DeepSeek真能超越美國AI界？_風聞

本文來自微信公眾號：壹番財經（ID：finance_yifan），文|鄭亦久。

在AI大模型的演進似乎放緩甚至陷入停滯的2025年初，國產大模型DeepSeek的橫空出世，重新點燃了整個行業的激情。

它不僅在多項標準評測中展現出驚人的性能，更通過開源策略獲得了廣泛的社區支持。一時間，全球媒體、行業專家、甚至是機構投資人紛紛給予高度評價，而這些反饋傳回國內之後有人將其譽為“國產AI的里程碑”，更有甚者將其與“國運”掛鈎，於是DeepSeek瞬間形成破圈之勢，並直接登頂微博熱搜第一位。

微博截圖

然而，在這片讚譽聲中，往往更需要保持清醒的認識。

畢竟在AI領域，我們已經目睹過太多曇花一現的“明星產品”，它們在短暫的光環過後，要麼被市場淘汰，要麼被證明徒有其表。

對於DeepSeek的評價，既要看到它確實展現出的技術路線創新，更要考量其路徑實現背後的原理以及侷限，更重要的是當前這個AI幾乎以日新月異的發展階段，我們應該以什麼樣的心態來看待技術創新。

01 DeepSeek憑啥能讓美國AI界抖一抖？

DeepSeek最先引發熱潮是在美國，其更是在近期一舉反超ChatGPT，一舉登頂美區蘋果應用商店免費App排行第一，整個硅谷和AI界都對這款產品發出了極強好奇心。

蘋果應用商店免費App排行榜

毫無疑問，DeepSeek最近發佈的DeepSeek-R1模型在AI領域掀起了一場技術革新的風暴。這款開源推理大語言模型基於DeepSeek V3混合專家模型開發，在數學、編程和推理任務上達到了與OpenAI的前沿推理模型o1相媲美的性能，而訓練成本卻降低了90-95%。

這一突破不僅展示了開源模型在向AGI邁進的過程中正在快速追趕封閉的商業大模型，更重要的是揭示了一種全新的AI訓練範式。

DeepSeek的技術創新主要體現在以下幾個方面：

首先是模型訓練效率的突破性提升。

DeepSeek V3僅使用了2788K H800訓練時長(約合560萬美元成本)就達到了接近GPT-4的水平，這一數字之低令業界震驚。更重要的是，他們採用了“AI訓練AI”的創新方法：使用R1模型生成合成數據來提升V3的能力。

DeepSeek V3測評

其次是在純強化學習方面的開創性嘗試。

DeepSeek實際上開發了兩個R1模型：公開的R1和更具突破性的R1-Zero。R1-Zero的特別之處在於它完全摒棄了傳統的“基於人類反饋的強化學習”(RLHF)方法，而是採用純強化學習方式。他們給模型設置了兩個獎勵函數：一個用於判斷答案的正確性，另一個用於評估思維過程的合理性。這種方法讓模型能夠同時嘗試多個不同的答案，並通過這兩個獎勵函數進行評分。

在這個自主學習的過程中，研究人員觀察到了一個有趣的現象，他們稱之為“醍醐灌頂”時刻。就像人類在解決難題時突然開竅一樣，AI模型在訓練過程中學會了一種全新的思考方式：它會停下來重新思考問題，不急於得出結論。這個發現告訴我們，只要給AI足夠的學習空間和正確的目標，它就能自己發展出複雜的思維能力，不需要人類事無鉅細地教導。

然而，這種完全自主學習的AI雖然聰明，但它的思考方式對人類來説很難理解。就像一個天才學生用自創的方法解題，雖然答案正確，但老師和同學都看不懂他的解題過程。為了解決這個問題，DeepSeek開發了更實用的R1模型。他們先教會AI用人類容易理解的方式來表達思路，然後再讓它自主學習和提升。這個過程就像是在保持天才創造力的同時，教會他如何清晰地表達自己的想法。

圖源：網絡

此外，在知識傳遞結構方面。

DeepSeek發現了一種讓小型AI模型快速進步的方法：用更強大的AI來給它們上課。這就像是讓一位資深教授來培養年輕教師，效果往往比讓年輕教師自己摸索要好得多。此發現非常重要，因為它為解決AI普及過程中的成本問題提供了新思路。最令人驚喜的是，通過該方法訓練出的小型模型，在某些數學測試中居然表現得比一些超大型AI還要好。

這些創新成果確實令人振奮，尤其是在效率提升和成本降低方面的突破，為AI技術的進一步普及帶來了新的可能。

但在為這些成就歡呼之前，也許還需要更多冷靜的思考：這些創新是否真的如表面看起來那麼完美？DeepSeek的發展路徑是否真的可持續？同時，在技術快速迭代的AI領域，或許更應該退後一步以理性和務實的態度來評估這些新突破。

02 AI需要祛魅，別再迷信一時造“新神”

在肯定DeepSeek成就的同時，我們也要清醒地認識到其侷限性。

Meta AI研究部門FAIR的首席科學家楊立昆最近對此提出了一個深刻的觀點：當人們看到DeepSeek的出色表現就認為“中國在AI領域超越了美國”時，這其實是一種誤讀。正確的理解應該是“開源模型正在超越閉源專有模型”。

他指出，DeepSeek的成功很大程度上得益於開源研究和開源社區，如來自Meta的PyTorch和Llama，他們是在其他人的工作基礎上提出新想法並構建的。正是因為這些工作都是公開發布和開源的，所以每個人都能從中受益——這正是開源研究和開源精神的力量所在。

這一評論其實真正道出了關鍵。以DeepSeek最新的模型蒸餾實踐為例，其將蒸餾後的Llama模型以MIT許可證發佈，實際上違反了Llama的原始許可協議。

DeepSeek模型蒸餾實踐

Meta推出的Llama大模型雖然是“開源”的，但並非像MIT許可證那樣完全無限制，DeepSeek無權單方面改變這一許可條款。此問題不僅暴露出DeepSeek在知識產權管理和商業合規性方面的不足，更反映出其發展很大程度上依賴於開源社區的貢獻。

此外，雖然DeepSeek在技術層面確實有創新，但這些創新大多是在現有技術框架下的優化和改進，而非根本性的突破。

放眼整個AI領域的發展歷程，真正的技術革新往往來自於對基礎理論的突破和新範式的創立。從這個角度來看，DeepSeek的創新還停留在路徑“改良”層面，距離真正的技術突破還有很長的路要走。

其次，在實際應用層面，DeepSeek還面臨着諸多挑戰。

大語言模型的商業化不僅需要過硬的技術實力，更需要考慮系統穩定性、數據安全、成本效益等多個維度。目前DeepSeek還缺乏大規模商業應用的驗證，其在複雜實際場景中的表現還有待檢驗，像是最近兩天因為熱度持續攀升，開始有更多普通用户湧入後，光是27號這一天裏就已經多次出現服務宕機的情況。

DeepSeek App截圖

而如今AI產品的一大營收來源其實還是企業級應用，在這一場景中穩定性和可靠性的要求往往比簡單的性能指標更為重要。

從產業發展的角度來看，當前AI領域已經進入深度競爭階段。領先企業不僅在技術上持續投入，更在積極構建完整的生態系統。

相比之下，DeepSeek還顯得有些單薄。僅靠開源策略和技術創新，很難在激烈的市場競爭中建立持續的優勢。如何將技術優勢轉化為市場競爭力，如何建立可持續的商業模式，這些都是DeepSeek亟待解決的問題。

與此同時，DeepSeek這一系列方法本身也被反饋到了開源社區中，顯然後續還會有更多公司基於其技術和理論進一步向前發展。

更重要的是，我們需要重新思考對AI技術創新的態度。

在當前AI發展的熱潮中，過度追捧某個特定產品或技術方案是非常危險的信號。技術發展是一個漸進的過程，需要在不斷試錯和改進中尋找最優解。過高的期待不僅可能給企業帶來不必要的壓力，還可能誤導整個行業的發展方向。

圖源：網絡

正如DAIR.AI創始人Elvis所説的：“所有對DeepSeek-R1的陰謀論和過度解讀都令人尷尬。我們應該回歸DeepSeek-R1的學術和 AI 應用，從研究者的角度看到強化學習的價值，從開發者的角度看到更強的模型能力和本地模型場景。

而不是讓這些虛假的敍事矇蔽了你的眼睛，使你錯過了DeepSeek-R1所能帶來的價值和機遇。開源研究和開源精神依然蓬勃發展。”

這或許才是面對創新真正理性且審慎的態度——給予技術成長必要的時間和空間並專注於技術本身，而非在某種不知所以然的盲目對比中輕言勝負已分，或是將一次細分領域的技術演進與某種宏大敍事強行綁定。

圖源：網絡

對於DeepSeek而言，通過站在前人積累之上做出技術決策實現創新，本身就證明了其能力和價值。當下，整個開源社區的正面回應也肯定了這一正反饋的可行性。之後，其需要做的則是進一步拓寬其技術的衍生並不斷深化研究成果。

站在更宏觀的角度而言，DeepSeek則更多證明了AI技術的競爭與創新尚未迎來終局。

整個行業的創新也絕非僅僅通過囤積算力、無限資金就能完全形成壁壘。這也為更多中小型創業公司重新點燃了希望，畢竟誰也不希望AI行業早早變成如互聯網行業一樣“贏家通吃”的垃圾時間。