2025年1月，杭州的深度求索（DeepSeek）发布自研模型R1，在全球科学技术行业引发震动。经媒体广泛报道，该公司及其产品迅速成为全民热议线周内用户量破亿，上涨的速度远超前辈“ChatGPT”以及国民级应用抖音。甚至连我那英文单词都不认识的老妈都告诫我：“有个什么D的AI软件很厉害，你要好好学一下”。
DeepSeek的出现，极大地提升了大众对AI的认知与关注，让人们切实领略到人工智能的魅力。围绕DeepSeek，从技术创新、生态构建到投资机遇、人才发展等，有着诸多值得探讨的话题。本文将聚焦于几个核心问题，深入浅出地为读者剖析：DeepSeek究竟卓越在何处？它又带来了怎样的投资契机？
在此，特别感谢近期给予我们指导、建议与帮助的业内资深人士。作为行业新参与者，我们开设公众号旨在科普科技与投资知识，助力普通读者增进理解，同时激励自身持续学习。我们始终秉持谦逊态度，致力于为大家输出高质量内容。
从普通用户视角来看，与此前大热的ChatGPT、豆包等工具类似，DeepSeek本质上也是一款大模型。不过，它具备更丰富的思考路径，展现出更高的智能水平。
DeepSeek的V3和R1模型广受青睐，引发广泛讨论。其核心原因主要在于，DeepSeek在模型算法和系统软件层面实现重大创新，在性能上达到与世界领先模型GPT-o1近乎同等水平的同时，成功将成本（每Token使用费）降低至GPT-o1的十分之一。
并且，DeepSeek采取开源策略，所有人均可免费下载并用于商业用途，能基于该模型开展二次开发。
自主研发的MoE（混合专家模型）架构：形象地说，这种架构类似患者就医。患者先依据自身身体健康情况，在分诊台选择特定领域专家（如内科、外科等）挂号，实现精准诊疗，而非做全面检查。放在模型的场景中，即尽管整体模型规模庞大，但每次调用时激活的参数规模较小，明显降低了训练成本。
多头潜在注意力机制（MLA）：该机制减少了键值缓存开销，使显存占用降至其他模型的5%-13%，大幅度的提高了模型运行效率。
强化学习（RL）的广泛应用：DeepSeek大幅度减少传统的监督微调（SFT），直接通过强化学习从基础模型中激发推理能力。由于强化学习无需数据标注（即人工手动辅助计算机识别物体），极大地降低了成本并简化了训练流程。
FP8混合精度训练：相较于以往的FP16计算方式，此训练方式直接节省了算力，并通过算法优化确保模型训练效果。
需指出的是，除多头潜在注意力机制（MLA）是DeepSeek在其模型中独特应用的技术外，其他技术并非DeepSeek首创。但DeepSeek通过不懈努力，将工程化做到极致，达到了新的技术高度，且其版本至今仍在持续迭代更新。
DeepSeek的影响远不止于成本降低，它对整个AI赛道产生了深远影响，打破了诸多“AI偏见”。
例如，规模法则（Scaling Law）或许已触及天花板。此前在讲解GPT的文章中提到，OpenAI秉持“大力出奇迹”的理念，坚信单纯依靠增加算力就能提升模型性能，而对算力的优化改进作用不大。
但DeepSeek的成功有力地反驳了这一观点。DeepSeek的算力并非顶尖，却通过算法优化取得了惊人成果。这表明美国芯片可能并非制约中国AI产业高质量发展的重要的条件，这也是DeepSeek发布当日英伟达股价下跌的原因之一。
业内某位资深人士对DeepSeek在AI技术路径方面的影响评价颇为贴切：“我们曾一度认为AI是一座大山，大家努力往上顶爬，现在或许应该思考，AI可能是大海，有很多方向可以探索。”【1】
又如，美国的大模型并非不可超越。客观而言，DeepSeek虽未超越美国大模型，但将中美模型差距从2 - 3年缩短至半年。并且，DeepSeek并未照搬美国技术路径，而是在底层实现突破。作为一家纯粹的中国公司，首次推出与美国媲美的优秀模型，具备极其重大的地理政治学意义。
再者，闭源并非绝对优于开源。过去几年，开源大模型性能与头部企业的闭源大模型相比，始终存在一代以上的差距。此次DeepSeek性能追平闭源模型，极大地增强了开源社区的信心。
一款领先的开源模型意义重大：一方面，有利于技术推广。以往客户常担忧使用闭源模型存在数据泄露风险，而开源从根本上消除了这一顾虑；
另一方面，有助于构建生态。开源模型能够吸引更多顶尖开发者，使开发者能够便捷地调用强大的AI工具，摆脱大公司的限制，从而明显提升AI的进化速度，让每个国家、企业乃至个人都能部署自己的模型。
DeepSeek诞生后，中美芯片公司、计算机显示终端以及工具链迅速适配并提供支持，充分彰显了开源的魅力。
可以形象地理解DeepSeek的影响：大模型如同人们的超级助手，可协助创作、绘图、编程、搜索等。但在DeepSeek出现前，大模型主要服务于大企业和高净值群体。而DeepSeek的问世，让普通大众也能畅享AI带来的便利，恰似“旧时王谢堂前燕，飞入寻常百姓家”，有力地推动了AI的普及与平等应用。
DeepSeek的诞生极大地推动了AI的发展与落地应用，与AI相关的领域均将从中受益。不过，与以往相比，仍存在一些显著变化。
过去，投资人主要关注AI云端训练，如今则应更加重视AI端侧推理。从今年的CES展会能够准确的看出，各类终端应用（如眼镜、手表、耳机等）都在尝试与AI融合，但效果欠佳，核心原因主要在于SoC提供的算力与大模型所需算力不匹配。
在GPT时代，大模型效果非常明显，但端侧SoC算力有限，难以支持动辄千亿参数的大模型，因此端侧设备主要承担数据上传下载功能，处理和决策则由云端集中完成。
然而，云端集中处理存在诸多问题：一是调用云端算力成本比较高，增加了整体经营成本；二是数据上传下载耗时较长，在对决策速度要求极高的工业检测、无人驾驶等场景中不足以满足需求；三是存在隐私风险，部分客户不愿将信息上传至云端。
而DeepSeek-R1的突破在于其“蒸馏模型”技术（可简单理解为“压缩”或“针对特定领域的优化”）。通过压缩大型模型参数并优化推理效率，使得原本依赖云端算力的复杂AI任务能够在终端设备本地运行。
这意味着，借助DeepSeek的蒸馏技术，端侧设备能够在本地完成数据采集、处理与决策，大幅度的提高了端侧设备的“智能”与“响应速度”，更好地使用户得到满足需求，进而推动行业快速发展。
AI端侧芯片：如SoC芯片。需注意的是，即便模型经过蒸馏，传统SoC仍难以满足算力需求。因此，许多芯片厂商开始发力NPU，推出算力达数百TOPS的SoC芯片。随着端侧模型部署难度明显降低，此类AI SoC芯片的需求预测将大幅增长。
尽管部分自媒体和个人将DeepSeek当作百度使用，似乎它已能直接服务计算机显示终端，但实际上，DeepSeek更类似于手机的Android系统或笔记本的Windows系统。要充分的发挥DeepSeek的强大功能，离不开广大开发者的二次开发。
DeepSeek R1作为基础模型，性能提升迅速且质量优良，为应用落地提供了更大的可能性。对于开发者而言，其开源特性至关重要，模型能够与应用充分适配调优，且调用成本低、稳定性高（调用GPT的API存在被美国限制的风险），未来有望催生具有突破性的“杀手级”应用，推动AI应用百花齐放。
春节期间，我深切感受到AI正切实改善人们的生活。家中读一年级的小侄女常借助手机向AI提问，辅助完成作业、聆听故事；60多岁的舅妈在日常卖货时，也会咨询AI，因其年龄较大，时常难以回答顾客的问题。
舅妈感慨道：“这东西太好用了，问儿子多了他会不耐烦，可它永远都不可能厌烦，而且无所不知。”母亲在使用AI后也赞叹：“这东西太厉害了，听说还是年轻人做的，中国人真了不起。”我对此表示认同：“确实，AI时代已然来临。”
我不禁思索，这或许仅仅是AI变革的开端。未来，AI将更深入地融入生活的方方面面，从智能家居的全面守护，到医疗健康领域的精准诊断，再到教育方式的彻底革新，曾经只存在于科幻小说中的场景正逐步成为现实。
AI正以不可阻挡之势重新定义我们的生活，身处这一技术革命浪潮之中，实乃幸运。去年，整个创投行业着实有些惨淡和寒冷，2025年，希望可以温暖一些。