加入企业领导人信任的活动近二十年。VB变换汇集了建立真正的企业AI战略的人们。 了解更多
当DeepSeek发布其R1模型时今年一月，这只是另一个AI公告。这是一个分水岭，引发了通过科技行业的冲击波，迫使行业领导者重新考虑他们对AI发展的基本方法。
使DeepSeek的成就引人注目的是，该公司发展了新颖的能力。相反，这是它与技术重量级人物以一小部分成本提供的相当的结果。实际上，DeepSeek从未做过以前从未做过的任何事情。它的创新源于追求不同的优先事项。结果，我们现在正在沿着两个平行的轨道进行快速开发：效率和计算。 作为DeepSeek
准备发布其R2模型，并且同时面对美国更大的芯片限制的潜力，重要的是要研究它如何引起如此广泛的关注。围绕约束的工程DeepSeek的到来，突然而戏剧性的，吸引了我们所有人，因为它展示了创新的能力，即使在巨大的限制下也展示了蓬勃发展。
面对美国出口控制，限制了进入尖端AI芯片的访问，DeepSeek被迫找到AI进步的替代途径。
尽管美国公司通过更强大的硬件，更大的模型和更好的数据来追求绩效，但DeepSeek
专注于优化可用的内容。它以出色的执行实施了已知的想法，并且在执行知名度和做得很好时有新奇的想法。这种效率优先的心态产生了令人印象深刻的结果。
据报道，DeepSeek S R1型号的功能仅为运营成本的5％至10％。据报道，DeepSeek S V3前任的最终培训仅花费了600万美元，这是前Tesla AI科学家Andrej Karpathy所描述的，与美国竞争者花费了数千万或数亿美元的预算笑话。更引人注目的是，据报道，Openai花费了5亿美元培训其最近的Orion模型，但DeepSeek取得了优越的基准成果，仅占Openai投资的560万美元的1.2％。
如果您认为这些令人难以置信的结果是在无法访问先进的AI芯片的严重劣势，我不愿意告诉您，但是这种叙述并不完全准确（即使这是一个很好的故事）。最初的美国出口控制主要集中在计算能力上，而不是在内存和网络上 - 两个关键组件用于AI开发。
这意味着DeepSeek可以使用的芯片不是质量较差的筹码。他们的网络和内存功能使DeepSeek能够在许多单元上平行操作，这是有效运行其大型模型的关键策略。
加上中国的全国努力控制整个AI基础设施的垂直堆栈，导致了许多西方观察家没有预期的加速创新。DeepSeek的进步是AI开发的不可避免的一部分，但是它们比其他可能的可能提前了几年，这是令人惊奇的。
实用主义对过程
超过硬件优化，DeepSeek的培训数据方法代表了与传统西方实践的另一种背离。据报道，DeepSeek不仅依靠网络结束的内容，而是利用了其他专有模型的大量合成数据和输出。这是模型蒸馏的一个经典示例，也是从真正强大的模型中学习的能力。但是，这种方法提出了有关数据隐私和治理的疑问，这可能与西方企业客户有关。尽管如此，它强调了DeepSeek的总体务实关注结果而不是过程。
合成数据的有效使用是关键区别。在培训大型模型时，合成数据可能非常有效，但是您必须小心。一些模型体系结构比其他模型更好地处理综合数据。例如，在合成合成数据时，基于变压器的模型（MOE）结构混合（MOE）架构往往更健壮，而在早期Llama模型中使用的更传统的密集体系结构（如早期Llama模型中使用的）可以体验性能降级甚至是模型崩溃，而在对太多合成内容进行过多培训时。
这种架构敏感性很重要，因为合成数据与实际数据相比引入了不同的模式和分布。当模型体系结构不能很好地处理合成数据时，它可能会学习合成数据生成过程中存在的快捷方式或偏见，而不是可概括的知识。这可能会导致在面临新颖情况时，在现实世界任务上的表现降低，幻觉或脆弱性。”
尽管如此，据报道，DeepSeek的工程团队仍专门设计了他们的模型体系结构，从最早的计划阶段开始考虑合成数据集成。这使公司可以在不牺牲绩效的情况下利用合成数据的成本收益。
市场混响
为什么所有这些都重要？除股票市场外，DeepSeek的出现引发了行业领导者之间的实质性战略转变。
恰当的例子：Openai。山姆·奥特曼（Sam Altman）最近宣布了自2019年以来发布该公司首个开放式语言模型的计划。对于一家在专有系统上开展业务的公司而言，这是一个相当值得注意的枢纽。除了骆驼的成功之外，DeepSeek的崛起似乎击中了Openai的领导者。DeepSeek到达现场仅一个月后，Altman承认Openai在历史上的错误方面就开源AI。一个
据报道，由于Openai每年花费7至80亿美元在运营上，诸如DeepSeek之类的有效替代方案的经济压力已经无法忽视。正如AI学者Kai-Fu Lee直言不讳的那样：“您每年花费70亿美元或80亿美元，造成巨大的损失，在这里，您有一个免费的开源模式，可以免费进行。这需要更改。
这种经济现实促使Openai追求大规模400亿美元的资金回合这对公司的估值为前所未有的3000亿美元。但是，即使有一个战争箱的资金箱，基本的挑战仍然存在：Openai的方法比DeepSeek的资源密集度更高。
超越模型培训
DeepSeek加速的另一个重要趋势是向测试时间计算（TTC）的转变。由于AI主要实验室现在已经在Internet上的许多可用公共数据上训练了他们的模型，因此数据稀缺性正在放缓进一步的培训。
为了解决这个问题，DeepSeek宣布与Tsinghua University进行合作，以实现“自我原理的批评”（SPCT）。这种方法训练AI制定自己的规则来判断内容，然后使用这些规则来提供详细的批评。该系统包括一个内置的法官，该法官实时评估了AI答案，并将答案与核心规则和质量标准进行了比较。
该发展是AI系统中自主自我评估和改进的运动的一部分，在该系统中，模型使用推理时间来改善结果，而不是简单地使模型在训练过程中更大。DeepSeek称其系统 - DeepSeek-Grmâ（通才奖励建模）。但是，与其模型蒸馏方法一样，这可以被视为承诺和风险的混合。
例如，如果AI制定了自己的判断标准，那么这些原则与人类价值观，道德或背景的风险有所不同。规则可能最终会变得过于僵化或有偏见，以优化对实质的样式和/或加强错误的假设或幻觉。此外，如果没有循环中的人，如果法官有缺陷或错位，可能会出现问题。这是一种自身对话，没有强大的外部基础。最重要的是，用户和开发人员可能不明白AI为何得出一定的结论，这些结论会引起更大的关注：是否应该允许AI决定仅基于其自己的逻辑的好或正确的？这些风险不应折现。
同时，这种方法正在获得吸引力，因为DeepSeek再次建立在他人的工作基础上（例如Openai的批判和修订方法，对自我奖励代理的宪法AI或研究），以创建SPCT在商业努力中的首次全面应用。
这可能标志着AI自治的有力转变，但仍然需要严格的审计，透明度和保障措施。这不仅是关于模型变得更聪明的，而且在没有人类护栏的情况下开始批评自己，因此它们仍然保持一致，可解释和值得信赖。
进入未来
因此，考虑到所有这些，DeepSeek的兴起都表明了AI行业向平行创新轨道的更广泛的转变。尽管公司继续为下一代功能建立更强大的计算集群，但还将非常重视通过软件工程和模型架构改进来寻找效率提高，以抵消AI能源消耗的挑战，而AI能源消耗的挑战超过了动力的产量。”
公司正在注意。例如，微软已在全球多个地区停止了数据中心的开发，从而重新校准了更分布，有效的基础架构方法。尽管该财政年度仍计划在AI基础设施上投资约800亿美元，但该公司正在重新分配资源，以响应效率提高到市场上的效率增长。
元也回应了 发布其最新的Llama 4模型家族，标志着其首次使用Moe Architecture。在启动Llama 4时，META在其基准比较中特别包含了DeepSeek模型，尽管与两者进行比较的详细性能结果并未公开详细披露。这种直接的竞争定位标志着不断变化的景观，中国人工智能模型（阿里巴巴也在制作比赛中）现在被硅谷公司视为值得基准的。
在如此短的时间内进行了如此多的运动，具有讽刺意味的是，旨在维持美国AI主导地位的美国制裁可能加速了他们试图遏制的创新。通过限制获得材料的机会，DeepSeek被迫开辟一条新的小径。
前进，随着行业继续在全球发展，所有参与者的适应性将是关键。政策，人员和市场反应将继续改变基本规则 - 是否消除AI扩散规则，新禁令技术购买或其他东西。这是我们彼此学到的东西，以及我们如何回应值得一看的。
Jae Lee是首席执行官兼联合创始人十二个。
