DeepSeek的出现，不仅在技术上取得了突破，更在AI领域引发了深远的影响。本文将探讨DeepSeek如何通过其高效的模型训练和开源策略，重新定义了AI行业的竞争规则。

这两天，中美AI领域发生了两件大事：

在美国发布AI禁令后，特朗普随即宣布了一项预算高达5000亿美元的AGI计划——星际之门，以保证其在AI领域的领先地位。

而在大洋彼岸的中国，一家名为Deepseek的中国创业公司，只用了2048块显卡，就训练出了一个能与顶级模型相媲美的Deepseek-V3模型。

Deepseek最引人注目的并不只是它的技术指标，而是其所代表的效率革命，仅依靠少量的硬件配置和几十名年轻的博士生，就打破了美国的AI资源限制，完成了跨越式的技术突破。

更重要的是，Deepseek选择了完全开源的路线，将代码、模型权重和训练日志全部公开。没有人会忘记开源的力量，虽然定义智能手机的是iOS，但安卓才是那个让手机行业真正繁荣，普惠深入世界各个角落的人。

正如Perplexity CEO Aravind Srinivas所说：历史告诉我们，一旦开源追上甚至超越闭源软件，所有开发者都会转向开源。

以此为转折点，DeepSeek不仅改变了AI原有的竞争规则，也让美国和中国的AI路线走向了不同的两个方向：巨额投入与追求效率、封闭与开源。

01 DeepSeek突破的三层意义

之所以DeepSeek能够引起如此广泛的讨论，不仅在于其技术指标，更在于其对于AI行业的重要意义。

首先，DeepSeek重新定义了大模型的竞争壁垒。过去两年里，OpenAI每年要花费上百亿美金，来维持自己在AI领域的优势地位。

而现在游戏规则变了。“DeepSeek”证明，数千万美元的投资也能取得显著成果。

不久前，UC伯克利博士生潘家怡和另两位研究人员，在CountDown游戏中复现了DeepSeek R1-Zero。实验中，团队验证了通过强化学习RL，3B的基础语言模型也能够自我验证和搜索。

更夸张的是，整个实现成本仅不到30美金（约217元）。这意味着，低成本构建具备推理能力的模型已成为可能，预训练模型的巨额投入不再是必需。

这背后也引出了一个深层次的问题：

当一家公司能在缺乏顶级芯片的情况下，以极低成本建立突破性的 AI 模型时，我们不得不重新思考：那些投入的数千亿美元资本支出，真的物有所值吗？

这是OpenAI需要回答的问题。

其次，与OpenAI的闭源路线不同，DeepSeek选择完全开源的路线，将代码、模型权重和训练日志全部公开。

当开源模型性能媲美市场上最强大的模型，甚至在部分领域有所超越时，会吸引越来越多的开发者参与。

原因很简单，开源软件成本低廉，成本越低，开发者的吸引力就越大。因为这将大大降低构建应用程序的成本。

这有点像苹果和安卓的故事。回顾移动互联网时代，定义智能机0到1的是iOS，但让手机行业真正繁荣普惠深入世界各个角落的是安卓。

在Meta 副总裁兼首席人工智能科学家杨立昆看来，DeepSeek的成功，与其说是”中国超越美国”，倒不如说是开源模型正在超越专有模型。

第三，Deepseek的技术突破，背后是AI研发开放性的胜利，这与美国的AI封锁形成了鲜明对比。

具体来说，在一个被GPU短缺和芯片禁运困扰的环境中，一家从未被计入中国“AI 六小龙”的量化基金公司，用少量的硬件配置和几十名年轻的博士生，就完成了跨越式的技术突破。

作为一个后来者，Deepseek的突破虽然离不开自身的努力，但更重要的是，开放的技术交流环境，包括论文、开源代码和各种正式或非正式的人才交流，为创新突破创造了条件。

这揭示了AI行业的另一个关键特性：模型研发具有很强的外部性。特别是在蒸馏与合成数据等技术存在的情况下，后来者的追赶和学习效应异常强劲。这种内卷加外卷的结果，也是模型能力变好，而成本快速下降的原因。

英伟达科学家Jim Fan也提到了开放性对于AI发展的影响：

不管你喜欢与否，AI的未来不会是被“安全委员会”控制的瓶中精灵。每个互联网用户都将能在他们的“烤面包机笔记本”上运行高阶模型。这是历史潮流，我们应该顺势而为，而不是逆流而上。

当美国不断强化AI技术封锁的当下，Deepseek的突破又何尝不是对于美国AI制裁的一种“反噬”。

02 找到中国大模型的商业化答案

之前，李开复一直在表达一个观点：

中国做AI的优势从来不是在不设预算上限的情况下去做突破性研究，而是在好、快、便宜和可靠性之间找出最优解。

在相当长时间里，国内大模型一直处于很尴尬的处境，训练阶段不仅被技术封锁，还容易被海外开源降维打击。

如今，Deepseek的突破代表了一种新的可能性——即通过算力效率的提升，实现更繁荣的LLM应用生态。

长期来看，AI应用生态能否跑通，取决于每个国家的成本结构、商业模式、经济模型、产品供给能力，大家各有不同，是个复杂的商业问题。

固然，中国买不到最新的芯片，单位Flops的推理成本永远比海外高，但这也倒逼中国infra出现了各种“工程式创新”，去探索更高效的算力优化方式。

至少从目前看，国内推理优化进展比大家想象要快。一旦算力优化这事跑通，国内大模型在商业层面建立良性循环也不是没有可能。

也就是说，中美未来AI将是两个完全不同的故事：美国押注模型能力提升，中国追求模型效率的极限。

一旦算力优化这事跑通，国内大模型在商业层面建立良性循环也不是没有可能。

也就是说，中美未来AI将是两个完全不同的故事：美国押注模型能力提升，中国追求模型效率的极限。

这就很像当年互联网所发生的故事。过去十年，中国和美国在互联网领域讲了两个完全不同的故事：硅谷加倍投入企业软件，而中国则将赌注押在消费者应用上。

自谷歌和Meta后，美国科技业几乎放弃了在消费互联网上再造流量入口的尝试，转而选择全面拥抱SaaS。软件也完美接力上一个十年中的消费移动应用，成为新十年的主流投资趋势，也跑出了很多优秀公司。

而中国在消费互联网展现了非凡的生命力，字节跳动把短视频生意做到了全世界，美团把本地生活做成了一个千亿美元的生意，而拼多多也成长为阿里、亚马逊一外的电商新一极。

在GPT横空出世之后，美国SaaS公司率先受益，纷纷开始向客户提供AI功能，通过之前建立的客户基础和产品场景直接产生商业回报，大大提升了在AI上创新投入的回报确定性。而中国的AI应用却因为缺乏场景和商业模式而进展缓慢。

随着AI应用的逐渐落地，模型效率将会成为打通中国大模型商业化循环的一把“钥匙”。