📊 Разбор DeepSeek R1: техника, деньги и обвал рынка 20 января 2025 года DeepSeek выложила R1 под MIT-лицензией, а через неделю — 27 января — Nvidia потеряла 17% капитализации ($589 млрд за день), рынок в сумме просел на $1 трлн. Для контекста: за неделю до этого анонсировали Stargate на $500 млрд, и рынок жил в уверенности, что количество видеокарт — необесцениваемое преимущество. DeepSeek показала обратное: модель с 671 млрд параметров, но лишь 37 млрд активных на токен, обученная на урезанных H800, достигла уровня o1 при стоимости обработки $0.55/$2.19 за миллион токенов против $15/$60 у OpenAI. Ключ к такой экономике — не магия, а вынужденная инженерия: MLA сжимает KV-кэш до единиц процентов, FP8 используется на всём цикле обучения, DualPipe и вручную написанный код PTX помогают обойти ограничения межсоединения. → Заключительный этап обучения V3: 2.788 млн GPU-часов H800 ≈ $5.6 млн (SemiAnalysis оценивает суммарные вложения в $1.6 млрд) → Этап обучения с подкреплением R1: ~$294 тыс. (R1-Zero 198 часов, R1 80 часов, SFT 5000 GPU-часов на 648 H800) → Скачивания на Hugging Face: 10.9 млн к сентябрю 2025 → H800: NVLink 400 ГБ/с против 900 у H100 — ограничение, породившее оптимизации Парадокс: обвал Nvidia на 17% вызвала не сама модель, а осознание, что «больше карт» перестало быть непробиваемым аргументом в презентации для инвесторов. DeepSeek не опровергла спрос на GPU — она перераспределила его с обучения на обработку запросов, и Nvidia в итоге отыграла падение. Но сама история — напоминание, что дефицит производит инженерию, которую избыток не рождает; теперь, когда у DeepSeek появятся нормальные чипы, главный риск — потерять именно эту культуру вынужденной эффективности. Habr #DeepSeek #R1 #openweight #инференс #Nvidia