DeepSeek捅破了AI世界的天？

PowerData

以下文章来源于Snowolf ，作者Snowolf

[

Snowolf .

这是我写给自己的随笔，如果也能对你起到一定的帮助，将是我莫大的荣耀 ：）

](#)

“ DeepSeek-R1模型算法的横空出世，心慌的不只是奥特曼，还有皮衣黄和华尔街的精英们。”

DeepSeek撼动了人工智能基本范式的三个根基。

01

—

人工智能的基本范式

用简单的语言来讲，人工智能产品离不开算法、算力和数据，以及其他要素：

人工智能 = (算法 × 算力 × 数据) × 协同系数 × 其他因子

其中，协同系数由技术整合能力、工程化水平等决定，其他因子包括人才、应用场景、伦理约束等。

算力、算法和数据称为人工智能的三要素，同时三者之间也相互影响。

算力，是执行算法所需的计算资源，包括CPU、GPU、TPU、NPU等硬件资源。强大的算力使得复杂的算法能够快速运行，处理大规模数据集，这对于训练深度学习模型尤为重要。当前主流算力的代表就是显卡——英伟达Nvidia的显卡。因此，英伟达的股价一路飙升。

算法，算法是一系列用于处理数据、解决特定问题的指令。在人工智能领域，算法的代名词是机器学习和深度学习。算法作为人工智能产品的核心，决定了产品的竞争力。DeepSeek、OpenAI等等大模型竞争最核心的部分就是算法之争。

数据，是算法学习和预测的基础。数据，尤其是海量高质量数据往往是训练有效模型的关键。高质量的算法通常需要高质量的大数据做支撑，同时依赖更强的算力。

算力、算法、数据三者相互依赖又相互影响。DeepSeek的横空出世，对OpenAI和Nvidia强强联合的AI世界发出了新的挑战。

02

—

算力：突破禁锢

在算力领域，Nvidia英伟达代表的N卡无疑是算力的代名词，其他厂商的显卡似乎只能拿来打打游戏。尤其是皮衣黄教主经营的CUDA生态，成为了英伟达产品坚不可摧的护城河。

在显卡销售禁令的前提下，DeepSeek并未获得性能卓越的RTX4090，而是使用了成本更低的H100芯片显卡（大约五万块）。这意味着，算法模型训练不再强依赖于强劲的算力，而是聚焦于如何降低时间复杂度的算法优化上。

当DeepSeek公开表示核心代码使用底层PTX编程，而非使用更为有好的CUDA编程时，英伟达皮衣老黄不淡定了。

CUDA 是 NVIDIA 开发的并行计算平台和编程模型，PTX 是 CUDA 程序编译后生成的中间表示代码，通常用于 GPU 代码的优化和执行。学过编程的小伙伴都知道C语言和汇编语言的关系，CUDA好比易于理解的C语言，更接近人类世界的语言，但想要让机器理解，还是要转换为PTX；而PTX是更贴近机器可以理解的汇编语言，因而执行效率更高，但也正因为语言风格更接近于机器语言，所以能直接使用PTX编程的人少之又少，想要把它做到极致就难上加难。CUDA 生态包括高级 API 和丰富的工具链，庞大的库和框架支持，而这些在其他显卡生态上都还不够完善。全球AI算力市场NVIDIA GPU占比仍超85%（IDC数据）。

也正因如此，多年来撼动CUDA护城河的人大有人在，但得逞的却一个都没有。当然，CUDA不可能永远一家独大，DeepSeek使用PTX也不是业内第一人。但在未来硬件发展领域，AI芯片很可能走向“去CUDA化”。

02

—

算法：打破神话

OpenAI引领全球AI时代的神话，在这一刻被改写了。

DeepSeek-V3算法的训练成本约为558万美元，不及OpenAIGPT-4o模型的1/10，但其性能却已接近。DeepSeek-R1算法的出现，标志着AI算法领域的一次重大突破。 

与OpenAI相比，DeepSeek-R1在以下几个方面展现出显著优势：

• 更高效的模型训练： DeepSeek-R1采用了创新的算法架构和训练策略，能够在更短的时间内完成模型训练，并达到与OpenAI相当甚至更优的性能水平。这意味着更低的训练成本和更快的迭代速度，为AI应用的快速落地提供了可能。
• 更强的泛化能力： DeepSeek-R1在算法设计中融入了对数据分布和任务特性的深入理解，使其能够更好地适应不同的应用场景和数据分布，展现出更强的泛化能力。这意味着DeepSeek-R1在实际应用中能够更稳定、更可靠地完成任务。

DeepSeek-R1的出现，就像一记重拳，打得OpenAI措手不及。 DeepSeek在稀疏化训练和多任务统一架构上有显著进展，例如通过动态参数激活技术（类似MoE）提升模型效率，相同算力下训练速度比GPT-4快40%。

为了应对挑战，OpenAI不得不仓促应战，加速技术迭代，甚至开始考虑开源部分模型。开源社区发现，GPT-4已采用类似DeepSeek的混合专家系统（MoE）架构，双方技术路线趋同。OpenAI通过强化学习+人类反馈（RLHF）的工程化优势保持体验领先。

DeepSeek实现追赶性创新，虽尚未动摇OpenAI的体系化技术壁垒。然而，DeepSeek已经占据了先机，并在技术、成本和生态上建立了难以撼动的优势。

03

—

数据：另辟蹊径

DeepSeek提出的合成数据质量量化评估框架，为AI领域提供了一种新的思路：在小参数级模型上，通过有限的数据生成大量高质量的有效数据。

DeepSeek通过强化学习动态调整数据生成策略，显著提升了合成数据的逻辑一致性（据其2023年论文，提升了35%）。这种方法的核心在于优化数据生成过程，使得即使在小参数模型和有限数据的情况下，也能生成足够多的高质量数据——以往依靠占据高质量大数据抢占算法顶峰的时代结束了。

最近另一个爆炸新闻来自李飞飞团队的S1模型，成本不到150元，训练出一个媲美DeepSeek-R1和OpenAI o1的推理模型。李飞飞团队的S1模型（基于s1K数据集和蒸馏法）与DeepSeek的思路在核心理念上存在相似性。团队以阿里通义团队的Qwen2.5- 32B-Instruct作为基础模型，仅仅构建了1000个样本的数据集，通过蒸馏谷歌DeepMind的推理模型Gemini 2.0 Flash Thinking实验版，最终得到了s1模型。

DeepSeek侧重于合成数据生成，通过强化学习动态调整数据生成策略。李飞飞团队则侧重于数据筛选和蒸馏，通过精心设计的小数据集（s1K）和从大模型（如Gemini 2.0）中蒸馏知识来训练小模型。

虽然两者方法不同，但DeepSeek的思路（通过优化数据生成提升小参数模型性能）可能对李飞飞团队的研究有一定启发。尤其是在数据效率和小参数模型优化方面，两者的理念是相通的。

04

—

总结

DeepSeek以一己之力捅破了AI世界的天：

• 算力领域，海量、高性能的英伟达显卡不再是唯一选择；

• 算法领域，开源且十分之一的成本足以撼动闭源的AI世界老大；

• 数据领域，使用小参数级模型和有限样本数据集也一样能获得有效模型。

DeepSeek的出现，给全世界AI领域带来了实质性的新希望。