市場開始關(guān)注DeepSeek如何影響英偉達(dá)估值時，英國《金融時報》發(fā)表了一篇評論認(rèn)為，對于DeepSeek的成功，市場更應(yīng)該擔(dān)心的是：這意味著中國已經(jīng)掌握了“改善”的藝術(shù)。
什么是“改善”？
這是一個來源于日本的概念：Kaizen（改善的日文發(fā)音），大致涵蓋了模仿、優(yōu)化流程、生產(chǎn)物美價廉的產(chǎn)品。Kaizen被認(rèn)為是豐田生產(chǎn)方式的核心之一，在中國汽車行業(yè)也曾備受推崇，比如長城汽車的座右銘就是，每天進(jìn)步一點(diǎn)點(diǎn)。
在歐美研究者看來，Kaizen是日本在1970年代和80年代經(jīng)濟(jì)起飛，成為超級大國的主要原因之一。這是一個先發(fā)國家，或者說所有市場霸主很容易認(rèn)可的邏輯：后來者，可以通過在原有產(chǎn)品、技術(shù)的基礎(chǔ)上加以優(yōu)化改善，打敗先行者。
正是沿著這個路線，日本公司在汽車、消費(fèi)電子和半導(dǎo)體等行業(yè)從技術(shù)和質(zhì)量上擊敗了歐美傳統(tǒng)巨頭。
用這個詞來描述當(dāng)下的中國AI行業(yè)，這背后代表了一種混雜的態(tài)度，既有對于DeepSeek“創(chuàng)新含量”的質(zhì)疑，也有對中國工程師團(tuán)隊能夠在最尖端行業(yè)平推工藝優(yōu)化迭代的驚嘆。但相較于美國人一驚一乍的“Sputnik”，《金融時報》多了一份旁觀者的冷靜。
或許在這一段DS熱潮稍息之際，我們可以有余?？匆幌赂诵牡膯栴}：中國以什么體系、路徑，誕生了DeepSeek這樣的現(xiàn)象級創(chuàng)新。DeepSeek路徑，能否泛化為中國路徑?
01、一個典型的中國式“改善”
兩周前，字節(jié)發(fā)布了視頻生成模型OmniHuman，用戶僅需輸入一張圖片和一段音頻，就可以生成一條AI視頻。
你可以讓愛因斯坦成為物理名師課堂的講師，讓泰勒·斯威夫特唱中文神曲。這比之前的做對口型視頻的流程更簡單，效果也非常真實(shí)。
OmniHuman可以生成光線、質(zhì)感、細(xì)節(jié)相對應(yīng)的，任意圖像比例、任意人物比例的視頻。
一位國內(nèi)大模型廠商從業(yè)者認(rèn)為，OmniHuman屬于一種AI口播類產(chǎn)品，沒有什么創(chuàng)新之處，功能都不是全新的，但他也承認(rèn)是在AI口播這個垂直領(lǐng)域，OmniHuman還是非常實(shí)用。
“AI口播的核心功能是要素替換，而不是內(nèi)容創(chuàng)造”。這是一個很窄的領(lǐng)域，因此OmniHuman發(fā)布后，沒有像可靈那樣吸引來廣泛關(guān)注。
OmniHuman可以適配不同畫風(fēng)，生成以前做不出來的姿勢，來適配人物。
由于我們最近一直在找最簡單的數(shù)字人方案來做視頻，這個大模型還是一下就吸引了我的注意，因為它確實(shí)用戶友好，如果再搭配剪映加上字幕，就很容易實(shí)現(xiàn)讓AI替我們念稿子的想法。
本質(zhì)上，OmniHuman這個“傻瓜級”視頻生成模型，是一個垂直模型。把原本更垂直的面部動畫模型和姿勢調(diào)節(jié)模型，合并成了更有適用性的數(shù)字人動畫模型。
它的長處在于，給定一個基礎(chǔ)人像，讓它按照語音/視頻的指令一邊演講/唱歌，一邊身體自然律動，效果無比出色（參考演示視頻效果）。至于從無到有的內(nèi)容創(chuàng)造，對不起，不是我的專業(yè)。
而它之所以能做到小賽道的高分（據(jù)OmniHuman論文數(shù)據(jù)），答案其實(shí)并不復(fù)雜。那就是針對單一目標(biāo)，做極致的工程學(xué)優(yōu)化。
據(jù)OmniHuman的論文，原本更垂直的數(shù)字人模型（如主播類），大多專注口型，為求精確，往往需要過濾裁剪大量與面部表情無關(guān)的訓(xùn)練數(shù)據(jù)。而OmniHuman，從原本被浪費(fèi)的數(shù)據(jù)中，提煉出有價值的運(yùn)動模式，驅(qū)動面部表情的同時，也驅(qū)動身體姿勢，使生成的形象更自然靈動。
這是一款中國AI產(chǎn)業(yè)“應(yīng)用”思維下誕生的典型產(chǎn)品。
如果在基礎(chǔ)研究上沒有足夠能力，或短時間內(nèi)大模型的能力無法顯著突破，又或大模型本身的商業(yè)化遙遙無期，那么用已有技術(shù)打磨出一個好用的應(yīng)用，是商業(yè)公司的最優(yōu)解。
事實(shí)上，字節(jié)的AI產(chǎn)品覆蓋相當(dāng)全面，在AI視頻生成這個方向上，我們甚至看到豆包和剪映兩個團(tuán)隊在賽馬，在OmniHuman發(fā)布前，豆包也發(fā)布了一款視頻生成產(chǎn)品。
這某種程度上而言，算是原本意義上的“Kaizen”的實(shí)踐。
Kaizen的核心，就是在原有產(chǎn)品基礎(chǔ)上去追求極致，無論是單點(diǎn)的優(yōu)化，還是整個系統(tǒng)的再降本增效。
但“Kaizen”的壁壘能維持多久，是一個問題。比如，過去幾周，一個經(jīng)常被拿來對比的產(chǎn)品是豆包：就在豆包好不容易有了近千萬的DAU，成了國內(nèi)排名第一的AI產(chǎn)品時，DeepSeek R1發(fā)布了，上線僅20天DAU超過2000萬。
這可能也是這一領(lǐng)域的獨(dú)特風(fēng)險。大模型的進(jìn)步曲線十分陡峭，不像互聯(lián)網(wǎng)產(chǎn)品或者是傳統(tǒng)制造業(yè)已經(jīng)平緩。雖然中國互聯(lián)網(wǎng)企業(yè)在AI應(yīng)用打造上更有優(yōu)勢，但AI技術(shù)目前仍在發(fā)展中。我們看到的產(chǎn)品仍然都是是階段性的，也就很難形成絕對壁壘，無論對于open AI還是豆包。
而DeepSeek，則是在最前沿的方向，把Kaizen做到了極致。
02、共同的秘訣
來自東方的神秘力量——“工程科學(xué)”，不僅出現(xiàn)在OmniHuman這個小模型中，更在整個AI產(chǎn)業(yè)中涌現(xiàn)，產(chǎn)生效果。揭開今年科技圈春晚序幕的DeepSeek，是這方面的佼佼者。
DeepSeek最讓人矚目的要數(shù)兩點(diǎn)，一是極致的性價比，二是優(yōu)越的模型表現(xiàn)。
而這兩點(diǎn)的實(shí)現(xiàn)，來自DeepSeek高密度、一環(huán)扣一環(huán)的工程創(chuàng)新。
很多讀者可能已經(jīng)遺忘了，去年拉開大模型價格戰(zhàn)不是大廠，而是幻方。當(dāng)時它發(fā)布了DeepSeek-v2，帶來全方位的推理成本下降，能夠在盈利的基礎(chǔ)上進(jìn)行降價。而年末發(fā)布的DeepSeek-v3，進(jìn)一步進(jìn)行了工程上的創(chuàng)新優(yōu)化。
最值得稱道的工程創(chuàng)新，是模型架構(gòu)層面的。
新的混合專家系統(tǒng)（Mixure of Experts，MoE）架構(gòu)，作為一個更精細(xì)的任務(wù)“分診臺”，只激活少量合適的專家，從而在推理過程中減少參數(shù)量，提升效率。
也有算法層面的，新的多頭潛在注意力機(jī)制（Multi-Head Latent Attention，MLA），把加載上下文的顯存占用，降到了常見架構(gòu)的5%-13%，顯著降低了推理成本。這來自于DeepSeek一個年輕研究員的個人靈感，最終被團(tuán)隊落地，實(shí)現(xiàn)了極其罕見、有魄力的Attention架構(gòu)創(chuàng)新。
此外，還有幾乎無人工干預(yù)的強(qiáng)化學(xué)習(xí)（RL）。尤其是DeepSeek-R1-Zero模型，僅靠簡單的獎懲信號來優(yōu)化模型行為，純RL。而這個過程中，R1-Zero自發(fā)獲得了優(yōu)化推理的能力，在推理過程中產(chǎn)生了令人激動的“頓悟時刻”（Aha Moment）。這是GPT-o1隱藏的秘密和壁壘，DeepSeek自己攻破了這個謎題。
（論文記錄了一個案例，R1-Zero在數(shù)學(xué)推理的過程中，突然停下，"Wait, wait. Wait. That's an aha moment I can flag here"，而后重新審視了自己的解題思路。研究團(tuán)隊也將這視為RL能力的彰顯。）
當(dāng)然還有一系列針對數(shù)據(jù)壓縮、數(shù)據(jù)處理流程、芯片帶寬通信調(diào)度等等的細(xì)節(jié)創(chuàng)新優(yōu)化。
這就進(jìn)入到一些爭議環(huán)節(jié)了。
以FutureLabs首席專家胡延平為代表的一些人認(rèn)為，DeepSeek的亮點(diǎn)，按實(shí)際價值其實(shí)依次是強(qiáng)化學(xué)習(xí)、混合專家模型MoE、知識與模型蒸餾、多頭注意力、多Token預(yù)測、混合精度訓(xùn)練和PTX等。盡管其中沒有一項是DeepSeek自己完全原創(chuàng)、獨(dú)創(chuàng)的，但是DeepSeek成功地進(jìn)行了非常系統(tǒng)的再創(chuàng)新。
那么，這實(shí)際上是最經(jīng)典的“改善”邏輯——博采眾長，從而實(shí)現(xiàn)效率最大化。
也有一些人，尤其是在閱讀了DeepSeek的多份論文后，發(fā)出了“低成本高效率”之外的另一種的感嘆——這不是單點(diǎn)的巧思，而是一整個系統(tǒng)的創(chuàng)新。
比如，在R1發(fā)布前，Perplexity CEO Aravind Srinivas對V3評價已經(jīng)非常高，他在接受CNBC專訪時稱，MoE非常難訓(xùn)練，有準(zhǔn)確度的8位浮點(diǎn)訓(xùn)練很難做到，在美國并不常見。
通常的認(rèn)知是中國人擅長復(fù)制，如果美國人停止發(fā)表論文，他們就趕不上?！暗F(xiàn)實(shí)是，DeepSeek-V3中一些細(xì)節(jié)非常出色，我甚至不會驚訝Meta會借鑒并應(yīng)用到Llama中。他們不是在復(fù)制，而是在創(chuàng)新?！?/strong>
VC機(jī)構(gòu)Benchmark合伙人Chetan Puttagunta讀了V3的論文，他認(rèn)為DeepSeek團(tuán)隊貢獻(xiàn)了一些在算法方面真正的創(chuàng)新，某種程度上是世界領(lǐng)先水平的創(chuàng)新。
公允地說，DeepSeek沒有做出Transformer模型之外的底層創(chuàng)新——像楊立昆（Yann LeCun）所說的大語言模型之外的世界模型，但在Transformer領(lǐng)域內(nèi)，DeepSeek做出了有突破價值的工程學(xué)創(chuàng)新，從而讓Transformer模型更強(qiáng)大了。
本質(zhì)上，它做的正是GPT3做的事。
在AI領(lǐng)域，工程創(chuàng)新，跟最前沿的理論創(chuàng)新，并不是孤立存在的。它們往往是并行的，互相驗證，互相啟發(fā)。規(guī)模效應(yīng)、工程本身會帶來意外的aha moment，從而推動理論、模型創(chuàng)新進(jìn)入新的階段。
在R1發(fā)布后，據(jù)DeepSeek團(tuán)隊研究員Daya Guo稱，R1-Zero的性能曲線還在“不斷上升”，真切感受到RL的威力。
梁文鋒最近又新發(fā)了署名論文，又提出了一個新的Attention模型——NSA（Native Sparse Attention），相較于其之前的MLA模型，提升推理效率的同時，能更好地模擬人類對長文本的理解方式。
要求大算力的預(yù)訓(xùn)練階段比拼，競爭強(qiáng)度下降。而在RL這個想象空間巨大的領(lǐng)域，中國的AI企業(yè)正在迅速追趕Open AI。
03、“Kaizen”的極致階段，創(chuàng)新涌現(xiàn)
一位大模型公司的人士在和我們討論Kaizen時認(rèn)為，持續(xù)改善說起來容易做起來很難，因為繞行和摸魚才更符合人性。
實(shí)際上DeepSeek所做的嘗試，很多公司都曾做過一項或者是幾項，但發(fā)現(xiàn)效果不佳后，就不再繼續(xù)。DeepSeek某種意義上的價值，在于掀開了中國從業(yè)者心中的天花板。
日本公司成功的核心在于恒心，豐田等日本公司將其發(fā)展成一種企業(yè)文化。將改善的權(quán)力交給了每一位員工，在生產(chǎn)線上，任何員工發(fā)現(xiàn)問題都有權(quán)舉手叫停。
這種改善帶來的進(jìn)步，看起來并不復(fù)雜，只是在原本的產(chǎn)品路徑上又跨越了一個難點(diǎn)，或者是降低一點(diǎn)點(diǎn)成本、一點(diǎn)點(diǎn)使用門檻。
《金融時報》認(rèn)為，回顧豐田“Kaizen”式的成功，或許更能解釋中國企業(yè)的進(jìn)步，以及為什么這樣的進(jìn)步，有可能幫助這些公司獲得最大的市場成功。
豐田在上世紀(jì)80年代，通過更高效和低成本的生產(chǎn)方式，制造出了廉價但可靠的科羅拉，打敗了大眾的甲殼蟲，從而重塑了美國的汽車工業(yè)。
比起美國公司所習(xí)慣的“大力出奇跡”來得到創(chuàng)新，豐田更專注于在作業(yè)過程中，杜絕資源浪費(fèi)和自發(fā)實(shí)現(xiàn)漸進(jìn)式的進(jìn)步，這樣的方法被總結(jié)為“改善”。
豐田能夠在美國市場迎頭趕上，做到了以下三點(diǎn)：
1、大量模仿，小幅提升。最后，技術(shù)落后的豐田，靠逆向工程雪佛蘭的發(fā)動機(jī)，研發(fā)出了自己的引擎，馬力比之前提高了10%。
2、認(rèn)真調(diào)研市場需求。當(dāng)時的美國處于石油危機(jī)下，消費(fèi)者特別需要油耗低的小型車。豐田的小型車的拋錨率遠(yuǎn)低于當(dāng)時大熱的大眾甲殼蟲，還便宜。
3、改善生產(chǎn)流程，去掉無用的環(huán)節(jié)，實(shí)現(xiàn)全局細(xì)節(jié)優(yōu)化，從而做到成本和質(zhì)量上的雙優(yōu)化。
這樣的路線，在今天中國的很多行業(yè)也在被不斷執(zhí)行且發(fā)揚(yáng)光大。
比如在電動車行業(yè)，最早的阻礙是電池。比亞迪找用磷酸鐵鋰迭代了此前主流的三元鋰。但最初的方案續(xù)航旅程很短，比亞迪又在2020年推出了“刀片電池”，基本彌補(bǔ)了在續(xù)航上和三元鋰電池的差距，且成本極低。
同時，在實(shí)現(xiàn)大部分零件自產(chǎn)的前提下，比亞迪造出了性價比最高的車輛，從而成為新能源“銷冠”。
但到如今，中國的新能源汽車，早已經(jīng)超出了原本的“改善”范疇。
作為全球最大的電動車生產(chǎn)與消費(fèi)國，中國的電動車行業(yè)是一個有機(jī)整體，在電池、壓鑄技術(shù)、空氣懸掛、汽車芯片、智能座椅、智能駕駛、軟件等多個方面都在內(nèi)卷式創(chuàng)新。它們的對手，也從特斯拉變成了彼此。
一年前，中國還沒有能提供全場景L2輔助駕駛能力的頭部供應(yīng)商，但沒有意外的話，到今年底，L2+就會成為所有主力車型的標(biāo)配。
用深入觀察中國電動車的Reddit用戶singularity的觀點(diǎn)，這是整個生態(tài)系統(tǒng)整體發(fā)展的故事，推動快速應(yīng)用，優(yōu)化產(chǎn)業(yè)鏈，構(gòu)建特定專業(yè)領(lǐng)域的龐大集群——飛輪開始加速。而在AI領(lǐng)域最近發(fā)生的事情，讓他想起了汽車領(lǐng)域發(fā)生過的事。
在人工智能領(lǐng)域，這個軌跡目前為止確實(shí)是相似的。
Open AI目前最強(qiáng)大的o3固然驚艷，但僅部分向公眾開放，且價格高昂。能夠?qū)崿F(xiàn)相似智能水平的DeepSeek-R1-Zero橫空出世，將其在RL階段實(shí)現(xiàn)深度思考的秘訣開源，追趕Open AI的路徑似乎已被解密。
和DeepSeek R1幾乎同時發(fā)布的月之暗面的Kimi k1.5，也英雄所見略同地推出了稀疏注意力機(jī)制，名為MoBA（混合塊注意力機(jī)制），同樣對標(biāo)o1正式版。
而k1.5的推理能力也相當(dāng)不錯。Open AI的論文表示，R1和k1.5兩者的獨(dú)立研究都證明，利用思維鏈能夠提升大模型在數(shù)學(xué)與編程上的能力。
字節(jié)隨后發(fā)布的豆包大模型1.5 Pro，也聲稱采用了稀疏MoE架構(gòu)。其稀疏模型架構(gòu)命名為UltraMem，稱推理速度相比MoE架構(gòu)提升2-6倍，推理成本最高可降低83%。
在scaling law告急后，行業(yè)轉(zhuǎn)向加碼RL，中國企業(yè)則還有一個突破Transformer算力桎梏的共同目標(biāo)——Attention架構(gòu)提高了模型智能程度，但卻需要占用大量內(nèi)存，且計算成本高昂。
在海量的AI人才努力下，大家都給出了相似的解題思路，只不過DeepSeek的創(chuàng)新更加密集，更系統(tǒng)，給出了最高分答卷。
《金融時報》樂觀估計，相較于日本原版，中國式的 “改善” 能在更快節(jié)奏、更具顛覆性的時期發(fā)揮作用，且成果可能更為顯著。
首先是中國的人力資源和人才規(guī)模與以往完全不是一個量級，讓“改善”能夠在更大范圍內(nèi)進(jìn)行，改善再加上規(guī)?；耐Γ遣豢尚∮U的。
其次是，在數(shù)字化時代，消費(fèi)者反饋和公司調(diào)整會更快。
更重要的是，中國不論官方還是民間，依然有意愿和能力為快速規(guī)模化提供資金支持。
在大語言模型的scaling law被質(zhì)疑觸墻的過去一年，我時常想起古早美劇《疑犯追蹤》中的一個情節(jié)——引入了壓縮算法后，原本需要巨型數(shù)據(jù)庫容身的AI，可以被裝進(jìn)一個手提箱。
科幻有時候會給出先驗的預(yù)言。人工智能一定要寄居在海量算力上嗎？能不能讓AI既聰明，又低能耗呢？
在最新近的現(xiàn)實(shí)中，中國的AI創(chuàng)業(yè)公司正在為這個使命做出最核心的貢獻(xiàn)。
熱門跟貼