DeepSeek 常见误读与行业影响分析
最近 DeepSeek 成为全球最热门的话题，甚至没有之一。无论是北美、欧洲，各大 IT 巨头、投资机构、政府官员，乃至脱口秀演员，都在不断提及这个话题。国内自媒体也享受了一批流量盛宴。但在这些信息的不断传播和讨论中，鉴于流量的偏好，或者说公众的偏好，在很多自媒体和非专业人士的报道和解读中，一些关键信息存在较多的误导。
我觉得这个话题甚至可以作为一个认知能力的评判标准。我所理解的合理认知是，所谓掐头去尾。所谓头和尾是什么？过度神话，以及无脑贬低。
1. 过度神话
我旧文其实也说到了，它非常棒，对行业发展的促进价值是值得肯定的，但谈及颠覆，还为时尚早。一些专业测评来看，在一些关键问题的解决上，并没有超越 ChatGPT。比如我看到有人测试，模拟典型的小球在封闭空间的弹跳代码，DeepSeek 编写出来的程序表现，和 ChatGPT o3-mini 相比，从物理学的遵循度角度来看，还是有差距。
当然，我没有亲测，单一案例也许不能证明太多，但至少目前看到的多个测评来说，最多只能说各有千秋，DeepSeek 还不能说实现了反超。AI 大模型的能力评估是一个多维度的过程，包括逻辑推理、代码生成、多模态理解等，单一维度的优势不足以定义整体超越。许多评测显示，在复杂数学推理和长文本处理上，头部闭源模型依然保持领先优势。因此，对于技术团队而言，选择模型应基于具体业务场景的实测结果，而非盲目追求最新热点。
2. 无脑贬低
不要过度神话它，但无脑贬低也是很扯淡的事情。微软说 DeepSeek 蒸馏了 ChatGPT 的结果，所以一些人也借题发挥，把 DeepSeek 贬低的一钱不值。这个事情该怎么看？那么一些证据也是有的，比如你问 DeepSeek 自己是谁，它会说自己是 ChatGPT，从某种意义来说，这个很有可能是他们采纳了一些 ChatGPT 的一些语料信息训练，但如果你说他们的成就是基于蒸馏 ChatGPT 的，我是不信的。
根据我的测试，DeepSeek 答案的脑洞很大，很多问题的解答会比 ChatGPT 发散，而我所理解的蒸馏，通常是为了提升效率，会带来更收敛的结果。我的个人判断是，DeepSeek 的训练中，可能部分利用了一些蒸馏的语料信息，或者做了少许的蒸馏验证，但这个对它整个模型的质量和价值影响应该很低。而且既然人家都开源了，复现和测试也很容易，全球做 AI 大模型的专家已经人手一份在研究了，就此而言，在这个环节上翻车的概率极低。
但我也认同一个事实，基于领先模型蒸馏验证优化自己的模型，是很多大模型团队的一个常规操作，但毕竟需要联网 API，能获得的信息非常有限，不太可能是决定性的影响因素，相对于海量的互联网数据信息来说，通过 API 调用领先大模型能获得的语料杯水车薪，合理的猜测是更多用于对策略的验证分析，而不是直接用作大规模训练。所有大模型都需要从互联网获得语料训练，而领先的大模型也在不断为互联网贡献语料，从这个角度来说，每个领先的大模型都摆脱不了被采集，被蒸馏的宿命，但其实也没必要把这个当作是决定成败的关键。最终大家都是你中有我，我中有你，迭代前进。
3. 成本优势
关于 DeepSeek 成本优势这块，误读是最多的，也是最容易去写段子，打鸡血的，所谓中国创业公司不到 600 万美元干翻所有巨头，各种自媒体喜欢这样讲，普通老百姓也分辨不了。那么实际上，这个数据的来源是 DeepSeek 论文里提到的数据，而人家论文提到的数据是有前提的，就是最终版本的训练成本。人家说的这个前提很清楚，没有包括研发成本，前期硬件购置成本，以及前期测试和迭代的训练成本，只是最终版本的训练成本，或者说，你拿着人家开源代码，你有对方完整语料，去做完整复现的算力成本。
我举个例子你们就明白了，这就好比告诉你配方和生产流程，你去做仿制药的成本（还不包括人工），但是原研药的成本是仿制药的多少倍，稍微懂点行的都知道吧。很多硅谷大佬出来说这个事，国内的人会认为这些大佬在贬低 DeepSeek，其实很多真不是，他们也要给自己团队找点场子对吧，自己投入几十亿美金，被中美两边的老百姓们嘲笑，要对公众澄清一点，DeepSeek 真实成本绝对不是几百万美金，我们这些巨头投入的几十亿美金也不是因为我们人傻对吧，所以很多大佬其实只是澄清事实，为自己的团队正名而已。
但硅谷某些人的言论我也是不太认同的，说 DeepSeek 有五万张 H100，投入十几亿到二十亿美金，这个我还真不信，我觉得这就是另一个极端了。我给读者们算个帐：
其一，网上说幻方不差钱，但他们背后其实是私募基金，私募基金啥意思，有投资人的，你梁文峰有情怀，人家投资人给你钱是炒股票的，不是给你情怀的，幻方几百亿人民币的资金盘子，是投资人的钱，不是梁文峰的钱，他们炒股一年赚大几十亿人民币（网上数据），是给投资人赚的钱，按照行规他们能分十几个亿，管理费 + 利润佣金，大概率过不了二十亿。然后还有各种税费要交，核心团队怎么说也要分分钱，以及人员和正常的量化系统的维护成本，这个钱当然不算少，比起很多国内上市公司利润还多，但即便如此，算来算算，怎么看他们也不像能拿出十几个亿美金搞事的样子，七扣八扣，一年能拿出来十个亿人民币都难，这是我的个人判断。
其二，人家优化算法，对内存的控制策略，摆明了是针对 H800 的内存局限做的，要有那么多 H100 搞这么复杂的内存优化干嘛，就算做优化也不会对内存占用卡的那么狠对吧。那么结合之前看到的一些数据和介绍，幻方有上万张，乃至几万张卡是真的，前期成本肯定不是几百万美金那么少，但是比起行业巨头来说，他们的资金其实也有限，能拿到的资源也有限，我觉得合理估算，几年来累计投入十几个亿甚至二十多亿人民币我认为是有可能的（硬件采购成本，员工成本，前期训练和迭代的试错成本等等），肯定不是个小数字，也不是普通创业公司能玩的起来的，但比起美国同行，比起行业巨头，肯定也是抠门了很多，总研发成本比美国同行低一个数量级也是合理的。
没有网传那么省钱，但确实还是挺省钱的，这是我的结论。这种成本优势主要得益于混合专家模型（MoE）架构的高效利用以及软件栈的深度优化，使得在同等算力下能实现更高的训练吞吐量。
