---
title: "DeepSeek — ディープシーク"
source: "https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF"
wiki: "systems-analysis.info/int"
article: "DeepSeek_—_ディープシーク"
language: "ja"
categories:
  - "Category:Japanese"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 1622
wiki_created_at: 2026-09-06T22:51:28Z
wiki_modified_at: 2026-09-06T22:51:28Z
downloaded_at: 2026-09-07T22:46:54Z
---

# DeepSeek — ディープシーク

**DeepSeek**は、大規模言語モデル (LLM) およびマルチモーダルシステムを開発する中国の人工知能研究企業です。同社は、モデルの重みをオープンに配布していることと、その高いコストパフォーマンスで広く知られるようになり、2024年末から2025年初頭にかけてAI市場の価格調整を引き起こしました。<sup>[\[1\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-1)</sup>

## 歴史

DeepSeekの創設者は、起業家でありヘッジファンド「*High‑Flyer*」の共同設立者でもある梁文峰（Liang Wenfeng）です。2023年春、High‑FlyerはAI研究部門を分離し、同年5月に「*DeepSeek AI*」として会社化しました。2025年までに、従業員数は約160人にまで増加しました。<sup>[\[2\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-2)</sup> 創業当初から、同社はオープンな方針を掲げており、許容的なライセンスの下で重みを公開（「open‑weight」）し、AGIの基礎研究に注力することを宣言しています。

多くのスタートアップとは異なり、DeepSeekはHigh-FlyerのR&D予算から資金提供を受けています。創設者によれば、これにより短期的な収益化ではなく、長期的な目標に集中することが可能になっています。<sup>[\[3\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-3)</sup>

同社が技術および金融コミュニティで大きな反響を呼んだのは、2025年1月にモデル**DeepSeek-R1**をリリースした後です。GPT-4に匹敵するモデルのトレーニング費用が600万ドル未満（GPT-4の推定1億ドル以上と比較して）であったとの発表は、大手テクノロジー企業の株価を急落させ、業界に「より多くの計算量＝より良いモデル」というパラダイムを再考させました。<sup>[\[4\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-4)</sup>

## アーキテクチャ上の特徴

Mixture‑of‑Experts (DeepSeekMoE)  
DeepSeekの主力モデルの多くは、混合エキスパート（MoE）アーキテクチャを採用しています。「密な」モデルではリクエスト処理時にすべてのパラメータがアクティブになりますが、MoEモデルでは各トークンに対して特殊化されたサブネットワーク（「エキスパート」）のごく一部のみが使用されます。DeepSeekは、「共通」エキスパート、きめ細かなセグメンテーション、補助的な損失なしでの負荷分散を備えた独自のMoE実装を開発しました。これにより、数千億のパラメータの一部のみをアクティブにし、計算コストを大幅に削減できます。<sup>[\[5\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-5)</sup>

Multi‑Head Latent Attention (MLA)  
KVキャッシュを潜在ベクトルに圧縮する手法で、メモリを最大93%節約し、最大128,000トークンのコンテキストウィンドウの使用を可能にします。この技術は、長いテキストを効率的に扱うための鍵となります。<sup>[\[6\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-6)</sup>

FP8 training および Multi‑Token Prediction  
V3ファミリーのモデルでは、混合精度FP8（8ビット浮動小数点数）と複数トークンの同時予測が採用されており、これによりトレーニングと推論（inference）のプロセスが高速化されます。<sup>[\[7\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-7)</sup>

## モデルファミリー

- **DeepSeek LLM** — 70億および670億パラメータのベースモデル（2023年）。初のバイリンガル（英語/中国語）リリースで、多くのタスクで*LLaMA‑2 70B*を上回りました。<sup>[\[8\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-8)</sup>
- **DeepSeek‑Coder** (2023) — プログラミング用モデルのラインナップ（13億～330億）とその発展版である*Coder‑V2*（160億/2360億MoE、128Kコンテキスト、338のプログラミング言語に対応）。<sup>[\[9\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-9)</sup>
- **DeepSeek‑V2** (2024年5月) — 2360億（210億がアクティブ）パラメータのMoE‑LLMでMLAを搭載。8.1兆トークンでトレーニング済み。<sup>[\[10\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-10)</sup>
- **DeepSeek‑V3** (2024年12月) — 6710億（370億がアクティブ）パラメータ。Nvidia H800で約280万GPU時間、費用約550万ドルでトレーニング。<sup>[\[11\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-11)</sup>
- **DeepSeek‑R1** (2025年1月) — 論理的推論（reasoning）のためのモデルライン。バージョンR1‑0528は、AIME 2025とLiveCodeBenchで*OpenAI o3*に迫る性能を示しました。<sup>[\[12\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-12)</sup>
- **DeepSeek‑VL / VL2** — 1024×1024の動的モザイク画像処理を備えたマルチモーダルVLモデル（最大45億アクティブパラメータ）。<sup>[\[13\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-13)</sup>
- **DeepSeek‑Math** 7B — MATHベンチマークで51.7%の正解率を達成した特化モデル。GPT‑4に近い性能。<sup>[\[14\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-14)</sup>
- **DeepSeek‑Prover‑V2** — Lean 4での定理証明用の6710億パラメータMoEモデル。miniF2Fで63.5%のスコア。
- **蒸留されたR1モデル** — LlamaとQwenをベースにした、15億から700億パラメータのオープンバージョン。<sup>[\[15\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-15)</sup>

## 主なリリースの時系列

| 日付           | リリースと主な特徴                                                            |
|----------------|-------------------------------------------------------------------------------|
| 2023年11月2日  | **DeepSeek‑Coder v1:** 初のコード用オープンウェイトモデル。                   |
| 2023年11月29日 | **DeepSeek LLM 7B/67B:** 2兆トークンでトレーニングされたバイリンガルモデル。  |
| 2024年1月11日  | **DeepSeek‑MoE 16B:** MoEアーキテクチャのデビュー。                           |
| 2024年2月6日   | **DeepSeek‑Math 7B:** 数学特化モデル（MATHで51.7%）。                         |
| 2024年5月6日   | **DeepSeek‑V2 236B:** MLAおよびMoEアーキテクチャの導入。                      |
| 2024年6月17日  | **DeepSeek‑Coder‑V2:** 128Kコンテキスト、338のプログラミング言語をサポート。  |
| 2024年12月13日 | **DeepSeek‑VL2:** MoEベースのマルチモーダルモデル。                           |
| 2024年12月27日 | **DeepSeek‑V3 671B:** 600万ドル未満でトレーニングされたフラッグシップモデル。 |
| 2025年1月20日  | **DeepSeek‑R1 / R1‑Zero:** RLを用いてトレーニングされた推論用モデル。         |
| 2025年1月27日  | **Janus‑Pro:** DALL‑E 3を上回る画像生成モデル。                               |

## パフォーマンスとベンチマーク

- *DeepSeek‑V3* は、MMLUとGPQA‑Diamondにおいて*Llama 3.1*と*Qwen 2.5*を上回り、GPT‑4のレベルに近づきました。<sup>[\[16\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-16)</sup>
- *DeepSeek‑Coder‑V2* は、Arena‑Hardで72.9%を記録。これはGPT‑4oと同等であり、Claude‑3.5‑Sonnetを除くすべてのオープンモデルを上回ります。<sup>[\[17\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-17)</sup>
- *DeepSeek‑Math 7B* は、MATHで51.7%を達成。これは10分の1のサイズでありながらGemini‑Ultraに近い性能です。<sup>[\[18\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-18)</sup>
- *R1‑Zero* は、RLによる学習のみで、AIME 2024 pass@1の結果を15.6%から71%に向上させました。<sup>[\[19\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-19)</sup>

## 経済性とAPI

DeepSeekは、V3およびR1モデルの公開APIを、cache-hit時の入力100万トークンあたり0.07ドルから0.14ドル、出力100万トークンあたり1.10ドルから2.19ドルの価格で提供しています。これはGPT‑4oの料金よりも最大で数十倍安価です。<sup>[\[20\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-20)</sup>

## ライセンスとオープンソース

ほとんどのモデルは、商用利用を許可するMITライセンスまたはApache 2.0ライセンスの下で配布されています。同社はHugging FaceやGitHubで重みを公開していますが、完全なデータセットやトレーニングパイプラインは非公開としています（「open weight, but not full open source」）。

## 業界への影響

- R1のリリースは、「600万ドルでGPT‑4クラスのモデル」というニュースを受け、NVIDIAやMicrosoftなどの株価を1日で下落させました。<sup>[\[21\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-21)</sup>
- 輸出規制下にあるNvidia H800チップでのトレーニング成功が実証されたことで、米国の制裁措置の有効性に関する議論が活発化し、中国製AIアクセラレータ（例：Huawei Ascend 910B）の開発が加速しました。

## 批判と制約

- 安全性：HarmBenchテストにおいて、R1モデルは不適切なリクエスト（「ジェイルブレイク」）を100%見逃しました。
- 政治的検閲：チャット版では、中国政府にとって「敏感な」トピック（1989年の天安門事件、台湾の地位など）がフィルタリングされます。
- データ保管：ユーザーデータが中国国内のサーバーに保管されるため、GDPRや同様の法的規制に従う欧米企業によるAPIの利用が制限されます。<sup>[\[22\]](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_note-22)</sup>

## 関連項目

- OpenAIの大規模言語モデル
- Mixture-of-Experts

## 参考文献

- Dai, D. et al. (2024). *DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture‑of‑Experts Language Models*. <a href="https://arxiv.org/abs/2401.06066" class="external text" rel="nofollow">arXiv:2401.06066</a>.
- Ding, Y. et al. (2024). *LongRoPE: Extending LLM Context Window Beyond 2 Million Tokens*. <a href="https://arxiv.org/abs/2402.13753" class="external text" rel="nofollow">arXiv:2402.13753</a>.
- Fedus, W.; Zoph, B.; Shazeer, N. (2021). *Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity*. <a href="https://arxiv.org/abs/2101.03961" class="external text" rel="nofollow">arXiv:2101.03961</a>.
- He, L. et al. (2025). *Scaling Instruction‑Tuned LLMs to Million‑Token Contexts via Hierarchical Synthetic Data Generation*. <a href="https://arxiv.org/abs/2504.12637" class="external text" rel="nofollow">arXiv:2504.12637</a>.
- Jegham, N. et al. (2025). *Visual Reasoning Evaluation of Grok, Deepseek Janus, Gemini, Qwen, Mistral, and ChatGPT*. <a href="https://arxiv.org/abs/2502.16428" class="external text" rel="nofollow">arXiv:2502.16428</a>.
- Lepikhin, D. et al. (2020). *GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding*. <a href="https://arxiv.org/abs/2006.16668" class="external text" rel="nofollow">arXiv:2006.16668</a>.
- Peng, B. et al. (2023). *YaRN: Efficient Context Window Extension of Large Language Models*. <a href="https://arxiv.org/abs/2309.00071" class="external text" rel="nofollow">arXiv:2309.00071</a>.
- Shen, Y. et al. (2025). *Long‑VITA: Scaling Large Multi‑modal Models to 1 Million Tokens with Leading Short‑Context Accuracy*. <a href="https://arxiv.org/abs/2502.05177" class="external text" rel="nofollow">arXiv:2502.05177</a>.
- Su, J. et al. (2021). *RoFormer: Enhanced Transformer with Rotary Position Embedding*. <a href="https://arxiv.org/abs/2104.09864" class="external text" rel="nofollow">arXiv:2104.09864</a>.
- Zhong, M. et al. (2024). *Understanding the RoPE Extensions of Long‑Context LLMs: An Attention Perspective*. <a href="https://arxiv.org/abs/2406.13282" class="external text" rel="nofollow">arXiv:2406.13282</a>.

## 脚注

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-1) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27.</span>
2.  <span id="cite_note-2">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-2) Who is Liang Wenfeng, the founder of DeepSeek? // Reuters. 2025-01-28.</span>
3.  <span id="cite_note-3">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-3) Who is Liang Wenfeng, the founder of DeepSeek? // Reuters. 2025-01-28.</span>
4.  <span id="cite_note-4">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-4) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27.</span>
5.  <span id="cite_note-5">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-5) DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model // Hugging Face. 2024.</span>
6.  <span id="cite_note-6">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-6) DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model // Hugging Face. 2024.</span>
7.  <span id="cite_note-7">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-7) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024.</span>
8.  <span id="cite_note-8">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-8) DeepSeek LLM: Scaling Open-Source Language Models with Longtermism // arXiv. 2024.</span>
9.  <span id="cite_note-9">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-9) DeepSeek-Coder-V2: A More Powerful and Economical Coder // arXiv. 2024.</span>
10. <span id="cite_note-10">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-10) DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model // Hugging Face. 2024.</span>
11. <span id="cite_note-11">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-11) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024.</span>
12. <span id="cite_note-12">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-12) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025.</span>
13. <span id="cite_note-13">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-13) GitHub - deepseek-ai/DeepSeek-VL: Towards Real-World Vision-Language Understanding // GitHub.</span>
14. <span id="cite_note-14">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-14) DeepSeek-Math: Pushing the Limits of Mathematical Reasoning in Open-Source Models // arXiv. 2024.</span>
15. <span id="cite_note-15">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-15) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025.</span>
16. <span id="cite_note-16">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-16) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024.</span>
17. <span id="cite_note-17">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-17) DeepSeek-Coder-V2: A More Powerful and Economical Coder // arXiv. 2024.</span>
18. <span id="cite_note-18">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-18) DeepSeek-Math: Pushing the Limits of Mathematical Reasoning in Open-Source Models // arXiv. 2024.</span>
19. <span id="cite_note-19">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-19) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025.</span>
20. <span id="cite_note-20">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-20) DeepSeek Explained: Why This AI Model Is Gaining Popularity // DigitalOcean.</span>
21. <span id="cite_note-21">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-21) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27.</span>
22. <span id="cite_note-22">[↑](https://systems-analysis.info/int/DeepSeek_%E2%80%94_%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%82%B7%E3%83%BC%E3%82%AF#cite_ref-22) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27.</span>