近年来，DeepSeek凭借其卓越的技术实力和创新应用，迅速走红于市场。本文从应用场景、数据服务和研发成本三个角度，深入探讨DeepSeek的独特之处，供大家参考。
近期，DeepSeek真可谓火出天际，相关的文章和报道犹如雨后春笋。集中讨论的方向主要包括：中美博弈、开源胜利、技术解析，投资价值……
然而，作为一个产品人，只想从以下三个方面说说我对DeepSeek的理解。
DeepSeek 的进展有望解锁更多对“响应时效和精度要求极高”的复杂分析决策场景，例如投资决策、科研辅助、家庭教育、兵棋推演、具身智能、案件分析等。
小参数模型的优势不仅在于算力成本低，更在于其能够显著提升响应速度，并支持边缘计算。
通过强化学习（RL）和模型蒸馏技术，DeepSeek 使得较小参数的模型也能够展现出长思维链和自我验证的能力。
DeepSeek 为行业开启了一个巨大的想象空间：
许多原本需要深度分析推理的“慢思考”场景，未来可能以“快思考”的速度完成。这并不是说 DeepSeek 已经实现了这一目标，而是它正在推动这一趋势的发展。
回顾 2017 年，AlphaGo 已经能够在围棋这种有限规则的封闭场景中快速落子，而大语言模型（LLM）则能够应对更加多变、开放的无限场景。
正如《有限与无限的游戏》一书所描述的，这两种场景共同构成了人类社会的全部行为模式。
以往，只有人类的认知能力能够在无限游戏中实现瞬时响应，而未来 AI 也可能具备这种能力。
以马斯克为例，他的每一句即兴表达几乎都遵循第一性原理，深度思考率接近 100%，这是一般普通人难以企及的。
类似地，福尔摩斯在第一次见到华生时，仅凭一眼就推断出他是刚从阿富汗回来的军医。这种瞬间复杂推理的能力，即便给华生一年时间也难以完成。
通过大量强化训练，将原本需要“慢思考”的复杂逻辑推理问题，转变为接近“快思考”的速度。这种能力的人在专业领域内几乎无敌。
如果你读过《思考，快与慢》，可能会更容易理解这一点。书中提到，人类有两种思考系统：
系统 1 ——快速、直觉的“快思考”；
系统 2—— 是缓慢、逻辑的“慢思考”。
通过长期训练，某些系统 2 的行为可以逐渐自动化，接近系统 1 的运作方式。DeepSeek 带来的最本质改变，正是让复杂决策能够实现瞬时响应。
在复杂场景和垂直领域中，高质量的专业数据比以往更加稀缺。
在 GPT-4 发布时，我曾提出一个观点：通用训练数据已接近耗尽。
后来，Ilya 等业界大佬也表达了类似看法，印证了这一猜测。监督微调（SFT）本身存在局限性，如果要进一步突破模型上限，强化学习是为数不多的可行路径。
DeepSeek 的实践表明，仅通过强化学习就能很好地完成模型的后训练（post-train），从而减少对标注数据规模的依赖。
然而，这并不意味着不再需要标注数据。如果希望大模型能够解决更复杂的推理场景，就必须对数据结构和标注质量提出更高要求——即提升评测标准。
具体来说，标注评测标准的提升主要体现在两个方面：专业化和拟人化。
那专业化需要达到什么程度？
我认为，未来各行业的业务专家和领导者需要亲自参与数据贡献，将他们的认知复刻到大模型中。通用场景数据和中低端数据外包服务将不再重要，因为开发者可以通过导师模型合成数据来训练小参数模型。真正稀缺的是经过精心设计、筛选、标注、核验和优化的高质量专家数据。
拟人化需要达到什么程度？
每一轮对话都应像真人交流，而非机械地“念稿”。“像真人”这一标准可以无限高，例如像 AGI（通用人工智能）那样，或者像马斯克、王阳明那样的顶尖人类。
那什么样的数据才能训练出如此拟人的模型？
仅仅依赖微信、抖音等平台上的内容数据是远远不够的。如果这些数据足够有效，互联网大厂的大模型性能早已遥遥领先，但事实并非如此。目前，DeepSeek 在模型性能上表现出色，而 AI 领域的其他新兴力量也并未被大厂拉开质的差距。
当前主流的训练数据混合模式是“人工数据 + 合成数据”，但合成数据的质量远不如人类专家。因此，专家们需要亲自下场，参与数据构建。
我认为，2025 年将是 AI 数据领域的分水岭，劳动密集型的数据服务将逐渐被淘汰，取而代之的是专家密集型的高质量数据服务。
这也是为什么 Scale AI 的创始人会因 DeepSeek 的崛起而感到焦虑，甚至呼吁限制中国 AI 发展——本质上是因为他们的商业模式受到了冲击。
1）算力成本：DeepSeek 展示了低成本、高 ROI（投资回报率）的模型研发路径，让更多玩家看到了应用场景落地的可能性。
这将吸引更多应用端玩家入场，并促使资金投入更加坚决。同时，DeepSeek 的崛起也加剧了中美 AI 军备竞赛，使得英伟达芯片断供问题更加严峻。国产替代芯片的需求因此变得更加迫切，市场对低成本高端芯片的渴望也将推动国内芯片产业的发展，这对国运而言是一大利好。
2）人力成本：DeepSeek 的成功揭示了 AI 大厂组织精简的拐点已经到来。
不仅是硅谷，国内大厂同样难以避免这一趋势。与此同时，低成本、高效率的大模型研发机会将刺激更多新老软件公司加速布局 AI，从而导致 AI 人才呈现结构化流动的趋势。
优秀的 AI 公司永远缺乏顶尖人才。无论是在算法、工程还是产品领域，100 个普通工程师的价值可能远不如 1 个顶尖人才。
这就像房地产和股市中的现象：自 2021 年以来，房价暴跌，但一线城市的豪宅明显比刚需房更具抗跌性，因为豪宅有其独立的价值逻辑。
同样，在股市中，投资者偏爱龙头股，表面上是人性使然，但更深层的逻辑在于：龙头股涨得最早、涨得最多，也跌得最晚。
本文由人人都是产品经理作者【并步跳步交叉步】，微信公众号：【一起侃产品】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。