DeepSeek是否破解了大模型的“魔咒”？

文｜道总有理

在新的一年里，DeepSeek成为了全球科技界的焦点。自从它上线以来，已经在AI产业链上引发了不少波澜，无论是OpenAI还是英伟达，大家的震惊似乎都在证明DeepSeek的成功。

说到DeepSeek的表现，真的是值得一提。数据显示，在发布后的五天内，它的日活跃用户量已经超过了ChatGPT，而上线20天后，这个数字更是突破了2000万，达到ChatGPT的23%。目前，DeepSeek的增速让它成为全球最快的AI应用。

在国外的一众AI公司感到难以置信的同时，国内的AI行业却热闹非凡。现在，阿里云、百度云、腾讯云和字节火山引擎等都已经正式支持DeepSeek，同时，百度昆仑芯、天数智芯和摩尔线程也接连宣布支持DeepSeek模型。

这标志着在全球AI竞争中，国产厂商终于迈出了重要一步。DeepSeek的出现，是否意味着长期以来的大模型行业终于突破了一些固有的障碍呢？有些关键细节其实还有待深入探讨。

DeepSeek的火爆是偶然吗？

围绕DeepSeek的主要争议，似乎都指向一个问题：它是否真的在大模型技术上实现了突破。早在DeepSeek宣布其模型训练成本只有行业的十分之一时，就有很多声音质疑，认为它可能是通过大幅削减模型参数，或者依靠其母公司幻方早早积累的低成本算力来实现的。

从某种角度看，这些质疑并非空穴来风。

一方面，DeepSeek在缩减模型参数方面的做法确实引人注目；另一方面，幻方在算力储备上也确实有其优势。众所周知，幻方是BAT之外唯一能够储备超过万张A100芯片的企业，2023年的报道显示，国内能囤积超过1万枚GPU的企业不超过五家，而幻方正是其中之一。

值得注意的是，无论是参数规模的缩减，还是算力的创新争议，都无法否认DeepSeek“小力出奇迹”策略的实际意义。首先，DeepSeek-R1在仅有1.5亿参数（1.5B）的情况下，在数学基准测试中取得了79.8%的成功率，超越了GPT-4等大模型。

其次，轻量化模型在推理能力和性能方面表现更为出色，训练和运行的成本也显著降低。DeepSeek以仅需1/50的价格提供了类似于GPT-4的性能，迅速在中小企业和个人开发者中占据了一席之地。

至于幻方对DeepSeek的支持，可以说这不仅仅是资本的偶然，而是国产大模型发展的必然。值得注意的是，幻方量化是国内首批进入大模型领域的公司之一，早在2017年就宣称要实现投资策略的全面AI化。

2019年，幻方量化成立了AI公司，自研的深度学习训练平台“萤火一号”投资近2亿元，搭载了1100块GPU；两年后，“萤火二号”的投入增至10亿元，搭载约1万张英伟达A100显卡。

到了2023年11月，DeepSeek的首个开源模型DeepSeek-Coder发布。这意味着，引起国际科技巨头关注的DeepSeek并不是一蹴而就的产品，而是国产AI厂商在大模型布局中必经的一步。

不可否认的是，目前国内已经具备了孕育“DeepSeek”的条件。公开资料显示，国内人工智能相关企业已超过4500家，核心产业规模接近6000亿元人民币，正在形成一个完整的AI生态系统。

在芯片、算法、数据、平台和应用等方面，我国以大模型为代表的人工智能普及率已达到16.4%。

当然，DeepSeek在技术路径上的依赖风险始终存在，这也让它的成功多了一丝偶然的成分，尤其是“数据蒸馏技术”遭遇了不少质疑。事实上，DeepSeek并不是第一个使用数据蒸馏的大模型，“过度蒸馏”甚至是当前AI赛道的一大矛盾。

中科院、北大等多家机构曾指出，除了豆包、Claude和Gemini，大部分开源或闭源的LLM蒸馏程度过高。过度依赖蒸馏可能会导致基础研究的停滞，进而降低模型之间的多样性。上海交通大学的教授也表示，蒸馏技术无法解决数学推理中的根本性挑战。

总的来说，这些种种都在逼迫DeepSeek和整个国产大模型赛道不断进行自我验证。或许，未来还会出现第二个“DeepSeek”，从现实来看，DeepSeek的成功更多是必然而非偶然。

“开源时代”是不是要来了？

值得关注的是，DeepSeek的成功又一次在全球科技界引发了关于开源与闭源的激烈讨论。Meta的首席科学家杨立昆在社交媒体上表示，这并不是中国在追赶美国，而是开源在追赶闭源。

提到开源模型，不得不回顾2023年Meta的一次源代码泄露事件。当时，Meta顺势发布了LLama 2的开源可商用版本，瞬间在大模型领域掀起了一阵开源热潮，国内的悟道、百川智能和阿里云等纷纷投身开源大模型的浪潮。

根据Kimi chat的统计，2024年开源大模型品牌超过10个。2025年初不足两个月，除了火热的DeepSeek，参与开源的公司不胜枚举。

据说在1月15日，MiniMax开源了两个模型，一个是基础语言大模型MiniMax – Text – 01，另一个是视觉多模态大模型MiniMax – VL – 01；同时，NVIDIA也开源了自己的世界模型，分别有三个型号：NVIDIA Cosmos的Nano、Super和Ultra；1月16日，阿里云通义也开源了一个7B的数学推理过程奖励模型。

从2023到2025，经过无数AI人才的争论，大模型的“开源时代”真的要来了吧？

可以明确的是，相较于闭源模式，开源模型凭借其开放性在短时间内能够吸引大量关注。公开资料显示，LLama 2发布时，其在Hugging Face的检索结果就超过6000个，而百川智能的两款开源大模型在当年9月的下载量更是超过了500万。

其实，DeepSeek的迅速崛起与其开源模式密不可分。2月的统计显示，接入DeepSeek系列模型的企业数不胜枚举，云服务商、芯片厂商以及应用端企业都纷纷参与。当前AI需求旺盛，大模型的开源似乎更能推动AI生态的形成。

不过，大模型赛道开源与否，还需要进一步探讨。

虽然Mistral AI和xAI都是开源的支持者，但它们的旗舰模型目前却是封闭的。国内大多数厂商也是一手闭源、一手开源，像阿里云和百川智能这样的例子比比皆是，甚至李彦宏一度也是闭源模式的坚定支持者。

原因其实很简单。一方面，在全球科技领域，开源AI公司并不受资本青睐，反而是闭源AI企业在融资上更具优势。数据显示，自2020年以来，全球闭源AI初创公司融资已达到375亿美元，而开源AI仅获得149亿美元，这对资金需求巨大的AI企业来说，差距明显。

另一方面，开源AI的定义在近年来变得愈加复杂。2024年10月，全球开放源代码促进会发布了开源AI的定义1.0版本，其中指出，AI大模型若要被视为开源，需具备三个要点：训练数据透明性、完整代码和模型参数。

按照这个定义，DeepSeek可能就不算真正意义上的开源，可能只是为了迎合短期的市场需求。而在国际上，《Nature》的一篇文章也指出，很多科技巨头声称他们的AI模型是开源的，实际上并不完全透明。

最近，受到冲击的奥尔特曼首次承认OpenAI的闭源“是一个错误”，或许，跟着DeepSeek的热潮，AI界的一场“口水战”又将拉开序幕。

算力的大规模投入是否会“暂停”？

这段时间，许多沉迷于囤积算力的AI企业因DeepSeek的横空出世而受到嘲讽，像英伟达这样的算力供应商股价也大幅下跌。说实话，DeepSeek确实在某些方面带来了新的突破，缓解了一部分对“垄断诅咒”的焦虑。

但是，全球大模型赛道对算力的需求依然不容忽视，甚至DeepSeek自身也未必能暂停算力的投入。

算力大战：DeepSeek的挑战与未来

首先得说，DeepSeek现在主要能做的就是文字问答、图文识别和文档阅读，至于图片、音频和视频生成这块儿，暂时还没涉及。尽管如此，它的服务器却快撑不住了。如果未来想要扩展到其他领域，算力需求肯定会暴涨，尤其是生成视频的模型和处理语言的模型之间，算力需求差距大得惊人。

根据公开资料，OpenAI的Sora视频生成模型所需的算力，训练和推理的需求分别是GPT-4的4.5倍和近400倍。可以想象，从语言处理到视频生成的转变，算力需求差距之大。而随着各种超级算力场景的出现，算力建设的必要性只会越来越明显。

数据显示，从2010年到2023年，AI的算力需求翻了好几万倍，远远超出了摩尔定律的预期。展望2025年，OpenAI计划推出首个AI Agent产品Operator，这可能会引发超级算力场景的崛起，这对于算力建设的未来至关重要。

目前，大模型的发展被划分为五个阶段：L1是语言能力、L2是逻辑能力、L3是使用工具的能力、L4是自我学习能力、L5是探索科学规律。而Agent正处于L3阶段，并已开始探索L4的自我学习能力。

根据Gartner的预测，到2028年，全球15%的日常工作决策将通过Agentic AI完成。如果大模型的发展如预期般快速推进，从L1到L5，各大AI公司对算力的投入自然会更加重视。

那么，L3阶段的算力需求到底有多大呢？

巴莱克银行在2024年10月的报告中提到，假如到2026年消费者的人工智能应用能突破10亿日活跃用户，且Agent在企业业务中的渗透率超过5%，那所需的算力至少要达到142B ExaFLOPs（约合150万亿P），这样才能生成五千万亿个token。

尽管超级应用的时代还没到来，但在目前这个竞争激烈的大模型赛道上，没有哪家企业愿意掉队。像微软、谷歌、亚马逊、Meta、字节跳动、阿里巴巴、腾讯和百度这些国内外的AI巨头们，恐怕会继续加大投入，以赌未来的成功。

此外，DeepSeek最为人称道的就是它成功绕过了“芯片瓶颈”。

不过，算力产业的基础设施是至关重要的，相同的投入下，优质的基础设施往往能带来更高的算力效率与商业回报。《2025年算力产业十大趋势》指出，以GPT-4为例，不同硬件配置下的性能差异显著。比如，使用GB200 Scale-Up 64配置的盈利能力，是H100 Scale-Up 8配置的6倍。

DeepSeek的服务器频频崩溃，似乎在暗示着大模型赛道的算力争夺战依然没有结束。预计到2025年，英伟达的下一代GPU GB300将会出现多个关键的硬件规格变化，而国内的AI芯片国产化进程也在快速推进。

种种迹象表明，算力的建设依然是个长期的任务，反而愈加激烈。