DeepSeek 4.1 i Deep Infer: Kako kineski model otvorenog koda potresa AI gigante

Nakon kratke pauze kineskih istraživačkih laboratorija zbog nacionalnog praznika početkom meseca, usledila je tišina koja je delovala kao zatišje pred oluju. A onda, iznenada, kineski tim izbacio je softverski projektil koji je potresao čitavu globalnu AI industriju: objavljeni su najnoviji model DeepSeek 4.1 Flash (1017) i prateći softverski sistem Deep Infer.

DeepSeek je ovim lansiranjem ponudio ubedljivo najbolji AI model otvorenog koda (open-source) koji je trenutno dostupan, sposoban da parira i direktno se takmiči sa najnaprednijim zatvorenim sistemima vodećih zapadnih laboratorija, kao što su OpenAI i Anthropic. Međutim, to nije najšokantniji deo ove objave. Besplatnim izdavanjem samog softverskog motora za inferenciju koji pokreće ove gigantske modele u data-centrima, DeepSeek je javno razotkrio poslovne i tehnološke tajne skaliranja koje su najmoćnije kompanije čuvale u strogoj tajnosti.

Postavlja se glavno pitanje: Kako je kineska laboratorija uspela da ponudi vrhunsku inteligenciju i objavi poslovne tajne skaliranja koje vodeće kompanije drže u strogoj tajnosti?

Ključno saznanje #1: Rešavanje testa koji je oborio najjače zatvorene modele ("Test sa žabom")

Vizuelno rezonovanje bez premca: Autonomna obrada i alokacija pažnje

Dok klasični benchmark testovi često daju apstraktne i sterilne rezultate, specifičan test pronalaženja dobro skrivene žabe na kompleksnoj fotografiji pokazao je pravu snagu vizuelnego rezonovanja novog DeepSeek modela. Zadatak je postavljen bez direktne sugestije — modelu je postavljeno samo pitanje da li se na slici nalazi bilo koja životinja i traženo je da je označi. Ovaj test oborio je čak i najnaprednije zatvorene modele vodećih laboratorija.

Umesto prostog nagađanja ili površnog pregleda, DeepSeek 4.1 je primenio izuzetno složen, agentički pristup rešavanju problema. Tokom dugotrajnog procesa razmišljanja, model je samostalno raščlanio sliku na manje sekcije. Potom je sukcesivno zumirao i isecao specifične delove, uvećavao ih, prilagođavao kontrast i zasićenost boja, pa čak i vršio kompleksnu detekciju glatkoće i analizu kanala boja (izolujući plave kanale i računajući formulu "plavo minus crveno"). Čak je pokušao da ekstrahuje i XMP/EXIF metadata podatke kako bi pronašao tragove; kada su ti podaci uklonjeni, nastavio je vizuelnu analizu sve dok precizno nije identifikovao i crvenim krugom označio skrivenu žabu.

Ovaj uspeh predstavlja prekretnicu za agentičko vizuelno razmišljanje i autonomno rešavanje problema, jer pokazuje sposobnost modela da samostalno koristi napredne tehnike obrade slika radi postizanja cilja.

"Ovo je jedini model do sada koji je uspešno pronašao žabu. Čak ni Opus ili GPT6 to ne mogu."

Ključno saznanje #2: Agencijski rad od više sati i stotine miliona tokena za svega $6

U savremenom razvoju veštačke inteligencije, agentički rad se više ne meri sekundama, već satima autonomnog delovanja. Jedan od najimpresivnijih aspekata DeepSeek 4.1 Flash modela jeste njegova brutalna ekonomičnost pri obavljanju dugotrajnih, višefaznih zadataka (long-horizon tasks). Model je stavljen na seriju izuzetno teških praktičnih testova koji zahtevaju rad sa eksternim alatima i softverima:

• Generisanje animiranog edukativnog videa: Trajao je 36 minuta neprekidnog rada agenta, pri čemu je model samostalno planirao scene, pisao kod za animaciju u alatu Hyperframes i generisao naraciju putem Gemini TTS API-ja, utrošivši 22 miliona tokena uz 99% keširanja.
• Kreiranje 3D video igre u Unreal Engine-u i Blender-u: Model je samostalno navigirao kroz alate, preuzimao 3D modele i animacije sa platforme Mixamo, generisao vizuelne elemente u Blenderu i renderovao ih u Unreal Engine-u. Ključni mehanizam ovog testa bilo je podizanje posebnog kritičkog agenta ("surovog AAA art direktora") koji je ocjenjivao snimke ekrana ocenama od 0 do 10, sa ciljem da dostigne ocenu iznad 8,5. Nakon 16 rundi iteracije i utrošenih 375 miliona tokena, model je dostigao ocenu 5,5 — kreiravši funkcionalnu igru.
• Komponovanje muzike u DAW softveru: Samostalno je kreirao i aranžirao EDM numeru u Waveform aplikaciji uz dodavanje zvučnih efekata, automatizacije i završnog miksa i masteringa kroz dve runde popravki.
• 3D rekonstrukcija prostora na osnovu Airbnb fotografija: Model je za sat i 37 minuta kreirao 3D model objekta i video-turu kroz Blender. Iako je ovo pokazalo određena ograničenja — jastuci su prolazili kroz sofu, stolice i sto nisu bili savršeno poravnani, a bazenu je nedostajala specifična zakošena zidna struktura — sama činjenica da otvoreni model može samostalno izvesti ovako kompleksnu prostornu rekonstrukciju stavlja ga na oko 80% mogućnosti najjačih zatvorenih modela (poput Opus 5.5 ili GPT-6 Astra), dok je ostale otvorene modele ostavio daleko iza sebe.

Frapantan podatak jeste da je ukupan trošak za sve ove dugotrajne, višekatne zadatke iznosio samo 6 dolara (saldo na korisničkom računu smanjen je sa $50 na $44).

Arhitektonska pozadina ove efikasnosti leži u pametnom dizajniranju sistema. Model koristi Mixture of Experts (MoE) arhitekturu sa ukupno 552 milijarde osnovnih parametara (backbone parameters). Međutim, tokom bilo koje konkretne operacije, aktivno je svega 16 milijardi parametara. Uz to, stopa ponovnog iskorišćenja keširanih podataka (cache hit rate) kretala se u rasponu od 99% do 99,5%, što drastično smanjuje potrebu za ponovnim izračunavanjem i obara troškove na minimum.

Ključno saznanje #3: Razotkrivanje tajni "Deep Infer-a" i bruto marža od 80%

DeepSeek nije samo izbacio novi AI model; besplatno su objavili i svoj Deep Infer — softversku infrastrukturu koja služi za pokretanje i optimizaciju AI modela u velikim data-centrima. Ovo nije nov AI model, već visokooptimizovani softverski motor koji upravlja radom hiljada GPU jedinica i obradom miliona istovrementskih zahteva korisnika.

Objavljivanjem ovog sistema, DeepSeek je javno priložio i konkretne specifikacije efikasnosti svog poslovanja:

Ovakav potez predstavlja direktan udar na zatvorene AI laboratorije. Napredna optimizacija inferencije bila je primarna poslovna tajna i glavno "utvrđenje" (moat) zatvorenih kompanija, na osnovu kojeg su naplaćivale visoke cene pretplata i pristupa API-ju. Besplatnim objavljivanjem ovih mehanizama kao otvorenog koda, DeepSeek je svima omogućio uvid u tehnologije koje donose ogromnu profitabilnost i efikasnost.

Ipak, uz ove fascinantne brojke dolaze i dve važne novinarske ograde:

1. Procenjena bruto marža od 80% ne obuhvata ostale operativne troškove (van direktnog GPU računanja) i zasniva se na specifičnim pretpostavkama o cenama hardvera i tržišnoj potražnji.
2. Objavljeni Deep Infer nije kompletan produkcioni sistem — DeepSeek nije objavio celokupnu infrastrukturu za keširanje i nivelisanje opterećenja (load balancing). To znači da eksterni korisnici ne mogu automatski da repliciraju identične ekonomske performanse samo pkim instaliranjem softverskog koda, ali su dobili neprocenjiv uvid u arhitekturu skaliranja.

Ključno saznanje #4: Razbijanje Nvidijine dominacije i prelazak na Huawei Ascend

Pored finansijskog uticaja, objavljivanje Deep Infer softvera nosi sa sobom i dalekosežne geopolitičke i hardverske posledice. Ključni detalj jeste da je ovaj softver projektovan tako da ne radi samo na Nvidia čipovima, već pruža pune performanse i na kineskim Huawei Ascend procesorima.

Tržište AI hardvera do sada je bilo gotovo u potpunosti zavisno od Nvidia GPU jedinica i pratećeg softverskog ekosistema. Zbog američkih izvoznih sankcija i restrikcija, kineskim kompanijama je izuzetno otežan pristup najnovijim Nvidia čipovima. Dokaz da se masivni AI sistemi od preko 500 milijardi parametara mogu efikasno i profitabilno pokretati na Huawei Ascend hardveru direktno umanjuje uticaj izvoznih sankcija i smanjuje zavisnost od jednog dobavljača.

Za celokupnu globalnu AI industriju ovo donosi značajne koristi: postojanje održive alternative dominantnom dobavljaču pomaže u ublažavanju globalnih nestašica računske snage i smanjuje cenovni pritisak na hardver.

Ključno saznanje #5: Nadmašivanje konkurencije u dubokom istraživanju uz mizernu cenu

U zadacima koji zahtevaju duboku sintezu informacija, struktuiranje podataka i naučno istraživanje — što je testirano na izradi obimne analize mehanizama Alzhajmerove bolesti — DeepSeek 4.1 Flash je pokazao vrhunske rezultate.

Za svega 20 minuta rada, model je izradio kompletan, samostalan HTML izveštaj o amiloid-beta i tau proteinima, obogaćen preciznim citatima naučnih radova, poređenjem antitela iz treće faze kliničkih ispitivanja i detaljnim tabelarnim prikazima.

Uporedna analiza i zvanični benchmark rezultati pokazuju sledeće:

• Na Deep Suite 1.1 testu inteligencije ostvario je visoki rezultat od 77, izjednačivši se sa modelima kao što su GPT-5.6 Soul ili Claude Opus 5.
• U zadatku dubinskog naučnog istraživanja, DeepSeek 4.1 je po temeljnosti izjednačen sa modelom GPT-6 Astra, dok se pokazao drastično boljim od modela Opus 5.5, koji je pokazao izvesnu "lenjost" i pružio znatno površniji izveštaj.
• Na prestižnom Kernel Bench testu (koji meri sposobnost pisanja izuzetno složenog i kompresovanog CUDA koda niskog nivoa za GPU procesore), DeepSeek 4.1 Flash zauzima treće mesto, prestigavši modele kao što su Gemini for Argon, Claude Fable i GPT-6 Astra.

Zaključak: Šta ovo znači za budućnost veštačke inteligencije?

Nalazimo se u trenutku u kom se arhitektura i napredna infrastruktura veštačke inteligencije, vredne milijarde dolara, stavljaju na raspolaganje celokupnoj javnosti besplatno. Preko platformi kao što su Hugging Face i ModelScope, ili putem kompresovanih verzija zajednice (poput Unsloth 1-bitne verzije veličine svega 233 GB), napredna AI inteligencija postaje dostupna za lokalno i offline pokretanje.

DeepSeek je dokazao da model otvorenog koda može pružiti 80-90% pa i 100% performansi najskupljih zatvorenih sistema, uz drastično niže troškove i potpunu transparentnost poslovanja.

"Ako besplatni modeli otvorenog koda danas pružaju 80-90% performansi najskupljih zatvorenih sistema — uz drastično niže troškove — da li prisustvujemo kraju ere tajnih, zatvorenih AI monstruma?"