Kina nærmer sig hurtigt Silicon Valley med sin egen generation af AI-modeller

Fra festfyrværkeri til AI-fyrværkeri

Mens fyrværkeri lyser op over Beijings himmel, griber kinesiske techgiganter det kinesiske nytår som anledning til at lancere en hel bølge af nye AI-modeller. Det, der for få år siden lignede et behageligt forspring for Silicon Valley, er nu ved at udvikle sig til et regulært kapløb om førstepladsen.

Kinesiske virksomheder præsenterer avancerede systemer inden for generativ AI, video, billede og kode — ofte open source og overraskende energieffektive. Selv OpenAI-chef Sam Altman beskriver fremskridtene som "remarkable".

Det kinesiske nytår handler ikke længere kun om dragedanse og røde lanterner. Ved store arrangementer i landet marcherede humanoide robotter i takt med menneskelige dansere — et levende symbol på Kinas teknologiske ambitioner.

Effektivitet som konkurrencefordel

Mens USA primært satser på enorme datacentre og ekstremt kraftfulde chips, er kinesiske aktører af nødvendighed tvunget til at fokusere på effektivitet. Det amerikanske eksportforbud mod avancerede AI-chips betyder, at de kinesiske virksomheder må gøre mere med mindre regnekraft.

På grund af amerikanske chipbegrænsninger optimerer kinesiske virksomheder hårdt på effektivitet — og det kan resultere i både mere energibesparende og konkurrencedygtige AI-modeller.

Det skaber en interessant modsætning: dyre, energikrævende amerikanske sprogmodeller på den ene side og stadig mere effektive, lokalt kørende kinesiske modeller på den anden.

Open source som strategisk våben

En bemærkelsesværdig forskel fra mange amerikanske modeller er, at en stor del af de kinesiske AI-systemer udgives som open source eller som såkaldte "open-weight"-modeller.

Open source: hele koden og modelarkitekturen er offentligt tilgængelig
Open-weight: de trænede vægte er tilgængelige, men kode og træningsdata er delvist lukkede

I begge tilfælde kan en organisation downloade modellen og køre den lokalt — på egne servere eller endda på en kraftfuld stationær computer. Det sparer abonnementsomkostninger, reducerer datatrafik og giver langt bedre kontrol over interne data.

At køre modeller lokalt betyder, at ingen kundedata sendes til Googles, OpenAIs eller kinesiske datacentres servere — organisationen bevarer fuld kontrol.

Dermed positionerer kinesiske modeller sig tydeligt som et attraktivt alternativ for organisationer, der håndterer forretningshemmeligheder, personoplysninger eller følsomme dokumenter.

Videogenerering: Seedance 2.0 skræmmer Hollywood

Inden for AI-video skiller ét navn sig markant ud: Seedance 2.0 fra ByteDance, selskabet bag TikTok. Denne model genererer hyperrealistiske videoer ud fra korte tekstbeskrivelser, og resultaterne minder om dyre filmproduktioner.

Seedance 2.0 er hverken open source eller open-weight, men demonstrationerne spredte sig lynhurtigt på sociale medier. Det rejste straks et andet problem: store studier som Disney, Paramount og Netflix anklager ByteDance for krænkelse af ophavsrettigheder, fordi træningsdataene muligvis i for høj grad bygger på beskyttet filmindhold.

Denne kontrovers minder om de diskussioner, der også omgiver amerikanske modeller som OpenAIs Sora. Enhver deltager i AI-videokapløbet støder uundgåeligt på spørgsmål om rettigheder, genbrug af billedmateriale og beskyttelse af kreative ophavsmænd.

Alibaba, Zhipu og Moonshot: de nye tungvægtere

Qwen3.5 fra Alibaba: ét model der forstår tekst, billede og video

Alibaba præsenterer Qwen3.5, et såkaldt vision-language-model, der håndterer tekst, billeder og video på omkring 200 sprog. Systemet kan fungere som en multimodal agent: det læser formularer, navigerer på hjemmesider og udfører digitale opgaver, der normalt kræver manuel indsats.

Qwen3.5 udgives under en åben licens og kan downloades via GitHub. Udviklere kan selv tilpasse, finjustere eller integrere modellen i egne softwareløsninger — helt uden afhængighed af en ekstern API.

GLM-5 fra Zhipu AI: mere effektiv takket være intelligent opmærksomhed

Zhipu AI introducerer GLM-5, en model designet til såkaldt "agentisk intelligens" og flertrinssræsonnering. Teknologien bag GLM-5 benytter DeepSeek Sparse Attention (DSA), hvor modellen ikke behandler alle ord simultant, men i stedet lærer at fokusere udelukkende på de mest relevante dele af inputtet.

Det sparer regnekraft og hukommelse, hvilket kan reducere inferensomkostningerne markant. Et bemærkelsesværdigt detalje: GLM-5 er fuldstændig trænet på Huawei Ascend-chips uden brug af amerikanske GPU'er. Dermed demonstrerer Zhipu, at højkvalitets AI-træning er mulig med et fuldt kinesisk hardware-økosystem.

DeepSeek V4: billigere træning, stadig topniveau

DeepSeek vakte allerede opsigt med version V3, der i benchmarks kom tæt på ChatGPT, mens træningsomkostningerne var markant lavere. Den kommende V4 skulle ifølge kilder i USA klare sig endnu bedre, særligt inden for programmering og kompleks analyse.

Fagmediet The Information rapporterede, at DeepSeek V4 i visse tests kan overgå modeller fra Anthropic (Claude) og OpenAI (GPT-serien). Med det rykker virksomheden ind i den absolutte verdensklasse inden for generativ AI.

Kimi K2.5 fra Moonshot AI: specialisthold i ét model

Moonshot AI lancerede i slutningen af januar Kimi K2.5. Denne model anvender en "mixture of experts" (MoE)-arkitektur, ligesom visse varianter af Google Gemini. I stedet for ét stort netwerk, der skal klare alt, består Kimi K2.5 af flere specialiserede undernetværk, der hver håndterer specifikke opgaver som kode, matematik eller kreativ skrivning.

For hvert prompt aktiveres kun de relevante eksperter, hvilket begrænser beregningsbelastningen. På den måde kan en relativt stor model køre flydende på mindre kraftfuld hardware.

Hvorfor kløften til Silicon Valley hurtigt bliver mindre

Amerikanske modeller som ChatGPT og Gemini scorer på mange officielle benchmarks stadig en smule højere. Men forskellen skrumper kvartal for kvartal. Uafhængige tests viser, at kinesiske sprogmodeller og multimodale modeller klarer sig næsten lige så godt — og til tider bedre — inden for kerneopgaver som oversættelse, programmering, ræsonnering og opsummering.

Aspekt	Amerikanske modeller	Kinesiske modeller
Benchmarks sprog og logik	Lidt højere scorer	Lille forskel, voksende hurtigt
Tilgængelighed	Primært via cloud-API	Mange kan køres lokalt
Licenser	Overvejende lukkede	Meget open source / open-weight
Effektivitet	Store datacentre, høje omkostninger	Fokus på besparelse og optimering

For internationale virksomheder betyder disse forskelle stadig mere. En bank, et hospital eller et advokatkontor ønsker sjældent, at fortrolige dokumenter sendes til en ekstern sky — uanset hvor sikker den angiveligt er. Lokalt kørende modeller er i sådanne tilfælde særdeles attraktive.

Kombinationen af solide præstationer, åbne licenser og lokal anvendelighed kan gøre kinesiske AI-modeller til standardværktøj på verdensplan inden for kort tid.

Hvad betyder det for danske virksomheder?

For organisationer i Danmark og resten af Skandinavien opstår der nu et nyt strategisk valg. Skal man blive ved med at stole på amerikanske cloudmodeller, eller skal man bygge egne AI-løsninger med open source — eventuelt kinesiske — modeller som fundament?

I praksis ser man allerede blandede tilgange:

Amerikanske cloudmodeller til kundekontakt, marketing og generelle opgaver
Lokalt kørende open source-modeller til følsomme interne dokumenter
Specialiserede modeller til eksempelvis video eller kode, valgt projekt for projekt

Dermed forskyder AI-leverandørernes rolle sig: fra én "magisk chatbot" til et landskab af flere modeller, der kører side om side — hver med sine egne styrker og svagheder.