AI-trends 2025 – de innovatie achter Deepseek
Begin 2025 leek DeepSeek plots uit diepe Chinese wateren op te springen, met een revolutionair AI-model: performant, open source, goedkoop en licht. Daarmee ging DeepSeek de strijd aan met de Amerikaanse overmacht in AI, gestuwd door OpenAI Microsoft, Google en Meta. Wie uiteindelijk de markt zal domineren, blijft onzeker, maar geen enkel bedrijf, hoe groot ook, mag al op zijn lauweren rusten. Wat drijft de AI-innovatie in 2025 en bracht ons DeepSeek als eerste verrassing? We zien drie trends.
1. Open-source AI
Open-source software is software waarvan de broncode vrij toegankelijk is. Ontwikkelaars kunnen die bestuderen, aanpassen en verbeteren. Denk aan Linux of Android, software die door duizenden mensen wereldwijd wordt onderhouden en doorontwikkeld.
Open-source AI betekent dat alle essentiële componenten van het model vrij beschikbaar zijn: de trainingsalgoritmes, de trainingsdata, de modelparameters (gewichten) … zodat anderen in staat zijn om het model volledig te reproduceren, aan te passen en te verbeteren.
Toch wordt de term open-source vaak losser gebruikt. AI-modellen, zoals die van DeepSeek en van Meta, vallen eerder onder "open weights": de modelparameters zijn publiek beschikbaar, terwijl de trainingsdata en trainingsalgoritmes geheim blijven. Dit maakt ze weliswaar meer transparant, maar ze voldoen niet aan de strikte definitie van open-source. In de praktijk is openheid binnen AI (en software) dus eerder een spectrum dan een absolute status.
“ Wetenschap en technologie ontwikkelen zich sneller wanneer een groter aantal getalenteerde mensen betrokken is en hun innovaties delen. ”
De grens tussen open versus gesloten AI is dus voer voor discussies, maar voorstanders van open AI benadrukken de voordelen ervan voor innovatie en vooruitgang. Yann LeCun, Chief AI Scientist bij Meta, stelt bijvoorbeeld: "Wetenschap en technologie ontwikkelen zich sneller wanneer een groter aantal getalenteerde mensen betrokken is en hun innovaties delen."
Tegenstanders waarschuwen dan weer voor de risico’s: als geavanceerde AI vrij toegankelijk wordt, kan het ook voor slechte doeleinden gebruikt worden, zoals deepfakes, geautomatiseerde cyberaanvallen of misleidende propaganda. Tegelijkertijd brengt gesloten AI andere problemen met zich mee, zoals het gevaar van monopolisering, waarbij slechts een paar grote techbedrijven controleren wie toegang krijgt tot het AI-systeem, wie het mag ontwikkelen en waarvoor het gebruikt mag worden.
DeepSeeks modellen zijn een product van open-source innovatie. Het bedrijf bouwt voort op Amerikaanse technologie, zoals Meta’s LLaMA-model en het PyTorch-framework. Maar net zoals DeepSeek heeft geprofiteerd van open-source AI, zal het op zijn beurt anderen inspireren.
De echte revolutie, die andere bedrijven maar al te graag zouden imiteren, zit hem namelijk in de kostprijs. DeepSeek heeft zijn modellen getraind met slechts een fractie van de middelen die bedrijven als OpenAI nodig hebben gehad. Dit verlaagt de instapdrempel voor AI-ontwikkeling en maakt krachtige AI toegankelijker voor een veel breder ecosysteem.
2. Minder rekenkracht
DeepSeek presteert op hetzelfde niveau als zijn Amerikaanse tegenhangers, maar met veel minder rekenkracht. Volgens schattingen verbruikt een DeepSeek-model 20 tot 40 keer minder energie dan een vergelijkbaar model van OpenAI. Zowel op vlak van training als van gebruik.
Distillatie
Een eerste verklaring voor DeepSeeks efficiëntie ligt in een techniek genaamd distillatie - waarbij een kleiner model leert van een groter, krachtiger model. OpenAI onderzoekt momenteel of hun modellen hiervoor zijn ingezet, wat een mogelijke schending van hun gebruiksvoorwaarden zou zijn. Het zou in elk geval voor een deel verklaren waarom DeepSeek zo goedkoop gebouwd werd: een deel van de ontwikkelkosten zou indirect door de concurrentie zijn gedragen.
Gerichte berekeningen
DeepSeeks efficiëntere modellen (zowel V3 als R1) zijn echter niet alleen het gevolg van distillatie, maar evenzeer van een reeks andere slimme optimalisaties die de rekenlast drastisch verminderen, zoals gedocumenteerd in de technische paper die samen verscheen met het model. (zie kader rechts)
De besproken benaderingen lijken misschien vanzelfsprekend, maar om deze technieken effectief toe te passen, is sterke engineering nodig. Het is juist daarin dat DeepSeek een doorbraak heeft gecreëerd. Deze aanpassingen verlagen niet alleen de behoefte aan rekenkracht, maar verminderen ook de afhankelijkheid van dure hardware. Dit is precies waarom DeepSeek ook op langere termijn zo’n impact kan hebben in de AI-industrie.
Lagere kost
Als minder rekenkracht nodig is om geavanceerde AI te bouwen, daalt ook de ontwikkelkost. Dit kan betekenen dat AI-ontwikkeling niet langer exclusief voorbehouden is aan miljardenbedrijven zoals OpenAI en Google, maar dat ook kleinere en nieuwe spelers de mogelijkheid krijgen om competitieve modellen te bouwen en de gevestigde waarden uit te dagen.
Verminderde ecologische voetafdruk
Daarnaast kan de efficiëntiewinst een effect hebben op de ecologische voetafdruk van AI. Minder rekenkracht betekent minder energie- en waterverbruik.
Minder Westerse dominantie in AI
Tot slot kunnen deze ontwikkelingen geopolitieke verschuivingen veroorzaken. Als China efficiëntere AI-modellen kan bouwen zonder afhankelijk te zijn van de Westerse dominantie in hardware, kan dat de geopolitieke machtsbalans in AI fundamenteel veranderen.
Gerichte berekeningen
In plaats van brute rekenkracht te gebruiken, wordt gericht berekend welk element van het model "moet werken" aan de hand van een set verschillende technieken die we hieronder vergelijken met de organisatie van een ziekenhuis.
Mixture of Experts-architectuur (MoE)
Er wordt ten eerste een Mixture of Experts (MoE)-architectuur gebruikt, waardoor bij het uitvoeren van taken alleen de meest relevante delen van het model worden geactiveerd. Dit bespaart rekenkracht zonder aan kwaliteitsverlies in te boeten. Het is vergelijkbaar met een ziekenhuis waar een patiënt direct naar de juiste specialist wordt gestuurd in plaats van een volledig team op te eisen.
Multi-Head Latent Attention (MLA)
Daarnaast optimaliseert Multi-Head Latent Attention (MLA) het proces verder door op een specifieke manier dynamisch te bepalen welke delen van de input het model nodig heeft voor een welbepaalde taak. Dit voorkomt verspilling en maakt de berekeningen doelgerichter—zoals een arts die meteen de meest relevante tests uitvoert in plaats van een algemene screening.
Waar MoE de werklast verdeelt over experts, helpt MLA bij het selecteren van de juiste informatie. Samen zorgen ze voor efficiëntere AI met minder rekenkracht.
Quantization
Ook op het vlak van opslag zet DeepSeek stappen. Quantization zorgt ervoor dat data compacter wordt opgeslagen, waardoor minder hardware nodig is om dezelfde opslagcapaciteit te voorzien - te vergelijken met slim inpakken, zodat alles in een kleinere koffer past.
Load balancing
Tot slot zorgt load balancing voor het balanceren van de werkverdeling: het voorkomt dat sommige delen van het model overbelast raken terwijl andere ongebruikt blijven. Dit werkt als een ziekenhuisplanner die zorgt voor een eerlijke verdeling van patiënten over artsen.
Jevons paradox
Efficiëntere AI kan paradoxaal genoeg juist het gebruik ervan stimuleren. Wanneer de drempel om AI te ontwikkelen en te gebruiken verlaagt, kan de totale vraag naar rekenkracht toenemen. Dit fenomeen staat bekend als Jevons paradox: hoe efficiënter de productie is, hoe meer consumptie ontstaat. De efficiëntiewinst leidt daardoor niet tot een dalende behoefte aan grondstoffen, maar juist tot een toename.
3. Nieuw: large reasoning models (LRM)
De afgelopen jaren hebben Large Language Models (LLM’s) zoals GPT-3 en GPT-4 de AI-industrie gedomineerd. Maar een nieuwe soort modellen dient zich aan in 2025: Large Reasoning Models (LRM’s). Deze modellen gaan verder dan alleen taalbegrip en -generatie en doorlopen een expliciet denkproces voordat ze tot een antwoord komen.
Het grootste verschil tussen language- en reasoning-modellen zit in het genereren van de output en de transparantie hierover:
- Taalmodellen zullen voornamelijk coherente antwoorden samenstellen op basis van tekstvoorspellingen zonder te verklaren hoe de antwoorden exact tot stand kwamen.
- Reasoningmodellen nemen meer ‘denktijd’ en overwegen meerdere oplossingsroutes voordat ze een conclusie formuleren. Daarnaast passen ze "Multi-Step Reasoning" toe: complexe vragen worden opgesplitst in deelproblemen, die afzonderlijk worden geanalyseerd en vervolgens samengebracht. Dit alles zorgt ervoor dat ze gemiddeld betrouwbaardere en beter onderbouwde conclusies maken.
Deepseek vs. OpenAI
Waar taalmodellen vaak een eindantwoord geven zonder inzicht te bieden in hun ‘denkproces’, maken reasoningmodellen hun redenering expliciet zichtbaar. Daarin gaat DeepSeeks LRM (R1) overigens nog verder dan bijvoorbeeld OpenAI’s o1-model (ook een redeneermodel). o1 benoemt (meestal) tussenstappen, maar legt niet het volledige ‘denkproces’ bloot. Dit lijkt een bewuste keuze van de ontwikkelaars, mogelijk om commerciële of veiligheidsredenen.
Daarentegen genereert R1 een vloeiende, natuurlijke redeneerlijn, in plaats van een reeks op zichzelf staande redeneringsstappen. Het model simuleert een doorlopende denklijn, die gebruikers letterlijk laat meekijken in het proces.
De vloeiende redeneerlijn heeft drie grote voordelen:
- complexe verbanden en causale ketens worden explicieter uitgewerkt
- de ‘denk’stroom van het model wordt makkelijker te begrijpen voor mensen
- gebruikers krijgen niet alleen inzicht in het antwoord, maar ook in de logica erachter.
Verder onderscheidt Deepseeks R1 zich in de manier waarop het zijn output presenteert. Waar traditionele AI-modellen vaak lange tekstblokken genereren, maakt DeepSeek gebruik van een schematische structuur, die beter aansluit bij systeemdenken.
Transparantie in AI
Veel AI-systemen zijn "zwarte dozen": ze werken op een manier die ondoorzichtig is voor zowel de aanbieders van AI-systemen (‘providers’), de gebruikers die AI-systemen inzetten (‘deployers’), als de personen die door het gebruik van AI-systemen worden beïnvloed.
Ook bij reasoningmodellen blijft de wiskundige berekening van het antwoord nog steeds ongrijpbaar, maar door het expliciteren van ‘redeneerstappen’ zijn reasoningmodellen wel meer transparant dan de gewone taalmodellen. Ook al is de onderliggende werking nog steeds niet inzichtelijk, de redenering zorgt er wel voor dat gewone mensen beter begrijpen wat er gebeurt én het resultaat gericht kunnen bijsturen.
Explainable of "verklaarbare" AI
Reasoning AI is een belangrijke stap in de richting van zogenaamde Explainable AI. Samen met de extra ‘denktijd’ en de Multi-Step Reasoning zijn reasoningmodellen bijzonder geschikt voor wiskundige redeneringen, het oplossen van complexe uitdagingen met veel afhankelijkheden, en voor juridische analyses, waarbij context, transparantie en verantwoording cruciaal zijn.
Dit wordt bevestigd door grootschalig benchmarkonderzoek. In een vergelijking tussen de capaciteit van verschillende modellen op specifieke probleemtypes, scoren LRM’s consequent hoger dan LLM’s zowel voor taken die expliciet multitask reasoning vereisen (MMLU) als voor op wiskundige probleemoplossing (MATH).
Reasoningmodellen openen dus de deur naar een nieuwe golf AI-toepassingen. De verschuiving van "tekst genereren" naar "expliciet redeneren" kan een grote impact hebben op verschillende domeinen, van wetenschappelijk onderzoek tot strategische besluitvorming. Misschien maken ze AI ook wel meer human-centered. Of dragen ze bij tot de transparantie van AI die zo centraal staat in de EU AI Act. DeepSeek heeft hier in elk geval op zijn eigen unieke manier een belangrijke bijdrage geleverd.
Johan Desseyn
Johan Desseyn is zaakvoerder en onderzoeker bij Mpiris. Hij startte Mpiris 2017 op om overheden en organisaties te helpen goede beslissingen te nemen. Hij doet dat door beleidsgericht sociaal-wetenschappelijk onderzoek te leveren. Met Mpiris speelt Johan ook volop in op de digitalisering van onze samenleving. Waar mogelijk past hij technologiegebaseerde methodes toe om de vragen van zijn opdrachtgevers te beantwoorden.
De opkomst van Generatieve AI betekende voor Johan en zijn team niet enkel op zoek gaan naar manieren om deze tools intern op een effectieve en verantwoorde manier te benutten, maar ook inzetten op het delen van de opgebouwde expertise met zijn klanten bij overheden en in onderwijs.
Expertise: beleidsgericht onderzoek, onderwijs en opleiding, overheden, arbeidsmarktbeleid, sociaal beleid
Vinnie De Craim
Ik geloof dat technologie pas écht waarde heeft als ze maatschappelijke impact creëert. Vanuit mijn achtergrond in sociologie en technologie werk ik aan digitale innovatie in de publieke sector—waar denken en doen samenkomen.
Mijn aanpak is hands-on en impactgericht. Ik analyseer met een kritisch oog, maar hou tegelijk van concreet bouwen en tastbare resultaten. Generatieve AI, beleidsontwikkeling, wetenschapscommunicatie—voor mij draait het altijd om de brug tussen kennis en toepassing. Met een stevige dosis pragmatiek en een neus voor kansen.
Daarnaast geloof ik sterk in de kracht van taal en beeld om complexe ideeën tastbaar te maken. Mijn ervaring in de kunsten helpt me om technologie en beleid niet alleen te begrijpen, maar ook te vertalen naar diverse doelgroepen.
Expertise: statistiek, (generatieve) AI, data science
