Samsung Electronics daalde volgens de berichtgeving op 11 september 2026 met 3,5% en SK Hynix met 2,2%, nadat bekend werd dat DeepSeek voor zijn AI-modellen minder HBM-geheugen nodig zou hebben. De technische ontwikkeling wijst echter vooral op minder geheugenbelasting tijdens bepaalde inferentietaken. Dat is niet hetzelfde als een permanente daling van de totale vraag naar HBM.
De markt reageerde op het DeepSeek-bericht
De koersbeweging laat zien hoe gevoelig beleggers zijn voor efficiëntere AI. Samsung Electronics en SK Hynix behoren tot de belangrijke producenten van geheugen voor AI-versnellers. Als modellen met minder geheugen toe kunnen, kan dat op korte termijn zorgen oproepen over de vraag naar zulke chips.
Maar een koersreactie is geen meting van de wereldwijde geheugenvraag. Daarvoor tellen ook het aantal AI-toepassingen, de omvang van modellen, de gebruikte versnellers en de hoeveelheid inferentie mee. Efficiëntere AI kan bovendien goedkoper worden om te draaien, waardoor het gebruik juist kan toenemen.
Wat HBM, KV-cache en Engram betekenen
HBM staat voor high-bandwidth memory: gestapeld DRAM-geheugen dat dicht bij een processor of AI-versneller wordt geplaatst om grote hoeveelheden data snel te verplaatsen. DDR5 is daarentegen algemeen systeemgeheugen. Beide technologieën hebben een andere rol en zijn niet in elke werklast uitwisselbaar.
De KV-cache is een tijdelijk geheugen voor de sleutel- en waardestatus van het attention-mechanisme van een taalmodel. Bij lange contexten groeit die cache mee met de hoeveelheid verwerkte tekst. Een kleinere KV-cache verlaagt dus de geheugenbelasting tijdens inferentie — het moment waarop een model antwoorden genereert — maar zegt niet automatisch hoeveel HBM een compleet AI-systeem nodig heeft.
DeepSeek gebruikt daarvoor verschillende technieken die je niet op één hoop moet gooien:
- Multi-Head Latent Attention (MLA) bewaart gecomprimeerde latente key/value-representaties tijdens inferentie. Daardoor kan de opgeslagen aandachtstoestand kleiner worden dan bij een conventionele aanpak.
- Engram werkt met conditioneel geheugen en een geheugenhiërarchie waarin bepaalde, statische kennis kan worden offloaded. Een deel van die informatie hoeft dan niet voortdurend in het geheugen van de versneller te staan.
- Compressed Sparse Attention (CSA) en Heavily Compressed Attention (HCA) zijn technieken die in de technische uitleg rond DeepSeek V4 worden gekoppeld aan het comprimeren van de KV-cache.
Het gemeenschappelijke doel is duidelijk: minder druk op het geheugen tijdens specifieke berekeningen. De technieken betekenen niet dat HBM overbodig wordt.
De gemelde cijfers gaan over inferentie, niet over alle HBM
Voor DeepSeek V4 worden cijfers genoemd van 10% van de KV-cache van DeepSeek V3.2 en 27% van de FLOPs voor inferentie van één token bij een context van één miljoen tokens. Die waarden hebben dus een specifieke modelvergelijking en werklast; ze zijn geen percentage voor de totale HBM-capaciteit van een datacenter.
Voor DeepSeek V4-Pro wordt daarnaast een verschil van 13,7× in geaccumuleerde KV-cache getoond bij een sequentielengte van 1.024K tokens. Ook dat is een KV-cachemaatstaf onder een specifieke conditie. Je kunt zo’n getal niet rechtstreeks vertalen naar 13,7× minder HBM-chips.
Een AI-versneller gebruikt geheugen voor veel meer dan de attention-cache alleen. Modelgewichten, activaties, communicatie tussen versnellers, batchgrootte en de gewenste doorvoer bepalen samen de uiteindelijke geheugenbehoefte. De winst op één onderdeel kan dus groot zijn zonder dat de totale hardwarevraag in dezelfde verhouding daalt.
Waarom minder geheugenbelasting niet hetzelfde is als minder HBM
Denk aan een magazijn. Een slimmere voorraadindeling kan ervoor zorgen dat er minder dozen tegelijk op de werkvloer staan. Dat verlaagt de druk op die ruimte, maar het zegt nog niets over het totale aantal dozen in het magazijn of over het aantal magazijnen dat nodig is wanneer de vraag stijgt.
Voor AI geldt iets vergelijkbaars. Engram kan bepaalde kennis naar een andere geheugenlaag verplaatsen. MLA en verwante aandachtstechnieken kunnen de hoeveelheid opgeslagen context verkleinen. Toch blijven modelgewichten, activaties en gegevensstromen onderdeel van de totale infrastructuur.
Ook de hardwarecontext doet ertoe. In een vergelijking tussen NVIDIA H100 en NVIDIA H800 wordt bijvoorbeeld een interconnectbandbreedte van respectievelijk 900 GB/s en 400 GB/s weergegeven. Software-optimalisatie kan helpen om beperkingen in de gegevensuitwisseling op te vangen, maar maakt de geheugen- en communicatie-eisen van AI-systemen niet ineens irrelevant.
Betekent dit dat DeepSeek geen HBM meer nodig heeft?
Nee. De beschreven technieken verminderen bepaalde vormen van geheugenbelasting en kunnen informatie offloaden, maar HBM kan nog steeds nodig zijn voor modelgewichten, activaties, attention-berekeningen, communicatie en AI-diensten met hoge doorvoer.
Kan efficiëntere AI de vraag naar geheugen juist verhogen?
Dat is mogelijk. De redenering achter de zogenoemde paradox van Jevons is dat een efficiëntere en goedkopere technologie zo veel meer gebruikt kan worden dat het totale verbruik stijgt. Voor AI zou goedkopere inferentie dus extra gebruik kunnen uitlokken. Dat is een plausibel scenario, geen vastgestelde marktuitkomst.
Wat de koersreactie wél zegt
De daling van Samsung Electronics en SK Hynix op 11 september 2026 maakt duidelijk dat beleggers het bericht over DeepSeeks geheugenefficiëntie als relevant voor de korte termijn zagen. De beweging bewijst op zichzelf niet dat DeepSeek de langetermijnfundamenten van de geheugensector heeft veranderd.
De uiteindelijke richting hangt af van een bredere rekensom: hoeveel geheugen een model per verzoek gebruikt, hoeveel verzoeken er volgen, welke modellen bedrijven uitrollen en hoeveel AI-capaciteit ontwikkelaars bouwen. Efficiëntie per inferentie is slechts één variabele — een belangrijke, maar geen magische schakelaar voor de hele HBM-markt.
De praktische conclusie is daarom nuchter: DeepSeek laat zien hoe modelarchitectuur de geheugenbelasting bij AI-inferentie kan verlagen. Het bewijst niet dat HBM verdwijnt of dat de wereldwijde vraag ernaar permanent afneemt.
