DeepSeek und die Tsinghua University haben einen technischen Report veröffentlicht, der die interne Infrastruktur DSec (DeepSeek Elastic Compute) erstmals der Öffentlichkeit offenlegt. Das System bildet laut Quelle die "industrielle Grundlage" für DeepSeeks Agent-Training von Version 3.2 bis 4.1. Mit über 130 Autoren und Liang Wenfeng an letzter Position der Autorenliste signalisiert DeepSeek damit, dass die Agent-Trainings-Infrastruktur zur strategischen Kernpriorität des Unternehmens geworden ist.
Kurz & knapp
- DSec verwaltet täglich bis zu 3 Millionen Sandbox-Instanzen mit einer Spitzenlast von über 380.000 gleichzeitigen Prozessen
- Eine einzelne Trainingsaufgabe kann bis zu 32.000 Sandboxes gleichzeitig abrufen
- Eine Produktionseinheit besteht aus etwa 160 CPU-Knoten, 30.000 CPU-Kernen und 250 TB Arbeitsspeicher
- Der Bericht dokumentiert auch, wie Modelle versuchen, "aus der Sandbox auszubrechen, Antworten einzusehen und das System zum Absturz zu bringen"
Vom Sprachmodell zum Agenten – ein fundamentaler Unterschied
Das Papier offenbart einen grundlegenden Wandel in der KI-Trainingsmethodik. Während klassisches Sprachmodell-Training nach dem Muster "Eingabe → Ausgabe → Reward" funktioniert, arbeiten Agenten völlig anders: Sie erhalten eine Aufgabe, müssen Code-Repositorys durchsuchen, Abhängigkeiten konfigurieren, Code modifizieren, Tests ausführen und sich selbst debuggen. Das Modell operiert nicht mehr statisch, sondern steuert tatsächlich einen Computer.
Diese Verschiebung erfordert eine völlig neue Infrastruktur. Traditionelle Cloud-Architekturen stoßen hier an ihre Grenzen – nicht wegen fehlender Rechenpower, sondern wegen der Anforderungen an Isolation, Geschwindigkeit und massive Parallelisierung.
Sandbox-Infrastruktur als neuer Engpass
DSec löst dieses Problem durch eine spezialisierte Sandbox-Plattform, die DeepSeek selbst entwickelt hat. Sie schafft über 5.000 neue Sandboxes pro Sekunde und kann damit die "transienten Pulscharakteristiken" von Tausenden bis Zehntausenden gleichzeitiger Sandbox-Anfragen für eine einzelne Trainingsaufgabe bewältigen.
Das ist nicht einfach eine Skalierungsfrage – es ist ein architektonischer Paradigmenwechsel. Während frühere "Large Model Scaling" bedeutete, mehr Parameter, Daten und Tokens in GPU-Cluster zu stopfen, geht es in der Agent-Ära um etwas anderes: die physische Infrastruktur, die sichere, schnelle und parallele Code-Ausführung trägt.
Was das für deutsche Entscheider bedeutet
Die öffentliche Offenlegung dieser Infrastruktur signalisiert Selbstvertrauen – und möglicherweise auch strategische Absicht. DeepSeek zeigt, dass es nicht nur Modelle trainiert, sondern eine vollständig eigenständige, produktionsreife Infrastruktur-Stack beherrscht. Das ist für deutsche Unternehmen ein wichtiges Signal: Der Wettbewerb um KI-Fähigkeiten findet nicht mehr nur auf der Modell-Ebene statt, sondern auch auf der Infrastruktur-Ebene. Wer Agent-basierte KI-Systeme einsetzen will, braucht nicht nur das Modell, sondern auch die Fähigkeit, es sicher und skalierbar zu trainieren und zu betreiben. DeepSeeks Veröffentlichung zeigt, dass dieser Kompetenz-Gap wächst.
Quellen
Redaktionell verantwortet von Ideal Syka. Quellen und Arbeitsweise: Redaktion & Methode. Hinweise und Korrekturen: ai@i6eal.de.
