasar.
Multi-head Latent Attention (MLA) — kompresi KV-cache ke ruang laten
Konteks
KV-cache adalah beban memori dominan pada inferensi konteks panjang. Attention standar (MHA/GQA) mahal di memori saat konteks & batch membesar.
Trade-off
Menukar kesederhanaan attention konvensional dengan kompleksitas mekanisme laten (kompresi/dekompresi) yang harus dijaga agar tak mengorbankan kualitas.
Hasil
Memangkas footprint KV-cache secara substansial — memungkinkan konteks panjang & inferensi murah, komponen kunci dari keunggulan biaya per token yang memicu perang harga.
Pelatihan FP8 pada skala 671B + kuantisasi fine-grained untuk menyiasati H800
Konteks
Presisi lebih rendah (FP8) memangkas memori & mempercepat pelatihan, tetapi rawan ketidakstabilan numerik; Tensor Core H800 punya keterbatasan akumulasi FP8.
Trade-off
Menukar 'keamanan' BF16/FP16 dengan risiko numerik nyata — dimitigasi kuantisasi tile-wise/block-wise, promosi ke CUDA Core untuk akumulasi presisi tinggi, dan kuantisasi online. Butuh pemahaman hardware level register/warp-scheduler.
Hasil
Pelatihan FP8 sukses pertama di skala ekstrem (galat relatif <0,25% vs BF16), pendorong utama efisiensi biaya. Menjadi rujukan komunitas soal batas presisi rendah yang praktis.
DualPipe + PTX kustom — merekayasa di sekitar interkoneksi H800 yang dipangkas
Konteks
H800 sengaja diberi bandwidth interkoneksi lebih rendah dari H100; pada MoE, komunikasi all-to-all antar-expert bisa menjadi bottleneck yang mematikan efisiensi.
Trade-off
Menukar kenyamanan memakai framework standar tingkat tinggi dengan investasi rekayasa dalam: menulis PTX di bawah level CUDA dan menyusun DualPipe untuk menumpuk komunikasi di balik komputasi — mahal dari sisi waktu engineer & pemeliharaan.
Hasil
Overhead komunikasi nyaris tersembunyi; utilisasi kluster tinggi meski hardware 'kelas dua'. Contoh murni 'batasan memaksa inovasi' — hambatan geopolitik berubah jadi keunggulan sistem.
Penalaran lewat RL murni (GRPO), R1-Zero tanpa SFT — bukan hanya meniru jejak manusia
Konteks
Pendekatan umum menaikkan reasoning lewat SFT pada jejak penalaran berlabel manusia yang mahal & terbatas. DeepSeek bertaruh pada RL berbasis reward aturan (akurasi + format).
Trade-off
Menukar prediktabilitas SFT dengan ketidakpastian RL (reward hacking, ketidakstabilan, output yang sulit dibaca pada R1-Zero) — dijinakkan dengan pipeline multi-tahap (cold-start data + RL) pada R1 final.
Hasil
Perilaku menalar emergen (self-verification, 'aha moment') muncul dari RL murni; kinerja menyaingi o1 dan lolos peer review Nature. Taruhan riset berisiko yang terbukti membuka arah baru bagi industri.
Rilis open-weight + laporan teknis terperinci sebagai strategi, bukan sekadar keterbukaan
Konteks
Sebagai pemain baru tanpa merek konsumen, DeepSeek butuh distribusi & kredibilitas cepat di komunitas riset/pengembang global.
Trade-off
Menukar potensi penangkapan nilai jangka pendek (produk tertutup berbayar) dan risiko 'dijiplak pesaing' dengan reputasi, adopsi, dan magnet talenta. Juga memaparkan metode ke pengawasan (yang bisa membongkar kelemahan).
Hasil
Menjadi default open-weight kelas frontier; reputasi ilmiah kuat (Nature). Namun keterbukaan tak menyelesaikan monetisasi maupun beban tata kelola data/keamanan — itu tetap PR terpisah.
Insight untuk CTO
Ketika hardware terbaik tak tersedia, keunggulan scaling datang dari memenangkan pertarungan komunikasi & memori di level sistem: MoE + MLA (menekan memori), FP8 (menekan presisi dengan aman), DualPipe + PTX kustom (menyembunyikan komunikasi). Batasan bisa jadi pemicu keunggulan, bukan sekadar hambatan.
🚩 Peringatan dini
Utilisasi efektif (MFU) rendah karena bottleneck all-to-all/komunikasi; ketergantungan penuh pada abstraksi tingkat tinggi tanpa kemampuan turun ke kernel; bandwidth interkoneksi diabaikan saat mendesain paralelisme.
🛡️ Pencegahan
Bangun kompetensi sistem tingkat rendah di tim inti; ukur MFU & biaya per token, bukan sekadar jumlah GPU; jadikan topologi jaringan nyata kendala desain kelas satu; latih tim membedah profil komunikasi sebelum menambah skala.
Efisiensi arsitektural (MoE sparsity, kompresi KV-cache, presisi rendah) bisa memberi kinerja model dense jauh lebih besar dengan biaya inferensi kecil. Rancang untuk biaya-per-hasil sejak awal, bukan setelah tagihan compute meledak.
🚩 Peringatan dini
Kinerja hanya naik lewat 'tambah parameter/GPU'; tak ada baseline biaya per token/training run; keputusan attention/serving diambil tanpa menghitung KV-cache & memori.
🛡️ Pencegahan
Perlakukan biaya-per-hasil sebagai KPI rekayasa; evaluasi MoE vs dense berdasar TCO inferensi; investasikan pada mekanisme yang menekan memori (attention laten) sebelum menskalakan parameter.
Taruhan riset berisiko (RL murni untuk reasoning) hanya jadi keunggulan bila dijinakkan dengan pipeline bertahap dan diverifikasi secara reprodusibel/independen (benchmark terbuka, peer review). Terobosan tanpa verifikasi hanyalah klaim.
🚩 Peringatan dini
Klaim terobosan tanpa jalur reprodusibilitas; RL diterapkan tanpa penjagaan reward hacking; kultur yang hanya menghargai perbaikan 'aman' inkremental.
🛡️ Pencegahan
Sisihkan ruang eksplisit untuk taruhan berisiko dengan kriteria sukses jelas; wajibkan reprodusibilitas & tinjauan eksternal; kelola RL dengan reward berbasis aturan yang dapat diverifikasi + cold-start bertahap.
Tim kecil, datar, berorientasi riset dengan akses compute tanpa birokrasi bisa menghasilkan arsitektur lebih koheren & berani (Conway's law). Tetapi keunggulan yang bertumpu pada segelintir peneliti kunci membawa bus factor tinggi.
🚩 Peringatan dini
Lapisan persetujuan membunuh iterasi cepat; akses compute terhambat birokrasi; ketergantungan pada individu kunci tak terdokumentasi.
🛡️ Pencegahan
Jaga tim inti ramping dengan akses compute langsung; lindungi dari kebisingan komersial; mitigasi bus factor lewat dokumentasi, publikasi terbuka, dan kaderisasi.
Ketergantungan pada satu vendor GPU + risiko geopolitik (export controls) adalah risiko rantai pasok kelas satu. DeepSeek menyiasatinya dengan menimbun compute lebih awal dan merekayasa di sekitar hardware 'kelas dua' — mitigasi yang tak bisa diandalkan semua orang.
🚩 Peringatan dini
Roadmap bergantung mutlak pada akses GPU tercanggih yang bisa diblokir kebijakan; tak ada rencana untuk hardware alternatif/dipangkas; tak ada buffer compute.
🛡️ Pencegahan
Petakan risiko rantai pasok compute sebagai risiko strategis; bangun kemampuan berjalan di hardware 'lebih rendah' lewat efisiensi sistem; pertimbangkan buffer kapasitas & diversifikasi backend (walau tak sempurna).
Sukses teknis tak menghapus utang keamanan & tata kelola data. Popularitas memperbesar permukaan risiko (privasi, kebocoran, jailbreak, sensor). Kepercayaan yang dibangun lewat transparansi riset bisa runtuh cepat oleh kegagalan tata kelola data.
🚩 Peringatan dini
Kebijakan data tak transparan (lokasi penyimpanan, akses pihak ketiga/negara); kepatuhan lintas yurisdiksi jadi renungan belakangan; bias/sensor tak diungkap; keamanan aplikasi tak diaudit.
🛡️ Pencegahan
Terapkan privacy-by-design & keamanan sejak awal; petakan kepatuhan per-yurisdiksi sebelum ekspansi; ungkap keterbatasan/bias secara transparan; audit penyimpanan data & keamanan aplikasi berkala.
Verdict CTO
Kalau saya jadi CTO DeepSeek hari ini, lima hal teknis yang akan saya jaga atau perbaiki mati-matian:
-
Pertahankan efisiensi sebagai keunggulan inti — jaga biaya-per-hasil sebagai KPI kelas satu. Moat DeepSeek bukan ukuran, tapi rekayasa efisiensi (MoE, MLA, FP8, DualPipe). Godaan pasca-sukses untuk 'sekadar menambah GPU' akan mengikis justru keunggulan yang membedakannya. Ukur MFU & biaya per token di setiap eksperimen.
-
Lembagakan kompetensi sistem tingkat rendah. Kemampuan menulis PTX dan menyembunyikan komunikasi di balik komputasi adalah aset langka; jadikan itu kapabilitas tim yang terdokumentasi & terwariskan, bukan sihir segelintir orang (turunkan bus factor).
-
Naikkan tata kelola data & keamanan ke status sistem produksi — SEKARANG. Sinyal Garante Italia adalah peringatan paling load-bearing: kepatuhan privasi lintas yurisdiksi, transparansi kebijakan data, dan keamanan aplikasi tak boleh tertinggal dari pertumbuhan adopsi. Ini pekerjaan engineering inti, bukan tempelan compliance.
-
Jaga reprodusibilitas & transparansi ilmiah sebagai moat reputasi. Publikasi Nature membedakan DeepSeek dari lab tertutup. Terus terbitkan metode yang dapat diverifikasi; kredibilitas yang dibangun lewat keterbukaan adalah pertahanan terkuat terhadap tuduhan (mis. distilasi) maupun skeptisisme pasar.
-
Kelola risiko rantai pasok compute & geopolitik secara eksplisit. Keunggulan hari ini sebagian bertumpu pada stok GPU pra-embargo dan rekayasa di sekitar H800. Bangun ketahanan: kemampuan berjalan di hardware yang lebih terbatas, buffer kapasitas, dan kesiapan terhadap perubahan kebijakan ekspor — karena faktor ini di luar kendali dan bisa berubah cepat.
Sumber
- DeepSeek-V3 Technical Report (arXiv:2412.19437) — DeepSeek-AI (arXiv) (tier 1)
- DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning (arXiv:2501.12948) — DeepSeek-AI (arXiv) (tier 1)
- DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning — Nature (Vol. 645, Issue 8081) (tier 1)
- Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures (arXiv:2505.09343) — DeepSeek-AI / arXiv (tier 1)
- A Review of DeepSeek Models' Key Innovative Techniques (arXiv:2503.11486) — arXiv (tier 2)
- The DeepSeek Series: A Technical Overview — martinfowler.com (tier 2)
- DeepSeek's Low Level Hardware Magic — Meeko Labs (research.meekolab.com) (tier 3)
- Constraints to Innovations: Software & Architectural Elegance of the DeepSeek V3 Model — Interesting Engineering (Substack) (tier 3)
- Who is Liang Wenfeng? DeepSeek founder comes from AI investing — TechCrunch (tier 1)
- DeepSeek AI blocked by Italian authorities as other member states open probes — Euronews (tier 1)
- DeepSeek-V3.2 Technical Report (arXiv:2512.02556) — DeepSeek-AI (arXiv) (tier 2)
Sentimen Publik
Bagaimana Publik Memandang
Sentimen mengukur persepsi publik, bukan fakta hukum. Baca metodologi untuk batasan dan bias yang diakui.
Media teknologi & bisnis global (Reuters, Bloomberg, Fortune, Forbes, NBC, TechCrunch, Nature) meliput DeepSeek secara intens dengan dua nada yang berjalan bersamaan. Di satu sisi kekaguman pada efisiensi teknis: 'lab kecil dari Hangzhou menyaingi frontier dengan biaya training run ~US$5,6 juta' dan 'memicu kerugian pasar satu hari terbesar dalam sejarah pada Nvidia'. Di sisi lain liputan kritis yang substansial: keraguan atas apakah angka biaya menyesatkan, pemblokiran regulator privasi Italia, tuduhan distilasi, dan sensor yang selaras garis pemerintah Tiongkok. Publikasi R1 di Nature (Sep 2025) diliput sebagai tonggak kredibilitas ilmiah. Secara keseluruhan: kagum pada rekayasanya, skeptis pada klaim & tata kelolanya.
Ekosistem founder/VC global terbelah. Kubu antusias: Marc Andreessen menyebut R1 sebagai 'AI's Sputnik moment', dan banyak pengembang/founder open-source merayakannya sebagai bukti bahwa frontier bisa diraih tanpa modal raksasa. Kubu kompetitif-hati-hati: Sam Altman (OpenAI) menyebutnya 'impressive' dan 'invigorating', namun menegaskan akan merilis model jauh lebih baik. Kubu skeptis: Dario Amodei (Anthropic) berargumen V3 'bukan terobosan unik' melainkan titik yang diharapkan pada kurva penurunan biaya, dan mempertanyakan narasi 'US$6 juta' sambil membela kontrol ekspor. Sentimen di sini analitis dan sarat kepentingan — kagum, waspada, dan skeptis berdampingan.
Pengguna & pengembang — pihak yang paling langsung terdampak — terbagi. Kubu apresiatif: pengembang menyambut bobot terbuka (open-weight) berlisensi permisif dan harga API yang jauh lebih murah, menjadikan DeepSeek default untuk eksperimen & produk hemat biaya; laporan teknis terperinci dihargai sebagai kontribusi riset. Kubu kritis: frustrasi pada sensor jawaban untuk topik sensitif (Tiananmen, Taiwan, Xinjiang) dan kekhawatiran privasi/keamanan data (di mana data disimpan, siapa yang bisa mengakses) — yang mendorong sejumlah organisasi & pemerintah membatasi penggunaannya. Bagi pengguna, keunggulan biaya nyata, tetapi tata kelola & netralitas informasi menjadi ganjalan serius.
Posisi regulator condong negatif/curiga. Otoritas Perlindungan Data Italia (Garante) memblokir pemrosesan data pengguna Italia (Jan 2025), menilai jawaban DeepSeek soal data 'sama sekali tidak memuaskan'; regulator di Irlandia dan Belgia membuka penyelidikan. Sejumlah pemerintah (mis. Taiwan, Australia) serta lembaga (NASA, Negara Bagian New York) membatasi DeepSeek pada perangkat/sistem resmi atas alasan keamanan & privasi. Kekhawatiran berpusat pada lokasi penyimpanan data, potensi akses pemerintah Tiongkok, dan kepatuhan GDPR — menegaskan bahwa keunggulan teknis tidak membebaskan dari beban tata kelola lintas yurisdiksi.
Di media sosial (X, Reddit, LinkedIn, Hugging Face), DeepSeek menjadi fenomena viral. Gelombang positif: narasi 'underdog Tiongkok mengguncang Silicon Valley', euforia open-weight, dan tangkapan layar benchmark yang dibagikan luas; aplikasinya sempat No. 1 di App Store di banyak negara. Gelombang negatif/kritis: utas yang menunjukkan model menolak topik sensitif ('I am sorry, I cannot answer that question...'), peringatan keamanan data, dan debat soal apakah klaim biaya dilebih-lebihkan. Sentimen sangat bergantung audiens: komunitas open-source cenderung memuji, sementara komunitas kebijakan/keamanan cenderung mengingatkan risiko.