大模型的“詛咒”被DeepSeek破除了嗎？

新一年的全球科技圈，主角儼然是DeepSeek。從發布以來，DeepSeek在整個AI產業鏈上引發一系列連鎖反應，無論是OpenAI，還是英偉達，其明顯的震驚似乎皆驗證著DeepSeek已奇襲成功。

而DeepSeek的初步表現也的確可圈可點，數據顯示，上線5天DeepSeek日活躍用戶已超過ChatGPT，上線20天的日活達2000萬人次以上，已是ChatGPT的23%。當前，DeepSeek成為全球增速最快的AI應用。

在海外一眾AI玩家不可置信的同時，國內AI領域一片“鑼鼓喧天”：截至目前，阿里云、百度云、騰訊云、字節火山引擎均已正式支持DeepSeek；同時，百度昆侖芯、天數智芯、摩爾線程接連宣布支持DeepSeek模型。

這也標志著全球AI競速賽中，國產廠商終于又跨出了一步。而DeepSeek的出現，是否為僵化已久的大模型行業破除了一些傳統“詛咒”，很多至關重要的細節，其實還值得進一步深究。

DeepSeek出圈是“偶然性”的嗎？

縱觀當前圍繞DeepSeek的幾大主要爭議，似乎每一點都指向同一個問題：DeepSeek是否真的實現了大模型的技術突破。早在DeepSeek公布其模型訓練成本僅為行業1/10時，就有聲音質疑，DeepSeek是通過大幅縮減模型參數規模，或依賴母公司幻方早期囤積的廉價算力實現的。

從某種角度來看，這些質疑有跡可循。

一方面，DeepSeek在縮減模型參數規模方面的“激進”有目共睹，另外一方面，DeepSeek背后的幻方確實有一定的算力儲存。據悉，幻方是BAT之外唯一能夠儲備萬張A100芯片的公司，有報道在2023年就曾公布過國內囤積超過1萬枚GPU的企業不超過5家。

幻方就是其中之一。

但值得一提的是，無論是模型參數規模的縮減，還是算力創新爭議都無法否定DeepSeek“小力出奇跡”打法的實質意義。首先，DeepSeek-R1在參數量僅為1.5億（1.5B）的情況下，在數學基準測試中以79.8%的成功率超越GPT-4等大模型。

其次，輕量化模型天然在推理能力與性能方面表現更出彩，訓練和運行成本也更低。據悉，DeepSeek以僅需1/50的價格提供了GPT-4類似的性能，在中小型企業和個人開發者中搶奪了一定的市場地位。

至于幻方對DeepSeek的加成，與其說是一場資本的偶然游戲，不如說是國產大模型成長的必然結果。值得注意的是，幻方量化算是國內第一批闖入大模型賽道的企業，早在2017年，幻方就宣稱要實現投資策略全面AI化。

2019年，幻方量化成立AI公司，其自研的深度學習訓練平臺“螢火一號”總投資近2億元，搭載了1100塊GPU；兩年后，“螢火二號”的投入增加到10億元，搭載了約1萬張英偉達A100顯卡。

2023年11月，DeepSeek 的首個開源模型 DeepSeek-Coder發布。也就是說，這個引起海外科技巨頭集體破防的DeepSeek不是一夜之間的產物，而是國產AI廠商在大模型布局中早晚要走的一步。

不可否認，當前國內已具備培育“DeepSeek ”的客觀條件。公開資料顯示，一個全面的人工智能體系正在各方資本的追捧下誕生，國內人工智能相關企業超過4500家，核心產業規模接近6000億元人民幣。

芯片、算法、數據、平臺、應用……我國以大模型為代表的人工智能普及率達16.4%。

當然，DeepSeek的技術路徑依賴風險始終存在，這也讓DeepSeek的出圈多了一絲偶然，尤其“數據蒸餾技術”不斷遭受重重質疑。事實上，DeepSeek并非第一個使用數據蒸餾的大模型，“過度蒸餾”甚至是當前人工智能賽道的一大矛盾。

來自中科院、北大等多家機構就曾指出，除了豆包、Claude、Gemini之外，大部分開/閉源LLM蒸餾程度過高。而過度依賴蒸餾可能會導致基礎研究的停滯，并降低模型之間的多樣性。上海交通大學也有教授表示，蒸餾技術無法解決數學推理中的根本性挑戰。

總而言之，這些都在反逼DeepSeeK乃至整個國產大模型賽道繼續自我驗證，或許，國內還會誕生第二個“DeepSeek”，從現實的角度來看，DeepSeek成功的必然遠遠大于偶然。

“開源時代”要來臨了嗎？

值得注意的是，相比于技術之爭，DeepSeek也再度引發了全球科技圈對開源、閉源的激烈論證。Meta首席科學家楊立昆還在社交平臺上表示，這不是中國在追趕美國，而是開源在追趕閉源。

談及開源模型，還要追溯到2023年Meta的一場源代碼泄露風波。彼時，Meta順水推舟發布了LLama 2開源可商用版本，頓時在大模型賽道掀起開源狂潮，國內諸如悟道、百川智能、阿里云紛紛進入開源大模型領域。

根據Kimi chat統計，2024年全年開源大模型品牌超過10個。2025年開年不足兩個月，除了大火的DeepSeeK之外，參與開源者數不勝數。

據悉，1月15日，MiniMax開源了兩個模型。一個是基礎語言大模型MiniMax - Text - 01，另一個是視覺多模態大模型MiniMax - VL - 01；同時，NVIDIA也開源了自己的世界模型，分別有三個型號：NVIDIA Cosmos的Nano、Super和Ultra；1月16日，阿里云通義也開源了一個數學推理過程獎勵模型，尺寸為7B。

從2023年到2025年，無數AI人才爭論不休后，大模型的“開源時代”終于要來了嗎？

可以確定的一點是，比起閉源模式，開源模型能在短時間內憑借其開放性獲得大量關注。公開資料顯示，當年在“LLama 2”發布之初，其在Hugging Face檢索模型就有超6000個結果。百川智能方面則顯示，旗下兩款開源大模型在當年9月份的下載量就超過500萬。

事實上，DeepSeek能快速走紅與其開源模式分不開關系。2月統計顯示，當前接入DeepSeek系列模型的企業不計其數，云廠商、芯片廠商、應用端企業皆來湊了把熱鬧。在AI需求鼎盛的當前，大模型開源似乎更能促進AI生態化。

但大模型賽道開源與否，其實還有待商榷。

Mistral AI、xAI雖然都是開源的支持者，但它們的旗艦模型目前都是封閉的。國內大部分廠商基本也是一手閉源，一手開源，典型的例子如阿里云、百川智能，甚至李彥宏一度是閉源模式的忠實擁躉。

原因并不難猜測。

一方面，在全球科技領域里開源AI公司都不受資本歡迎，反而是閉源AI企業在融資方面更有優勢。數據統計顯示，從2020年以來，全球閉源 AI 領域初創公司已完成 375 億美元融資，而開源類型的 AI 公司僅獲 149 億美元融資。

這對花錢如流水的AI企業而言，其中的差距不是一星半點。

另外一方面，開源AI的定義在這兩年愈發復雜。2024年10月份，全球開放源代碼促進會發布關于“開源AI定義”1.0版本，新定義顯示，AI大模型若要被視為開源有三個要點：第一，訓練數據透明性；第二，完整代碼；第三，模型參數。

基于這一定義，DeepSeek就被質疑不算真正意義上的開源，只是為了迎合短期聲勢。而在全球范圍內，《Nature》的一篇報道也指出，不少科技巨頭宣稱他們的AI模型是開源的，實際上并不完全透明。

前幾日，受到“打擊”的奧爾特曼首次正面承認OpenAI的閉源“是一個錯誤”，或許，趕著DeepSeek的熱度，一場AI界的“口水大戲”又要拉開序幕。

大規模的算力投入即將“暫停”？

這段時間，不少沉迷囤積算力的AI企業因DeepSeek的橫空出世遭到冷嘲熱諷，英偉達這類算力供應商還在股價上跌了一個巨大的跟頭。坦白來說，DeepSeeK在某些方面的確帶來了新的突破，尤其在“壟斷詛咒”上，緩解了一部分焦慮。

但全球大模型賽道的算力需求依舊不可忽視，甚至DeepSeeK自身都未必能暫停算力投入。

需要注意的是，DeepSeek目前僅支持文字問答、讀圖、讀文檔等功能，還未涉及圖片、音頻和視頻生成領域。即便這樣，其服務器還困在崩潰的邊緣，而一旦想要改變形式，算力需求則會呈爆炸式增長，視頻生成類模型與語言模型之間的算力需求差距甚大。

公開數據顯示，OpenAI的Sora視頻生成大模型訓練和推理所需要的算力需求分別達到了GPT-4的4.5倍和近400倍。從語言到視頻之間的跨度尚且如此之大，隨著各種超級算力場景的誕生，算力建設的必要性只增不減。

數據顯示，2010年至2023年間，AI算力需求翻了數十萬倍，遠超摩爾定律的增長速度。進入2025年，OpenAI發布了首個AI Agent產品Operator，大有要引爆超級算力場景的趨勢，這才是關系算力建設是否繼續的關鍵。

據悉，當前大模型發展定義總共分為五個發展階段：L1 語言能力、L2 邏輯能力、L3 使用工具的能力、L4 自我學習能力、L5 探究科學規律。而Agent位于L3 使用工具能力，同時正在開啟對L4的自我學習能力的探索。

根據Gartner預測，到2028年，全球將有15%的日常工作決策預計將通過Agentic AI完成。如果大模型賽道按照規劃預想地一路狂奔，從L1到L5，全球各大AI企業對算力的建設更加不會忽視。

到L3階段，算力需求大概會是多少？

巴萊克銀行在2024年10月份的一則報告中預測過，到2026年，假如消費者人工智能應用能夠突破10億日活躍用戶，并且Agent在企業業務中有超過5%的滲透率，則需要至少142B ExaFLOPs（約150,000,000,000,000 P）的AI算力生成五千萬億個token。

即便超級應用階段的到來還遙遙無期，在目前大模型賽道加速淘汰的激烈戰場上，也沒有一家企業甘愿落后一步。微軟、谷歌、亞馬遜、Meta、字節跳動、阿里、騰訊、百度……這些海內外的AI巨頭只怕會繼續花錢賭未來。

另外，DeepSeek最為人稱道的莫過于繞開了“芯片大關”。

然而，作為算力產業的基石，相同投入下，優質的算力基礎設施往往會提供更高的算力效率與商業回報。《2025年算力產業十大趨勢》中提到過，以GPT-4為例，不同硬件配置下其性能會發生顯著差異。對比H100和GB200等不同硬件配置驅動GPT-4的性能，采用GB200 Scale-Up 64配置的盈利能力是H100 Scale-Up 8配置的6倍。

DeepSeek一問三崩的服務器，或許暗示著大模型賽道的“追芯”游戲在算力角逐環節中遲遲未能結束。據悉，2025年，英偉達下一代GPU GB300可能會出現多個關鍵硬件規格變化，而國內的AI芯片國產化進程也星夜兼程。

種種跡象顯示，辛苦的算力建設一時半會無法停止，反而更卷了。

道總有理，曾用名歪道道，互聯網與科技圈新媒體。本文為原創文章，謝絕未保留作者相關信息的任何形式的轉載。