2月10日至11日，巴黎舉辦了人工智能（AI）行動峰會。《紐約時報》稱，與過去一個月的所有AI活動一樣，巴黎AI峰會上充滿了關于中國人工智能企業(yè)深度求索（DeepSeek）的討論，這家中國公司以其強大的推理模型震驚了世界。據(jù)《財經(jīng)》雜志統(tǒng)計，百余家中國公司已經(jīng)宣布“接入DeepSeek”，覆蓋從芯片、算力服務商到AI用戶到最終用戶各級生態(tài)圈。
開年復工后的第一次全員周會上，峰瑞科技組的同事們對DeepSeek進行了深入討論。本文將通過七個關鍵問題，剖析DeepSeek爆火的原因及其帶來的多維度影響：
DeepSeek為什么這么火？
DeepSeek真正的技術(shù)創(chuàng)新是什么？
為什么是DeepSeek？
Scaling law還成立嗎？
DeepSeek給其他模型廠商帶來什么影響？
DeepSeek對硬件生態(tài)帶來什么影響？
DeepSeek如何影響應用生態(tài)？
此外，我們還在文末總結(jié)了部分與此相關的投資機會。
在這個AI技術(shù)飛速發(fā)展的時代，DeepSeek的故事或許只是開始。
互動福利
你如何看待DeepSeek帶來的新機會？歡迎在留言區(qū)和我們聊聊~截止至2月25日17:00，留言最走心的5位讀者，將獲得峰瑞行研手冊一份。
/ 01 /
DeepSeek為什么這么火？
第一個問題，我們先來回答DeepSeek到底為什么這么火？
從我們的觀察來看，DeepSeek這一輪的爆火，有20%是得益于技術(shù)創(chuàng)新，80%是來自于它從開源生態(tài)中獲得影響力和背后的中國元素。
技術(shù)上，簡單說，DeepSeek用極低的算力成本，實現(xiàn)了比肩全球一線預訓練大模型的能力。以及，DeepSeek第一次真正公開了用強化學習（Reinforcement Learning，簡稱RL）做推理模型的可能路徑。強化學習是一種機器學習方法，通過智能體（Agent）與環(huán)境（Environment）的交互，學習最佳策略。
實話說，僅靠這些，DeepSeek可能還不足以引起全球范圍內(nèi)如此強烈的反應。
更多的影響力其實要歸功于這些創(chuàng)新背后的中國元素。某種程度上，由于海內(nèi)外的信息差，中國團隊這一次推出的大語言模型使人們驚訝——中國AI行業(yè)的發(fā)展情況可能與OpenAI所代表的最先進水平之間，沒有想象中差距那么大。但同時，DeepSeek也引發(fā)了很多質(zhì)疑和討論。當然，這些都是短期影響。
長期來看，DeepSeek的成功給中國帶來了更多進行技術(shù)創(chuàng)新的信心，無論是投資人還是創(chuàng)業(yè)者，可能都從其中看到了更多的可能性。
另外，開源這件事情功不可沒。DeepSeek作為后來者，不像海外大廠，沒有什么包袱，所謂“光腳的不怕穿鞋的”。DeepSeek幾乎將其所有研究成果都直接開源，打破了OpenAI o1系列模型的壟斷地位，這對整個圈子造成很大的沖擊。
小結(jié)
所以，理性來看DeepSeek出圈這件事，市場情緒因素占大頭。 當然，我們也不能否認DeepSeek團隊確實在技術(shù)上做了很多創(chuàng)新。
/ 02 /
DeepSeek真正的技術(shù)創(chuàng)新是什么？
DeepSeek從成立至今，一共發(fā)過9篇論文。其實在大模型技術(shù)圈子里，大家對DeepSeek的技術(shù)實力早有認知。
DeepSeek技術(shù)創(chuàng)新的答案，在2024年底和2025年年初發(fā)布的兩篇技術(shù)報告——《DeepSeek-V3 Technical Report》、《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》，以及它們推出的開源模型之中。
從目前的觀察而言，DeepSeek的技術(shù)貢獻主要體現(xiàn)在工程上的創(chuàng)新。它沒有發(fā)明新的范式，但在現(xiàn)有技術(shù)的基礎上進行了大量優(yōu)化。
讓我們著重看看讓DeepSeek出圈的核心工作：
一、DeepSeek V2
2024年5月，DeepSeek發(fā)布了V2模型，將API（Application Programming Interface，應用程序編程接口）價格大幅降低，定價為每百萬tokens輸入1元人民幣、輸出2元人民幣，直接將價格打到GPT-4的1/35。
DeepSeek掀起了大模型市場的價格革命。據(jù)《21世紀經(jīng)濟報》報道，2024年5月，百度旗下文心大模型兩款主力模型全面免費。阿里云緊隨其后，將通義千問GPT-4級主力模型的API輸入價格從0.02元/千tokens降至0.0005元/千tokens，降幅達97%。
DeepSeek V2的性能已經(jīng)接近GPT-4，成為性價比極高的選擇?？梢哉f，國內(nèi)其他同行還在努力追趕GPT-4的性能時，DeepSeek已經(jīng)憑借低價和高性能脫穎而出。
二、DeepSeek V3
DeepSeek V3在V2的版本上，進一步強化了降本增效的能力。V3相當于是對標OpenAI GPT4o的預訓練大模型，它以極低的算力成本，實現(xiàn)了和其他模型同等甚至表現(xiàn)更好的結(jié)果。
DeepSeek之所以能做到降本增效，可能要歸功于團隊在工程層面做了大量的工作和創(chuàng)新，比如，在算法軟件框架以及配合硬件的實現(xiàn)方面。
在軟件上，核心有兩點，一個是MoE（Mixture of Experts，專家混合模型）的專家模型架構(gòu)，“用空間換時間”。
2023年，法國AI公司Mistral AI最早大規(guī)模開源MoE模型，它曾經(jīng)推出Mixtral 8x7B模型，采用了8個專家，每次推理時激活其中的2個專家。
DeepSeek則增加了專家數(shù)量，縮小了每個模型的規(guī)模。雖然單個專家性能有所下降，但整體性能卻因“人多力量大”而提升。
具體來說，DeepSeek的MoE架構(gòu)把前向推理網(wǎng)絡劃分成了1個共享專家以及256個獨立專家。模型每次預測的時候，只會激活共享專家以及另外256個專家中的8個專家，大大降低了算力消耗。
此外，DeepSeek還在訓練過程中通過偏離函數(shù)，調(diào)整專家負載，避免出現(xiàn)“強者越強，弱者越弱”的馬太效應。
雖然MoE架構(gòu)很有價值，但在不少應用場景里，Dense Model（單一專家模型）也有優(yōu)勢，比如面向B端的專用領域或者端側(cè)小模型。所以，我們也不能完全下定論，認為MoE未來就會“一統(tǒng)江湖”。大家有各自不同的模型架構(gòu)，選擇的應用場景也不同。
另一點，MLA（Multi-head Latent Attention，多頭潛在注意力）是DeepSeek成為“價格屠夫”的核心技術(shù)之一，這種方法是“用時間換空間”。
大模型推理離不開Attention計算，而Attention計算中，KV緩存（Key-Value 緩存）是主要的存儲開銷。在Transformer模型的自注意力機制中，輸入元素會被轉(zhuǎn)換成查詢（Query）、鍵（Key）和值（Value）這三種類型。KV 緩存就是在推理過程中，把先前步驟計算得到的 Key 和Value矩陣緩存起來，避免在生成新token時重復計算整個序列的Key和Value。
DeepSeek通過矩陣分解的方法，將KV緩存壓縮后再投影回高維空間，從而大幅降低了存儲開銷。這種技術(shù)原理簡單但非常有效，實現(xiàn)了推理價格驟降。
MOE和MLA結(jié)合在一起，降低了模型對硬件算力和顯存帶寬的需求，因此，DeepSeek讓整體成本下降了一個數(shù)量級。
前面談到的是軟件架構(gòu)上的創(chuàng)新，那么在硬件架構(gòu)實現(xiàn)上，DeepSeek V3第一次公開了很多新的工作。比如，用低精度的FP8（即8位浮點數(shù)表示法，是一種用于提高計算效率和動態(tài)范圍的數(shù)據(jù)格式）做了大量的計算工作。再比如，通過大量PTX（Parallel Thread Execution，是NVIDIA為其GPU設計的一種并行指令集架構(gòu)）的底層開發(fā)能力，“壓榨”硬件的性能，來降低計算和通信的開銷。
所以，從DeepSeek V3整體的工作來看，其實沒有太多概念創(chuàng)新，大多是站在前人肩膀上，優(yōu)化了MoE、MLA等已有的方法，但卻有極高壁壘的工程創(chuàng)新。
以及，還有一個問題值得我們思考——V3中的這些工作，是團隊主動創(chuàng)新的結(jié)果？還是只是硬件資源受限情況下的被動選擇？如果能有更多更強的算力資源，這些創(chuàng)新是否還會出現(xiàn)，以及是否還有必要？
三、R1 Zero和R1
接下來我們再看看R1 Zero和R1，它們是對標OpenAI o1系列的推理模型。自從o1發(fā)布之后，業(yè)界和學術(shù)界對它的實現(xiàn)方法有很多猜想，甚至還有人說OpenAI團隊主動放出了一些不相關或錯誤的方向來誤導大家。
拋開這些猜測不談，這次DeepSeek發(fā)布了R1，實實在在地通過自己的探索，用強化學習實現(xiàn)了比肩o1的推理大模型，并開源了相關的工作，非常厲害。從我們的觀察來看，強化學習是通向AGI的一個遞進路徑，業(yè)界已經(jīng)在嘗試這個方向。
為什么在當下，大模型們開始“卷”起了推理能力？
這一趨勢的背后，是大模型在開放性問題上難以超越人類的困境。盡管大模型在諸多任務上表現(xiàn)出色，但在需要深度推理和專業(yè)知識的復雜問題上，它們?nèi)匀幻媾R巨大挑戰(zhàn)。
以GPQADiamond基準數(shù)據(jù)集為例，該數(shù)據(jù)集專門用于評估模型在復雜問題上的推理能力和專業(yè)知識水平。即使是經(jīng)過博士學術(shù)訓練的人類，回答這些問題的準確率大約在65%到70%之間。而目前，大多數(shù)大模型在這類問題上的表現(xiàn)，仍遠低于人類水平。
可喜的是，已經(jīng)有少數(shù)領先的大模型，如DeepSeekR1、OpenAI o1，它們在GPQADiamond等難題上的表現(xiàn)，已經(jīng)超過經(jīng)過博士學術(shù)訓練的人類。
這種進步揭示了行業(yè)競爭的焦點正在從單純的規(guī)模擴展轉(zhuǎn)向更深層次的智能優(yōu)化。推理能力的“內(nèi)卷”，可能意味著大模型進入了新的發(fā)展階段。
同樣是推理模型，R1 Zero和R1有所區(qū)別：
R1 Zero是更純粹的RL-based Model，用DeepSeek自己的預訓練模型V3，沒有經(jīng)過任何人類知識的調(diào)教，直接用一些數(shù)學或者代碼的這類有明確“ground truth”（真實值，在機器學習和計算機視覺領域，指的是數(shù)據(jù)集中每個樣本的真實標簽或結(jié)果）的問題，做強化學習，得到了不錯的結(jié)果。
R1相比R1 zero，用了更多工程化的方法，也加入了類似模仿學習的SFT（監(jiān)督微調(diào)），進一步提升語言能力和全面性能，用戶來說更好友好。
具體的技術(shù)細節(jié)和評測結(jié)果不詳細展開了，強烈建議大家去讀《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》這篇論文，寫得非常清楚、優(yōu)美。（歡迎你點擊文末的“閱讀原文”，下載這篇論文）
某種程度上，DeepSeek R1也沒有發(fā)明任何新范式。OpenAI已經(jīng)給業(yè)界指明了方向，一個是用純粹的強化學習而非人類反饋做后訓練，來提升模型推理能力。
另一個是Test-Time Compute的方法，通過延長推理時間，來提高輸出質(zhì)量。模型不是直接輸出結(jié)果，而是先推理出中間結(jié)果，隨著推理時間的增加，最終結(jié)果的質(zhì)量也會提升。這一點在大家用DeepSeek過程中應該都有體會，就是看到的那個中間有點兒自言自語的思考過程。
因此，DeepSeek核心的貢獻是幫助強化學習、Test-Time Comput這兩個范式快速出圈。相比其他模型廠商，它手比較快，而且直接把工作開源了。
但無論是R1中的強化學習框架GRPO，還是上文提到的用很多數(shù)學、代碼問題來做reward（獎勵機制），都是一些相對常用的方法。DeepSeek R1更多還是靠V3的強大能力，能在有限的搜索空間內(nèi)找到正確答案，從而幫助模型快速迭代和收斂。打個比方，如果基礎模型不夠好，可能需要從1萬個樣本中找到1個正確答案；而好的基礎模型，則可以在100個樣本中找到正確答案，從而大大加快迭代收斂的速度。
小結(jié)
總的來說，DeepSeek的技術(shù)貢獻主要體現(xiàn)在工程上的創(chuàng)新。盡管它沒有發(fā)明新的范式，但在現(xiàn)有技術(shù)的基礎上進行了大量優(yōu)化，特別是在強化學習應用于推理模型方面。我們需要以更理性的心態(tài)來看待DeepSeek爆火。
/ 03 /
為什么是DeepSeek？
為什么是DeepSeek？
首先，從整體上看，模型的發(fā)展速度雖然很快，但其實AI行業(yè)整體的創(chuàng)新速度放緩了，不同團隊的認知差異也在縮小，大家能想到的方法正在逐漸收斂。這種現(xiàn)象跟國別無關，是全球?qū)W術(shù)界和產(chǎn)業(yè)界共通的情況。當技術(shù)創(chuàng)新變慢的時候，中國團隊的工程能力優(yōu)勢就體現(xiàn)出來了。
第二，我們也不能忽視DeepSeek背后的這家公司——幻方量化，以及其“工程基因”的影響。要做好量化交易，一方面需要有強大的策略，但另一方面，能否以最快的速度執(zhí)行這些策略可能更為關鍵。哪怕只是納秒級別的速度優(yōu)勢，也可能決定你在某次交易中能否賺錢。
幻方量化的基因使得DeepSeek在底層硬件優(yōu)化和開發(fā)方面擁有豐富經(jīng)驗，從而能夠加速算法的執(zhí)行效率。例如，幻方量化在過去面對復雜的量化交易任務時，可能需要對FPGA（現(xiàn)場可編程門陣列）進行深度定制研發(fā)，并在C語言中嵌入?yún)R編語言，以提高硬件調(diào)度的效率。
這些工程經(jīng)驗已經(jīng)體現(xiàn)在DeepSeek的V3版本中。比如，在優(yōu)化GPU時，DeepSeek大量使用了在量化中交易中經(jīng)常用到的底層開發(fā)思路，選擇“繞過CUDA”，直接使用PTX進行編程，從而進一步提升性能。
第三點，DeepSeek的商業(yè)模式和開源文化，支撐了他們的長期發(fā)展。這種長期性能夠幫助團隊建立研究導向和創(chuàng)新的文化。DeepSeek可能沒有短期的營收和商業(yè)化壓力，反而能吸引更多真正想做事的人才，“做正確而非容易的事情”。
小結(jié)
DeepSeek的成功源于多方面的優(yōu)勢：在AI行業(yè)整體創(chuàng)新放緩的背景下，中國團隊的工程能力優(yōu)勢凸顯；孵化公司幻方量化在硬件優(yōu)化和高效執(zhí)行方面的經(jīng)驗影響了DeepSeek；DeepSeek的商業(yè)模式和開源文化，使團隊能夠?qū)Ｗ⒂诩夹g(shù)創(chuàng)新而非短期商業(yè)化壓力。
/ 04 /
Scaling law還成立嗎？
DeepSeek發(fā)展到了今天，那么大模型的未來會走向哪里？Scaling Law（縮放定律）還會成立么？
大模型最開始出現(xiàn)時，其根基就是Scaling Law。Scaling Law描述了隨著數(shù)據(jù)量、計算資源和模型參數(shù)的增加，語言模型性能如何顯著提升。具體來說，從GPT到GPT-4，研究人員通過增加更多的數(shù)據(jù)、算力和模型參數(shù)，使得模型效果顯著提高。這種規(guī)律為設計更大規(guī)模的模型提供了理論依據(jù)，并成為近年來大模型發(fā)展的核心驅(qū)動力。
那么，Scaling Law在未來是否仍然成立？我們可以從三個方面來看。
一、預訓練階段：Scaling Law接近極限
在預訓練階段，目前業(yè)界共識是Scaling Law已經(jīng)接近極限。主要問題在于缺乏新的高質(zhì)量數(shù)據(jù)。在這種情況下，盲目增加模型參數(shù)可能導致過擬合，也就是說，模型對于見過的數(shù)據(jù)表現(xiàn)很好，但泛化能力反而下降，從而影響模型的整體性能。例如，OpenAI在開發(fā)GPT-5時遇到的困難，也反映了這一挑戰(zhàn)。盡管如此，研究者們?nèi)栽谂ν七M。
二、后訓練階段：Scaling Law優(yōu)勢顯現(xiàn)
在后訓練階段（post-training），Scaling Law的優(yōu)勢變得更加明顯。無論是傳統(tǒng)的監(jiān)督微調(diào)（SFT），還是基于人類反饋的強化學習（RL），都能看到這種優(yōu)勢。最新的DeepSeek和其他模型系列已經(jīng)開始采用基于強化學習的后訓練范式，顯示出良好的規(guī)模效應。
值得注意的是，在后訓練階段，目前所需的算力還相對較少，平均僅占預訓練階段的1%不到。當然，這一比例正在逐漸增加。據(jù)業(yè)內(nèi)人士推測，R1的后訓練算力占比已經(jīng)接近10%。如果能進一步擴大后訓練的規(guī)模效應，那么模型的整體性能有望得到進一步提升。
然而，在后訓練階段，大模型仍面臨一些挑戰(zhàn)，比如，怎么定義reward，這是做好強化學習的關鍵；以及獲取高質(zhì)量的數(shù)據(jù)，特別是專業(yè)問答和CoT（Chain of Thought，思維鏈）數(shù)據(jù)。目前，學術(shù)界和產(chǎn)業(yè)界正在探索人工標注和合成數(shù)據(jù)的方法來解決這些問題。
三、推理階段：延長推理時間，提升性能
在推理階段，Scaling Law同樣有所體現(xiàn)，比如在上文提到的Test-Time Compute上。模型的輸出過程本質(zhì)上是一個計算過程。如果允許模型有更長的思考時間，它可以通過反復嘗試和自我修正來優(yōu)化答案。例如，模型可能一開始給出簡單的答案，但在中間發(fā)現(xiàn)錯誤并進行調(diào)整，最終得出更準確的結(jié)果。這種方法能夠顯著提高模型輸出的準確性，也是Scaling Law的一個具體表現(xiàn)。
小結(jié)
總結(jié)來看，Scaling Law仍然成立，只不過應用范式發(fā)生了變化，其在后訓練和推理階段依然具有重要意義。
/ 05 /
Deepseek給其他模型廠商
帶來什么影響？
首先，我們需要明確一點：DeepSeek目前主要是一個大語言模型，暫時不具備多模態(tài)的能力。在與其他有多模態(tài)能力的模型進行比較時，需要考慮到這一點。
一、對海外大廠的影響
對于海外的大廠，如OpenAI（GPT-4系列）、Anthropic（Claude 3.5）和Google（Gemini 2.0），這些公司在多模態(tài)能力、泛化能力以及工具鏈開發(fā)者生態(tài)方面仍然具有顯著優(yōu)勢。它們有很多的儲備技術(shù)，因為戰(zhàn)略考慮可能暫時不會都放出來。此外，它們在算力資源上也有明顯的優(yōu)勢。
盡管DeepSeek引起了廣泛關注，但我們?nèi)孕枵暸c這些海外一線公司的差距，實現(xiàn)真正的超越還有很長的路要走。
就在2月18日， 馬斯克的xAI 發(fā)布了更新版 Grok 3大模型。 在直播的現(xiàn)場演示中，Grok 3在數(shù)學、科學和編程基準測試中，擊敗了包括DeepSeek的V3模型和GPT-4o在內(nèi)的多個模型。
二、對國內(nèi)模型廠商的影響
在國內(nèi)市場，DeepSeek對于對面向消費者的（ToC）模型廠商影響較大，對于面向企業(yè)的（ToB）模型廠商影響相對較小。
在ToC領域，部分廠商可能會感受到較大的沖擊。這些廠商面臨的挑戰(zhàn)更多在于開源與商業(yè)化的選擇：如果保持閉源，是否能達到一線模型水平？如果選擇開源，是否會顛覆現(xiàn)有的商業(yè)模式？
不過，我們不能低估國內(nèi)其他模型廠商團隊的技術(shù)創(chuàng)新能力。比如Kimi最新發(fā)布的K1.5模型在學術(shù)界獲得了很高的評價，其工程創(chuàng)新也非常值得學習。
目前來看，ToB的模型廠商也受到了一定的影響。長期來看，企業(yè)客戶會做出理性決策，但在短期內(nèi)，可能受市場情緒影響，嘗試使用DeepSeek。這有助于教育市場，但長期效果還需觀察。
此外，DeepSeek本身其實也要考慮如何持續(xù)“接住潑天的富貴”。未來，DeepSeek是否會通過融資擴大規(guī)模，還是繼續(xù)保持小規(guī)模專注于研發(fā)？我們拭目以待。
三、對開源社區(qū)的影響
DeepSeek對開源社區(qū)無疑是利好的。DeepSeek爆火，將促使其他開源模型（如Llama）不斷創(chuàng)新，而不是固守已有成果。這對整個社區(qū)的發(fā)展是有益的，同時也促進了閉源廠商的進步。
四、對小模型公司的影響
DeepSeek曾在論文中展示了通過大模型的能力蒸餾（distillation）來提升小模型推理能力的可能性，并同步開源了基于通義千問Qwen或Llama的蒸餾模型。這表明，優(yōu)秀的“老師”模型可以更高效地指導小模型學習。
這將對自研模型的中小企業(yè)產(chǎn)生積極影響。尤其是在端側(cè)部署的應用中，無論是C端還是B端應用，或許能借助這一方法提升性能。
小結(jié)
整體來看，DeepSeek雖然在多模態(tài)等方面有欠缺，但其無疑在推動行業(yè)的發(fā)展。我們既不能低估國內(nèi)團隊的技術(shù)創(chuàng)新能力，也需正視與這些海外一線公司的差距，想要實現(xiàn)真正的超越，我們還有很長的路要走。
/ 06 /
DeepSeek對硬件生態(tài)帶來什么影響？
接下來，我們討論一下DeepSeek對硬件生態(tài)的影響。在DeepSeek最火的那幾天，它對整個美股市場，尤其是英偉達的股價造成了短期沖擊。那么，未來DeepSeek是否會挑戰(zhàn)英偉達的地位？
要回答這個問題，我們首先需要了解英偉達的核心壁壘是什么。英偉達的核心壁壘不僅僅在于其單芯片的設計能力，盡管這一點已經(jīng)非常強大。更重要的是，英偉達通過其芯片互聯(lián)能力（如InfiniBand、NVLink以及強大的軟件生態(tài)系統(tǒng)CUDA）形成了一個堅固的生態(tài)壁壘。這種生態(tài)壁壘是英偉達最核心的能力之一。
了解了英偉達的核心競爭力后，我們可以分析出DeepSeek對英偉達的影響。首先是正面影響：
一、DeepSeek的成功教育了市場，增強了人們對AI應用的信心，并吸引了更多的初創(chuàng)企業(yè)嘗試開發(fā)AI應用。
據(jù)業(yè)內(nèi)人士消息，自DeepSeek發(fā)布以來，市場上H100和H200等高端GPU的價格有所上漲，這表明更多公司愿意購買這些硬件來開發(fā)自己的模型和應用。
二、推動通用GPU的需求。DeepSeek這樣的廠商，持續(xù)在模型架構(gòu)方面進行創(chuàng)新，這對英偉達這樣的通用GPU制造商是有利的。因為通用GPU更適合用來嘗試新的方案和架構(gòu)，而一些專用芯片可能沒那么適合。
然而，DeepSeek也給英偉達帶來了一些負面影響，比如英偉達的市場定價策略可能會受到?jīng)_擊。
原因在于，首先，DeepSeek采用的Mixture of Experts (MoE) 架構(gòu)顯著降低了對芯片間互聯(lián)能力的要求，從而減少了對高端互連技術(shù)的依賴。如果越來越多的模型廠商開始采用MoE或其他類似的架構(gòu)，將會帶來新的硬件機會。
其次，DeepSeek提供了潛在“繞過”CUDA的可能性。DeepSeek提出了適配其模型的硬件架構(gòu)設計需求，暗示著未來“繞過”英偉達的CUDA生態(tài)系統(tǒng)的可能性。
同時，國產(chǎn)芯片對DeepSeek模型的快速適配，也反映了中國硬件行業(yè)的潛力。但需要注意的是，DeepSeek團隊并沒有直接繞開英偉達。DeepSeek使用了比CUDA更底層的編程語言PTX，以便于更好地發(fā)揮出硬件性能，而PTX是英偉達的核心技術(shù)。
DeepSeek是否推動了除英偉達以外的AI芯片行業(yè)的創(chuàng)新機會？這也是我們非常關注的一個熱點方向。
短期來看，DeepSeek確實帶動了許多低性能卡的應用，包括一些國產(chǎn)卡。只要企業(yè)具備足夠的工程優(yōu)化能力，這些卡就能夠被用起來，我們也能實現(xiàn)軟硬件閉環(huán)式的自主創(chuàng)新。
長期來看，AI芯片行業(yè)無疑存在新的機會。除了近期備受關注的新硬件架構(gòu)（如3D堆疊、大規(guī)模互聯(lián)技術(shù)和高顯存設計）外，編譯和軟件生態(tài)的建設也至關重要。正如我們在討論英偉達壁壘時所提到的，僅有單芯片能力和互聯(lián)能力是不夠的，整個軟件生態(tài)系統(tǒng)才是決定其長期成功的關鍵因素。
▲ 歡迎掃碼收聽，行云集成電路創(chuàng)始人季宇與峰瑞峰瑞資本副總裁李罡一起聊了聊DeepSeek將給AI產(chǎn)業(yè)帶來的新機遇。
小結(jié)
總的來說，DeepSeek一方面對英偉達帶來了挑戰(zhàn)，另一方面，也為整個AI芯片行業(yè)帶來了新的機遇和發(fā)展方向。對于行業(yè)參與者來說，如何適應這種變化并找到適合自己的發(fā)展路徑，將是未來需要重點考慮的問題。
/ 07 /
DeepSeek如何影響應用生態(tài)？
我們再來討論DeepSeek對整個應用生態(tài)的影響，可以從三個方面來看：
一、提供了低成本方案，完成了市場教育
首先，DeepSeek提供了一種非常低成本的方案，這顯然能夠為應用（無論是ToC還是ToB）帶來更高的投入產(chǎn)出比，并助推更多的行業(yè)應用落地。
在短短幾周內(nèi)，DeepSeek完成了全市場的教育，使政府、企業(yè)高層管理人員以及普通用戶都開始使用相關的大模型。甚至我們的父母都開始用起了大模型。
然而，在短期內(nèi)，市場可能會存在高估的情況。尤其是在B端，實際落地效果可能會與預期有所偏差。從我們問到的幾家企業(yè)的反饋來看，客戶的呼聲很高，但實際測試結(jié)果顯示，DeepSeek在某些任務上的表現(xiàn)，可能并沒有外界傳聞的那么領先。
二、驗證了大模型蒸餾小模型的可行性
其次，DeepSeek R1驗證了大模型蒸餾小模型是可行的，這對于端側(cè)模型部署和應用有很大推動作用。無論是在PC、手機還是其他智能硬件上，部署成本的大幅降低，將推動更多新應用落地。這對于我們投資在端側(cè)部署的應用有重要意義。
三、助推強化學習這種計算范式
從更長期一些來看，DeepSeek影響了強化學習這一計算范式。R1已經(jīng)驗證了這種范式，真正公開了用強化學習來做推理模型的這個可能的路徑。
但目前，強化學習的應用范圍主要局限在數(shù)學或代碼等相對客觀的領域。未來，這種計算范式是否能夠擴展到物理世界，并解決更多現(xiàn)實世界的推理問題，以及如何應用于AI agent和具身智能，是非常令人興奮且值得探討的方向。
小結(jié)
通過對以上七個問題的探討，我們可以看到，DeepSeek對AI芯片行業(yè)和應用生態(tài)產(chǎn)生了深遠的影響。
毫無疑問，DeepSeek的貢獻令人敬佩。但當前市場是否明顯過熱？或許對于投資人、創(chuàng)業(yè)者以及使用大模型的朋友來說，我們不妨讓子彈再飛一會兒，冷靜觀察一段時間。與此同時，我們期待中國市場能誕生更多像DeepSeek這樣的原始創(chuàng)新成果。
/ 08 /
投資機會
一、大模型競爭進入下半場
大模型的競爭已進入下半場。
在豐叔看來，大模型下一步會向輕量化、垂直化、端側(cè)化這三個方向發(fā)展。輕量化意味著模型和硬件成本需要收斂，不然能用得起的人有限。垂直化則意味著模型需要在特定能力上收斂，而不是指望一個超大模型解決所有問題。端側(cè)化是指模型必須放到手機、手表、耳機等終端設備上，才能真正實現(xiàn)技術(shù)的普及。
▲ 歡迎掃碼收聽，豐叔和李翔總一起聊了聊春節(jié)期間國內(nèi)外的熱點事件。
隨著下游應用逐步實現(xiàn)規(guī)?；涞?，模型訓練、微調(diào)和推理效率成為行業(yè)關注的焦點。
以DeepSeek為代表的創(chuàng)新實踐表明，強化學習和長文本生成能力有助于提高大模型輸出質(zhì)量、提升小模型性能。盡管MOE架構(gòu)增加了軟件系統(tǒng)的復雜性，但它顯著優(yōu)化了硬件帶寬需求，降低了硬件門檻，使得成本更低的硬件也能高效運行模型。
未來，隨著模型能力的進一步提升和總成本的持續(xù)下降，AI普惠將成為下一階段的核心目標。技術(shù)的普及將推動大模型在更廣泛的應用場景中落地，創(chuàng)造更多商業(yè)與社會價值。
二、人機交互發(fā)生變化，AI落地的應用臨界點似乎已經(jīng)到來
當下，人與信息、人與機器的交互方式正在發(fā)生深刻變化。這種變化將催生新的信息分發(fā)渠道和流量入口，推動用戶界面和服務形式的創(chuàng)新。另一方面，隨著人工智能能力的不斷增強以及成本的降低，許多行業(yè)都在積極探索AI技術(shù)的應用落地。
在這樣的背景下，我們應當關注一些在傳統(tǒng)軟件時代難以實現(xiàn)的“新物種”，例如：
跨領域結(jié)合的軟件或Agent：通過軟件與硬件的深度融合，Agent能夠?qū)崿F(xiàn)更強的獨立性和更豐富的功能，從而為用戶提供更高效、更智能的服務。
新形態(tài)的個人交互終端：隨著數(shù)字化的進一步普及和多模態(tài)技術(shù)進步，AI有望接入更多數(shù)據(jù)，成為人類的“外腦”，幫助我們處理記憶、理解甚至是決策等任務。
新型人力服務外包：將軟件能力轉(zhuǎn)化為服務形式進行外包，提供更具創(chuàng)新性和靈活性的新型外包服務，滿足不同行業(yè)的需求。
未被軟件化的行業(yè)：這些領域中蘊含著豐富的AI落地機會，值得我們深入挖掘和探索。
展望未來，隨著供應鏈能力的不斷提升，中國的AI技術(shù)有望進一步拓展海外市場，實現(xiàn)全球化布局。
互動福利
你如何看待DeepSeek帶來的新機會？歡迎在留言區(qū)和我們聊聊~截止至2月25日17:00，留言最走心的5位讀者，將獲得峰瑞行研手冊一份。
星標峰瑞資本微信公眾號
一手商業(yè)思考及時送達
熱門跟貼