Kina mot USA: AI-kapplöpningen avgörs inte av en enda vinnare
USA leder i kapital och avancerade chip. Kina pressar kostnaden och sprider öppna modeller. Europa måste välja var det vill vara oumbärligt.
Bakom tävlingen om smartast chatbot pågår en större kraftmätning om fabriker, elnät, forskare och tekniska standarder. DeepSeek visade att amerikanska exportkontroller inte stoppar kinesisk innovation. Men effektivare modeller gör inte datorkraft oviktig.
Av Gunnar EklöfSkribent · Ekonomi och industriNär kinesiska DeepSeek publicerade resonemangsmodellen R1 i januari 2025 fick utvecklare utanför Kina möjlighet att ladda ned modellvikterna och köra modellen i egen miljö. Det var en konkret förändring av konkurrensen: avancerad AI behövde inte enbart köpas som en tjänst från ett amerikanskt molnföretag.
DeepSeek rapporterade resultat i nivå med OpenAI o1 på flera matematik- och programmeringstester. Det betydde inte att modellerna var likvärdiga i alla arbetsuppgifter. Men det undergrävde föreställningen att amerikanska bolags största försprång automatiskt skulle bestå.
Samtidigt kontrollerade amerikanska företag fortfarande centrala delar av infrastrukturen: acceleratorer, utvecklingsverktyg och globala molnplattformar. Kina hade visat att det kunde konkurrera vid modellfronten trots begränsad tillgång till de mest avancerade chippen, inte att landet hade undanröjt alla sina flaskhalsar.
Den här jämförelsen utgår från utvecklingen 2024 och rapporteringen under våren 2025. Fakta pekar på olika ledare i olika led. Bedömningen är att kapplöpningen blir långvarig, dyr och betydligt mindre tvådelad än flaggorna antyder.
Modellerna: amerikansk bredd, kinesisk kostnadspress
Stanforduniversitetets AI Index 2025 räknar 40 framstående modeller från amerikanska institutioner under 2024, mot 15 från kinesiska. Det är ett mått på produktion vid teknikfronten, inte en fullständig rangordning av nationell AI-förmåga. Urval och definitioner spelar roll.
USA:s styrka är bredden. OpenAI, Google och Anthropic utvecklar slutna modeller och tjänster, medan Meta har gjort Llama-familjens modellvikter tillgängliga under särskilda licenser. Runt dem finns molnleverantörer, riskkapital, universitet och företagskunder som kan finansiera nästa utvecklingsvarv.
Kinas ekosystem är också större än ett uppmärksammat laboratorium. Alibaba utvecklar Qwen, Baidu Ernie och Tencent Hunyuan. DeepSeek blev särskilt betydelsefullt genom kombinationen av konkurrenskraftiga resultat, teknisk dokumentation och tillgängliga modellvikter.
Tekniskt finns ingen tydlig nationell gräns. Båda ländernas forskare använder transformerarkitekturer, förstärkningsinlärning och syntetiska träningsdata. En central riktning är att låta modellen lägga mer beräkning på svåra frågor när den används. Träningen bygger förmågan; extra beräkning vid användningen kan förbättra svaret.
DeepSeek-V3 använder en så kallad mixture-of-experts-arkitektur. Modellen har 671 miljarder parametrar, men aktiverar omkring 37 miljarder för varje token, den textenhet modellen behandlar. Förenklat arbetar utvalda specialister i stället för hela nätverket vid varje steg.
Det minskar beräkningsarbetet, men gör inte modellen lätt att drifta. Vikterna måste fortfarande hanteras, och kommunikationen mellan acceleratorer är viktig. En personbil med effektiv motor behöver fortfarande vägar.
Fakta: DeepSeek redovisade starka testresultat och en resurssnål träningsprocess. Bedömning: kinesiska utvecklare kan pressa priset på avancerad AI globalt. Däremot går det inte att härleda generell överlägsenhet från ett fåtal tester. Företagsintegration, driftsäkerhet, språk och felkostnader avgör vilken modell som faktiskt är bäst för kunden.
Chippen: den amerikanska kontrollpunkten är internationell
Nvidias acceleratorer är centrala för dagens stora AI-system. Försprånget ligger inte bara i kretsarna utan också i CUDA, bibliotek, nätverk och utvecklares vana vid verktygen. Att ersätta en accelerator är därför både ett hårdvaru- och ett mjukvaruprojekt.
USA:s exportkontroller från oktober 2022, senare skärpta, begränsar Kinas tillgång till vissa avancerade beräkningschip och utrustning för halvledartillverkning. Det uttalade säkerhetspolitiska motivet omfattar att försvåra kinesisk militär modernisering och avancerad övervakning.
Kontrollerna är tekniskt detaljerade och föränderliga. De är inte ett totalförbud mot AI-chip till Kina. Efterlevnad beror bland annat på produktens egenskaper, mottagare och användning. För investerare betyder det att en marknad kan öppnas för en anpassad produkt och senare stängas när reglerna ändras.
Men ”amerikanska chip” är en förenkling. Nvidia är amerikanskt; avancerad tillverkning sker i hög grad hos taiwanesiska TSMC. Nederländska ASML har en central roll inom litografi, medan sydkoreanska leverantörer är viktiga för avancerat minne. USA:s inflytande bygger på en internationell leveranskedja och samordning med partnerländer.
Kina svarar med egna acceleratorer, där Huawei Ascend är ett viktigt exempel, och med investeringar i tillverkning och programvara. Utmaningen är inte bara att demonstrera en fungerande krets. Den måste tillverkas i stora volymer, till rimlig kostnad och med ett verktygsstöd som kunderna accepterar.
Exportkontroller kan därför både bromsa och stimulera. De försvårar tillgången till den bästa utrustningen men stärker incitamenten att utveckla alternativ. Hur mycket tid de köper är osäkert. DeepSeek visar att begränsningarna inte stoppar algoritmisk innovation; det visar inte att obegränsad tillgång till modernare chip saknar värde.
Datorkraft och kapital: vad kostade egentligen genombrottet?
En av kapplöpningens mest missförstådda siffror är DeepSeek-V3:s träningskostnad. Den tekniska rapporten anger 2,788 miljoner H800-GPU-timmar för den redovisade träningen. Med ett antaget pris på två dollar per GPU-timme blir det 5,576 miljoner dollar.
Det är inte kostnaden för att bygga DeepSeek som företag. Rapporten undantar tidigare forskning och experiment med arkitektur, algoritmer och data. Siffran är inte heller en separat totalbudget för R1, som bygger vidare på V3-familjen.
Billigare träning är inte samma sak som billig AI-infrastruktur – och effektivare modeller kan göra den totala efterfrågan på datorkraft större.
Om priset per uppgift sjunker kan fler företag automatisera fler arbetsmoment. Dessutom flyttas en del av kostnaden till användningen när modeller får resonera längre. Billigare intelligens kan alltså höja avkastningen på datacenter, men också pressa marginalerna för dem som säljer modeller.
Kapitalgapet är stort. AI Index 2025 uppskattar privata AI-investeringar i USA under 2024 till 109,1 miljarder dollar, mot 9,3 miljarder i Kina: nästan tolv gånger mer. Det är inte ett mått på samtliga nationella resurser. Statliga satsningar, olika finansieringsformer och investeringar som inte klassificeras som AI gör jämförelsen ofullständig.
USA har ändå ett tydligt kommersiellt maskineri: stora teknikföretag kan köpa chip, bygga datacenter och sälja tjänster till befintliga kunder. Kina kombinerar teknikbolagens investeringar med statlig industripolitik, offentliga forskningsresurser och stöd på flera administrativa nivåer.
Ingen av modellerna garanterar avkastning. Amerikanska investerare riskerar överkapacitet och prispress. Kinesiskt stöd kan bygga strategisk förmåga men också finansiera parallella projekt med svag efterfrågan.
El blir ytterligare en begränsning. IEA:s rapport Energy and AI uppskattar datacenters globala elanvändning 2024 till omkring 415 terawattimmar och prognostiserar cirka 945 terawattimmar 2030. Det gäller alla datacenter, inte bara AI. För en etablering kan nätanslutning och leveranssäkerhet vara lika avgörande som tillgången till kapital.
Talang, forskning och öppna modeller korsar gränserna
Nationalitetsjämförelser missar att AI-forskningen länge har fungerat som ett internationellt arbetsmarknadssystem. En forskare kan utbildas i Kina, doktorera i USA och bidra till en modell som används av svenska företag.
MacroPolos Global AI Talent Tracker 2.0, baserad på ett urval forskare vid NeurIPS 2022, visar denna dubbelhet. Omkring 47 procent av den undersökta toppkompetensen hade sitt ursprung i kinesiska grundutbildningar. Samtidigt arbetade omkring 57 procent i USA. Det är en konferensbaserad indikator, inte en folkräkning över alla AI-specialister.
Kina är alltså en mycket stor producent av talang, medan USA har varit särskilt starkt på att samla den. Visumregler, forskningsmiljöer, löner och möjligheten att arbeta med stora beräkningsresurser påverkar om detta består.
Publikationer ger en annan bild än produkter. AI Index beskriver Kina som ledande i volymen AI-publikationer och citeringar, medan USA leder i framstående modeller. Det motsäger inte varandra: forskningens omfattning, dess inflytande och kommersiell genomslagskraft är skilda saker.
Öppna modeller gör dessutom nationellt producerad kunskap till internationell infrastruktur. Men ”öppen” behöver preciseras. Tillgängliga modellvikter innebär inte automatiskt öppna träningsdata, full reproducerbarhet eller obegränsade licensvillkor. R1 publicerades med MIT-licens, medan andra modellfamiljer har andra villkor.
För ett europeiskt industriföretag kan lokalt körbara vikter ge kontroll över känsliga dokument och minska beroendet av ett enda API. Företaget slipper däremot inte kostnader för säkerhet, utvärdering och drift. Både amerikanska och kinesiska modeller behöver granskas för systematiska fel, påverkan och olämpliga svar i den aktuella verksamheten.
Bedömningen är att öppenheten blir ett konkurrensmedel snarare än ett enkelt ideal. Den kan sälja molntjänster, attrahera utvecklare och göra den egna modellfamiljen till utgångspunkt för andras produkter.
Vad de tävlar om: produktivitet, militär förmåga och regler
Den ekonomiska vinsten uppstår inte när en modell vinner ett test, utan när den förbättrar ett arbetsflöde. I en fabrik kan det handla om att hitta felorsaker i underhållsloggar; i ett läkemedelsbolag om att prioritera experiment. Utfallet beror på datakvalitet, ansvar och integration med befintliga system.
Ett räkneexempel visar varför införandet spelar roll. Om ett företag lägger 100 miljoner kronor årligen på ett avgränsat administrativt arbete och AI minskar arbetsåtgången med 10 procent, är den teoretiska frigjorda kapaciteten värd 10 miljoner. Därifrån ska kostnader för system, kontroll och omställning dras. Frigjord tid är inte automatiskt en besparing i resultaträkningen.
Militärt handlar intresset bland annat om underrättelseanalys, logistik, cyberförmåga och autonoma system. Civil och militär användning delar många komponenter, särskilt chip och generell modellteknik. Därför blir gränsen för exportkontroller politiskt laddad. Men hög poäng på ett matematiktest bevisar inte militär tillförlitlighet.
Inflytandet är mer vardagligt än bilden av en enda superintelligens antyder. Den som levererar modeller, moln och utvecklingsverktyg kan påverka gränssnitt, säkerhetskrav och tekniska beroenden. Standarder växer också fram genom vad utvecklare väljer att använda, inte bara genom internationella förhandlingar.
Ingen av de redovisade prestationerna bevisar att superintelligens är nära. Den strategiska rivaliteten kräver inte heller ett sådant genombrott. Redan dagens teknik kan förändra kostnader och fördela om värde mellan programvarubolag, arbetsgivare och infrastrukturföretag.
Europa och Sverige: välj en roll som kunder behöver
Europa har stark forskning, avancerad industri och viktiga delar av halvledarkedjan. Samtidigt är marknaden mer splittrad och finansieringen av de största modellbolagen mindre än i USA. Europeiska aktörer som Mistral visar att egen modellutveckling är möjlig, men självständighet kräver mer än ett europeiskt huvudkontor.
EU:s AI-fabriker ska knyta samman superdatorresurser, data och stöd till företag och forskare. Sverige ingår genom MIMER, utvalt 2025 med Linköpings universitet som värd. Det kan sänka tröskeln för utveckling; en offentlig beräkningsresurs skapar däremot inte automatiskt en lönsam produkt.
AI-förordningen ger en annan europeisk profil. Den trädde i kraft 2024 och tillämpas stegvis. Riskbaserade krav kan öka förtroendet i känsliga användningar, men efterlevnaden kostar. Reglering ersätter varken kapital, datorkraft eller kunder.
För Sverige är den starkaste möjligheten sannolikt kombinationen av industriell domänkunskap och internationellt tillgängliga modeller. Telekom, fordon, energi och tillverkning erbjuder problem där kvalitet, integration och säkerhet kan vara viktigare än att själv träna världens största språkmodell.
Det är en bedömning, inte ett argument för att avstå från grundforskning. Sverige behöver kompetens för att förstå, utvärdera och byta teknik. Företag bör mäta resultat per arbetsuppgift, säkra sina data och undvika avtal som gör modellbyte orimligt dyrt.
USA går in i denna fas med den starkaste kombinationen av kapital, chipplattformar och kommersiella distributionskanaler. Kina visar att effektivitet, talang och öppna modeller kan minska delar av försprånget. Europas uppgift är inte bara att välja leverantör. Den är att bygga förmågor som andra behöver – och behålla möjligheten att välja om.
Källor
- Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report (2025)
- DeepSeek-AI, DeepSeek-V3 Technical Report (2024)
- DeepSeek-AI, DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning (2025)
- Bureau of Industry and Security, U.S. Department of Commerce, Implementation of Additional Export Controls: Certain Advanced Computing and Semiconductor Manufacturing Items; Supercomputer and Semiconductor End Use; Entity List Modification (2022)
- MacroPolo, The Global AI Talent Tracker 2.0 (2024)
- International Energy Agency, Energy and AI (2025)
- European High Performance Computing Joint Undertaking, AI Factories (2025)
- Europeiska kommissionen, AI Act (2024–2025)
Ställ frågor om "Kina mot USA: AI-kapplöpningen avgörs inte av en enda vinnare". Svaren bygger på tidningens egna artiklar.
