DeepSeek不必是救世主 | 以Agent為馬

去年，DeepSeek在春節前夕發布了R1模型，讓硅谷震撼，讓華爾街不安。它為中國大模型廠商重新埋頭研究與訓練驗證了路徑，也開啟了中國開源模型陣營狂飆突進的一年。

春節已經成為新的一年的前哨戰。近期，Kimi、智譜、MiniMax與豆包，都先后趕在春節前，發布自己的旗艦模型。外界不免揣測，它們都擔心一旦遲到，在品牌形象與市場競爭中都落后一程。

前沿模型“智能”水平排名

（按照ArtificialAnalysis，目前美國最強模型來自Anthropic，中國來自智譜）

如今，壓力給到了DeepSeek。市場期待它繼續成為春節的英雄，以及承擔中國AI生態的“救世主”角色。它該如何回應市場對它的期待，又或者，它必須回應嗎？

DeepSeek確實正在醞釀些什么。全新長文本模型結構測試正在中，支持最高100萬token上下文。它會是市場等待了DeepSeek-V4嗎？事實上，去年5月、8月、10月與12月，市場就這么期待過。最終，DeepSeek交付了DeepSeek-R1-0528、DeepSeek-V3.1、DeepSeek-V3.2-Exp與DeepSeek-V3.2。

期間，DeepSeek還嘗試了UE8M0 FP8、DSA、上下文光學壓縮、mHC與Engram等方向的探索。它們的核心思路之一就是“稀疏化”，讓“專家”、“精度”、“注意力”與“記憶”變得更為稀疏。人們相信在即將到來的V4上，能夠繼續找到這些改良的技術的影子。

然而，市場的聚光燈已經轉向智能體（AI Agent），更確切地說，是智能體化（Agentic AI）。后者開始追求自主決策、長期任務規劃、智能體間交互，以及端到端執行的新范式。Anthropic稱，AI已經能寫出90%的代碼，再往前一步，就是完成90%端到端的軟件工程（SWE）。火爆的OpenClaw讓人相信，在獲得足夠權限后，Agentic應用會變得多么強大與危險。

2026年的旗艦大模型，將主要是原生Agentic大模型。在美國，Anthropic的Claude Opus 4.6與OpenAI的GPT-5.3-Codex相繼上線，尤其是OpenAI推出1000token/秒的Codex-Spark，將編碼競爭推向白熱化。在國內，月之暗面的Kimi-K2.5、智譜的GLM-5、稀宇科技的MiniMax-M2.5，以及今天字節跳動的Doubao-Seed-2.0，都在宣傳自己的智能體能力。

其中，Kimi-K2.5引入了智能體集群（Agent Swarm）技術，并提出并行智能體強化學習（PARL），準確率更高，用時更少；GLM-5在編程能力上實現了與Claude Opus 4.5對齊，又提出異步智能體強化學習算法，使模型能夠持續從長程交互中學習，以極少的人工干預自主完成 Agentic 長程規劃與執行。MiniMax-M2.5則號稱是第一個不需要考慮使用成本可以無限使用的前沿模型，“1萬美元可以讓4個Agent連續工作一年”。

DeepSeek-V3.1早已宣告邁向Agent時代，但又會如何定義撲面而來的Agentic時代。它能否憑借推理效率、工具集成、記憶機制與極致經濟性，在落地體驗中再度確立新的標桿？

也許，DeepSeek未必還需要一個單獨的“R系列”。R象征推理與認知，對標OpenAI的o系列模型；而Agentic時代，更強調執行與工程，更需要對標OpenAI的Codex。DeepSeek原本就擁有Coder與Math系列模型，編碼與數理證明，都是通往AGI（通用人工智能）的“元能力”，它們二者共同構成模型的自我改進系統，加速遞歸式進化。

市場同樣期待DeepSeek繼續驗證國產算力生態協同的潛力。長期以來，它對此的探索主線，一直都是如何在有限的資源下通過架構創新，最大程度上地提升訓練與推理的效率。去年年底，DeepSeek-V3.2用新架構DSA，在長上下文場景中實現了端到端的顯著加速；今年年初，Engram的條件記憶有望“成為下一代稀疏大模型中不可或缺的基礎建模范式”。

OpenAI的Codex-Spark證明，響應速度至關重要，是創造價值的關鍵。它運行在Cerebras晶圓級引擎上，這又正是國內推理生態所缺乏的。DeepSeek能否用“算法”換“算力”，抹平這種硬件級別的差距？

而且，從算法上著手，精簡步驟，不僅能夠提升響應速度，尤其是部分必須高速精準響應的場景，還能夠減輕上下文的壓力。此前，中國開源模型常被詬病，“冗長思考”不受制約，消耗token過高，將逐步侵蝕成本優勢。此前，DeepSeek提到，會在未來的工作中，聚焦于提升模型推理鏈的智能密度，以改善效率。

比推理更重要的是訓練，預訓練仍然是后訓練的起點。英偉達的Blackwell架構正在成為美國AI基礎設施中的訓練主力，谷歌的TPUv7也將在Gemini 4的訓練中發揮關鍵作用。即使H200能盡快在國內部署，短期內中國大模型訓練的算力來源，也仍處于Hopper時代。目前，國內AI芯片廠商的性能敘事仍主要圍繞Hopper架構展開，而在大規模集群場景下的穩定性與綜合效率表現，尚未形成充分的實踐數據支持。

DeepSeek在論文中承認，由于訓練算力不足，DeepSeek-V3.2在世界知識的覆蓋廣度上，仍落后于領先的專有閉源模型。該團隊計劃在后續迭代中，通過擴大預訓練算力規模，來彌補這一知識差距。不必懷疑，當DeepSeek-V4發布的時候，國產AI芯片會Day0深度全棧適配；但市場更期待它的預訓練會基于國產AI芯片，并再一次改寫市場對英偉達敘事的定價。

人們欣賞DeepSeek精致的研究，市場也期待原生多模態的DeepSeek-V4。Gemini 3已經是原生支持文本、圖像、音頻和視頻輸入的大模型，Kimi-2.5也強調文本與視覺的聯合優化。要繼續對標谷歌、OpenAI，似乎DeepSeek必須有所動作。

但是，技術創新必須站在可驗證的物理邊界上，而不是情緒邊界上。芯片、能源、網絡，以及算法等整套生態，決定了算力的上限。而算力正在限制中國開源模型進一步追趕的后勁，在預訓練和后訓練方面已經表現出來。任何“算法樂觀主義”，在特定時間內，都只能在這個邊界內優化。而AGI更是一項系統工程，遠超單一大模型的參數規模或版本更新。

DeepSeek的使命是探索AGI。只做大模型是無法實現AGI的，尤其是只做語言大模型，它的局限性也越來越明顯。現在更接近現實的AGI形態，是知行合一的，它有認知能力、執行能力、長期約束、現實反饋閉環，等等。Claude大模型經常被中國的開源模型集體刷榜碾壓，但它的收入以每年十倍的速度增長，在編程這一通用功能領域的突破，為通往AGI開辟了一條蹊徑。

或許，真正長期主義的期待，是允許DeepSeek繼續深度求索，而不是讓市場的所有焦慮與愿望，都在某一個時刻集中投射到同一個名字之上。在公司創始人梁文鋒看來，創新就是昂貴且低效的，有時候伴隨著浪費，它需要盡可能少的干預和管理，讓每個人有自由發揮的空間和試錯機會。