如何基于DeepSeek开展AI项目

最近一直在研究DeepSeek，作为应用层的选手，自然不会傻乎乎的想要去了解底层，我的关注点其实一直在成本两个字上，因为这里涉及到了新的AI应用技术路径选择。

过往的AI应用技术路径只有两条，直接调用API，使用微调自己做个领域模型。

但是，自己训练模型有个非常大的问题：几百万RMB丢进去，放个屁就没了...

这不止让CEO心疼，技术负责人心里也会咯噔一下，钱花了东西没做出来，那个心理压力是非常大的，CEO怕不把你屎打出来！

于是基于成本和压力的考虑，业内公司很快的“达成了一致”：直接调用API，偶尔串联下知识库，就是AI应用最佳实践

只不过，这从来都是成本考虑下的最佳实践，而不是真实的最佳实践...

大家可能并不理解是否微调模型对企业的意义，所以我这里补充几句，个人认为：

AI应用的核心是：基于行业KnowHow产生的数据与规则（规则其实是数据的一部分），再结合技术侧的工程能力形成的一套应用

基于常规的API调用方式，最大的问题是企业数据没有用武之地。

再进一步，基于知识库用RAG技术的话，或者基于知识图谱使用工程能力每次动态生成输入提示词，会好点知识库的更新迭代又是一个问题。

如果DeepSeek训练成本极低的化，就会形成第三种开发模式：将知识库训练进基座模型，只不过这里的问题更多，比如自己微调后模型迭代了，是不是又要训练。

综上，以个人实践加之最近的研究来说，以后的AI应用核心会往两个方向发展：

更强的知识图谱+更优的基座模型；
知识库训练至模型，形成很多小专家模型，模拟Moe（专家模型）架构；
两者其实基本思路类似，一个是数据前置形成规则，并且对工程能力尤为自信；一个是数据直接训练到模型里面，但这里的工程能力要求也没减少...

而两种开发模式都跳不出一个问题：迭代而来的优质数据如何反哺AI应用本身，只要想清楚这三个问题，AI应用开发也就顺畅了。

这里各位做AI应用的，一定要非常注意：如果你的AI应用没有自己的东西，是没有任何壁垒的，因为壁垒都是大模型的...

所以，AI时代的竞争，不再是产品功能的竞争，而是试错速度与资源的竞争，初期决定胜负的是企业的反应速度及基础实力。

在窗口期如何快速沉淀数据形成一层壁垒，如何打造产品配套设施形成二层壁垒，如何快速做出飞轮系统形成最终壁垒，AI应用最终目的可能也很简单：做出比别人好一点点的产品。

综上，我们今天不谈技术，重点聊聊在应用侧应该如何开展AI项目。

团队，成败的起点
之前我们做管理课程就说过，所有的成功看起来与团队没关系，但所有的失败一定是管理出了问题。

做AI项目更是如此，因为AI项目多半需要跨领域融合创新，比如AI律师需要程序员和律师合作、AI医生需要和医生合作、AI教师需要和老师合作...

在过程中互联网从业者可能会遭遇一个巨大的落差：怎么这些高端领域的专家“脑袋不好用”？

专家们“脑袋不好用”，是我过往在AI项目中最直观的感受，他最常见的表现是：

固执+偏见，非常固执，觉得自己是对的，AI是错的、程序员更是错的；
衍生出来的傲慢，领域专家在与程序员（或者产品）沟通过程中会强势且傲慢，并且表现出不愿意接受新事物的特点，这会让项目进展很慢；
所以，要做AI项目一定不能让领域专家做负责人，一定要让产品或程序员做负责人，否则很容易鸡飞蛋打！

这里的建议是：程序员作为最终实现者，一定要摆正心态！，有两个点：

必须深入了解业务，比如AI律师要深入理解律师的判断逻辑，要全吸收；比如AI医生要深入了解医生的诊断逻辑；
往前一步，不要想领域专家把这些知识喂给你，很可能他们没有这个建模表达的能力，自己去问，频繁的交流；
换句话说：程序员必须成为领域小专家，这个AI项目才做得出来，也不是要求你能打官司、能看病，但你要有最基本的好坏评价能力！

在程序员对行业有基本认知后，这个AI项目才算真正是开始，也算初步磨合结束。