一、Deepseek模型的回应

文件中提到的关于 DeepSeek 和 AI 大模型 的一些事实和观点。以下是对这些观点的分析和评价：

关于事实部分

1. DeepSeek 不是套壳或蒸馏美国的大模型




文件中明确指出 DeepSeek 不是套壳或蒸馏模型，而是基于 Transformer 架构进行了创新。这一点是可信的，尤其是文件中提到的技术细节（如 MoE、MLA、MTP 等）表明 DeepSeek 在架构和工程上进行了自主研发和优化。




2. 核心架构基于 Transformer，并进行了创新和工艺提升




文件中提到的技术细节（如 MoE、MLA、MTP、CoT 等）都是当前 AI 领域的前沿技术，且 DeepSeek 在工程实现上进行了优化。这些创新是合理的，尤其是在大模型训练和推理效率方面，确实需要结合多种技术手段来提升性能。




3. 训练成本并非宣传中的 550 万美元




文件中提到 DeepSeek 的训练成本被宣传为 550 万美元，但作者认为这种比较不够准确，因为前沿探路和算力成本的下降都会影响成本统计。这一点是合理的，尤其是在 AI 领域，训练成本的计算口径和实际投入的差异较大，不能简单地进行横向比较。

关于观点部分

1. DeepSeek 代表开源对闭源的胜利

这一观点有一定道理。开源模型（如 Meta 的 LLaMA 系列）确实在推动 AI 社区的繁荣，而 DeepSeek 作为开源模型的一部分，可能会进一步推动开源生态的发展。然而，开源和闭源的竞争是长期的，闭源模型（如 OpenAI 的 GPT 系列）在商业化应用和前沿探索上仍然具有优势。




2. OpenAI 的路径简单粗暴，但未来可能再次拉开差距

这一观点是合理的。OpenAI 的“大力出奇迹”策略（通过大规模算力和数据投入）确实取得了显著成果，但随着技术的进步，开源模型可能会逐渐缩小差距。不过，OpenAI 在商业化应用和前沿探索上的优势仍然存在，未来是否再次拉开差距取决于技术进步的速度和方向。




3. DeepSeek 让开源模型与闭源模型一样好

这一观点有一定道理，但需要谨慎看待。开源模型（如 DeepSeek）在性能和效率上确实取得了显著进展，但闭源模型在商业化应用和前沿探索上仍然具有优势。开源模型的优势在于可定制性和私有部署，但在某些复杂任务上，闭源模型可能仍然表现更好。




4. 基础大模型终将商品化

这一观点是合理的。随着技术的成熟，基础大模型可能会逐渐商品化，竞争的重点将转向如何将模型与具体应用场景结合（toB 领域）以及如何获取流量入口（toC 领域）。这也是当前 AI 产业发展的趋势。




5. 对算力的需求不会下降




这一观点是合理的。随着模型规模的扩大和应用场景的复杂化，对算力的需求只会增加。类似 Jevons 悖论，效率的提高可能会进一步推动算力需求的增长。




6. 对数据的需求不会降低




这一观点是合理的。数据是 AI 模型的“燃料”，随着算法的进步，对高质量数据的需求只会增加。尤其是在复杂任务和长尾场景中，数据的重要性更加凸显。

总结：

文件中的观点大部分是合理的，尤其是在技术细节和行业趋势的分析上，反映了当前 AI 领域的一些重要动态。然而，需要注意的是，AI 领域的发展速度非常快，未来的竞争格局可能会发生变化。开源和闭源的竞争、算力和数据的需求、以及模型商品化的趋势，都是当前 AI 产业的核心议题。

二、OpenAI模型的回应

文件内容提到了一些关于 DeepSeek 的技术特点和市场影响的观点。以下是对主要观点的分析：

技术层面

1. 创新与优化

观点：DeepSeek 使用了混合专家模型（MoE）、多头潜注意力（MLA）等技术，提升了效率和推理能力。




分析：这些技术在学术界确实已有相关研究支持，例如 MoE 和 MLA 能显著提升大规模模型的效率，但需要高水平的工程优化。DeepSeek在多个层面进行了整合和优化，这是一种非常实用的创新策略。




2. 训练成本

观点：DeepSeek 将成本压缩到 1/3，是 OpenAI 成本的 1/20。

分析：相比 Meta 和 OpenAI 的探索性尝试，后发模型确实可以通过吸取经验降低成本。不过，具体成本对比可能受统计口径和硬件成本下降影响，应谨慎对待绝对值的比较。




3. 不依赖监督微调（SFT）

观点：强化学习（RL）被用于训练 R1-Zero 模型，探索模型自主推演能力。




分析：RL 已被证明在强化推理和策略制定中有效，但完全不依赖 SFT 可能会影响特定任务的性能。此举更像是一种研究尝试。

市场层面

1. 开源胜利




观点：DeepSeek 展示了开源的优势，并可能推动开源模型的繁荣。




分析：开源社区的协作性确实是快速改进模型的重要力量，但也需注意开源与闭源模型在安全性、质量控制方面的权衡。




2. 算力与数据需求




观点：算力和数据需求不会降低，反而可能持续增长。




分析：这与实际趋势一致。算力与数据在 AI 模型中的重要性不会降低，尤其是随着模型规模和应用场景的扩展。




3. 模型商品化




观点：基础模型将逐渐商品化，toB 领域关注生产效率，toC 领域关注流量入口。




分析：此观点与行业趋势一致。AI 应用的核心竞争力正在从基础模型转向行业定制化和实际落地能力。

结论

大部分观点是基于当前学术研究和产业实践得出的，具有一定的可信度。不过：

• 训练成本对比需谨慎解读，因为统计口径差异较大。

• 不依赖监督微调的训练方法虽然有研究价值，但在实际应用中可能存在局限性。

三、全文总结

综上所述，无论是Deepseek还是OpenAI两家大模型都认同，DeepSeek 通过创新技术和工程优化，在开源大模型领域取得了显著进展，并在成本、效率以及技术开放性上展示了独特的优势。然而，开源与闭源的竞争并非一朝一夕能够分出胜负，未来的格局将取决于技术进步、商业化能力以及行业应用的落地速度。

展望2025，基础大模型的商品化趋势将加速，竞争焦点将从模型本身转向应用场景的深度结合与服务模式的创新。同时，算力与数据需求的增长将继续推动产业变革，对资源整合与创新能力提出更高要求。可以预见，AI 的未来不仅属于技术领先者，也属于能够有效平衡技术、商业与生态的开拓者。

硅谷科技评论（SVTR.AI），在ChatGPT问世之际，创立于美国硅谷，依托#AI创投库、#AI创投会、#AI创投营 和风险投资，打造全球前沿科技（AI）创新生态系统。联系凯瑞（pkcapital2023），加入我们，共创未来。点击文末阅读原文，访问SVTR.AI，发现更多机会与内容！