作者｜沙丘智库研究团队
来源｜沙丘社区（www.shaqiu.cn）
本文节选自沙丘智库：《回答关于DeepSeek的六个热门问题》
在人工智能领域，创新的步伐从未停止，而DeepSeek正是这一领域的先锋之一。DeepSeek以其突破性的算法策略和对软硬件优化的重视，使其在全球范围内都取得了显著的竞争优势。然而，随着这家公司的成功，它也引发了广泛的讨论和众多疑问。
DeepSeek的崛起让许多AI领导者重新审视自己的战略，同时也让他们对DeepSeek的进步可能带来的影响和含义感到不确定。
在这篇文章中，我们将深入探讨近期关于DeepSeek的热门问题，提供对于DeepSeek的全面解读：
问题1：DeepSeek的技术创新意味着什么？
问题2：DeepSeek V3的训练成本真的只有557.6万美元么？
问题3：DeepSeek是否成功绕过了英伟达的CUDA架构？
问题4：DeepSeek的模型有哪些局限性？
问题5：DeepSeek R1是否解锁了突破性的应用场景？
问题6：除了DeepSeek R1，还有那些创新的推理模型值得关注？
▎问题1：DeepSeek的技术创新意味着什么？
DeepSeek V3和R1模型的发布揭示了AI领域的技术突破与行业趋势演变：
· 算法效率：大语言模型可以用比通常认为的更少的资源开发。DeepSeek V3模型仅以14%的GPU成本实现了与Meta的Llama 3.1- 405B相当的性能。通过蒸馏，可以将大模型能力迁移至轻量级架构，降低推理成本，从而使企业更高效地构建定制模型；
· AI技术的民主化与应用加速：DeepSeek-R1相比OpenAI的o1具有显著的成本优势，且其蒸馏技术有助于企业以更低成本加速AI应用；
· 数据将成为真正的竞争优势：DeepSeek未公开V3和R1模型的训练数据细节，但强调数据经过精心策划，并结合了V1、V2、Math和Coder等早期模型的开发经验。除了算法上的创新外，数据被认为是开发这些强大模型的关键差异因素；
· 地缘政治转变：V3和R1模型验证并支持了中国本土AI生态系统的发展；
· 从单一模型到复合AI：传统方法依赖于预训练来生成大语言模型。DeepSeek将训练范式转向后训练，结合基于规则的系统、监督微调（SFT）和强化学习（RL），更有效地增强模型开发。
▎问题2：DeepSeek V3的训练成本真的只有557.6万美元么？
DeepSeek官方宣称V3模型训练仅花费557.6万美元，从表述上来看正确，但其成本核算范围存在限定条件。这一数字仅涵盖最终阶段的核心硬件与训练成本，未包含前期技术积累、隐性投入及长期基础设施成本。
557.6万美元的训练成本由如下两部分组成：
· 硬件消耗：278.8百万小时的H800 GPU算力（按市场价估算）；
· 预训练直接支出：每处理1万亿token花费3.6万美元（按总训练数据量计算）。
图片来源：《DeepSeek-V3 Technical Report》
但这一数据不包括以下关键成本：
· DeepSeek V1/V2/Coder/Math等早期模型的研发经验；
· 利用开源社区优化的算法、数据集或工具链等所节省的开发时间成本；
· V3模型迭代过程中的试错成本；
· 数据采集、清洗、标注及合规性处理（通常占AI项目30%-50%）；
· 人才与基础设施成本，包括工程师薪资、自建算力集群的硬件采购/运维成本、定制化软件栈开发等。
▎问题3：DeepSeek是否成功绕过了英伟达的CUDA架构？
没有。
DeepSeek通过优化英伟达的PTX提升了H800 GPU性能，但仍依赖CUDA工具链，未实现架构级绕过。
PTX（Parallel Thread Execution）是英伟达定义的中间层指令集，类似于CPU的汇编语言，需通过CUDA工具链编译为机器码。使用PTX如同用汇编语言优化代码，但程序仍需在Windows/Linux系统（类比CUDA生态）中运行。
受出口管制的H800芯片可能阉割了部分算力（如互联带宽），通过PTX编写更底层的并行计算逻辑，可最大化利用剩余硬件性能。
▎问题4：DeepSeek的模型有哪些局限性？
虽然DeepSeek的技术创新备受关注，但在技术、安全、生态及战略等方面仍然存在局限性：
（1）技术性能缺陷
· 缺乏企业级安全防护能力：DeepSeek R1缺乏原生安全防护机制，在提示注入和越狱攻击等安全测试中的表现弱于其他可比模型，需依赖第三方服务补足；
· 幻觉问题：与其他大语言模型一样，DeepSeek R1模型仍然会产生幻觉。在复杂场景，该模型可能会产生看似合理但实际上并不正确的回答，特别是在综合多个来源的结果时；
· 蒸馏的局限性：模型蒸馏可能会导致学生模型在复杂任务上的性能下降。此外，学生模型的有效性受到教师模型能力的影响，甚至可能会放大教师模式中存在的偏见和错误。
（2）安全和隐私问题
· 数据泄露事件：在2025年1月，网络安全公司Wiz发现了未经授权的数据库访问实例，这些实例暴露了用户聊天记录、API密钥和后端日志，目前暴露面已关闭；
· 审查机制问题：可下载模型内置的审查机制较少，但仍然表现出从其训练数据集中继承的隐性偏见这种偏见可能导致在不同宗教和文化背景下的过滤差异。
（3）生态系统和社区缺陷
· 开发者生态薄弱：DeepSeek的社区与其他主要参与者的规模、文档和工具链成熟度相比相形见绌，例如相比Llama的3000+第三方插件，DeepSeek仅支持200余个，且缺乏可视化调试工具。这严重阻碍了第三方应用程序的开发；
· 企业适配成本：虽然DeepSeek的架构透明，但模块化定制需要额外的合规工作，增加了部署成本。
（4）战略挑战
· 创新的可持续性：随着竞争对手（如Meta、谷歌）采用与DeepSeek类似的方法，算法带来的效率提升可能会失去竞争优势；
· 地缘政治脱钩：美国的出口管制和技术标准可能会限制DeepSeek进入全球开源生态系统，迫使其依赖可能存在性能缺陷的国内替代品。
▎问题5：DeepSeek R1是否解锁了突破性的应用场景？
暂时没有，但未来可能会。
DeepSeek R1作为一款低成本的开源推理模型，尚未在商业场景中产生颠覆性创新应用，但其技术特性与潜力正在重塑行业对AI落地的想象空间。
受益于强化学习所带来的探索、反思和规划能力，DeepSeek R1在科学研究、数学和编码等领域的潜力尤为明显。
DeepSeek R1的蒸馏模型可以在资源有限的情况下有效地开发出一个能力较强的推理模型。
此外，R1为未来在其他领域实现由基础模型驱动的AI Agent奠定了基础，例如在DeepSeek R1发布后，OpenAI发布了Deep Research，这是一款基于o3超强推理模型的深度研究工具，能自主执行多步骤联网搜索、跨源数据整合及专业报告生成。
▎问题6：除了DeepSeek R1，还有那些创新的推理模型值得关注？
除了DeepSeek以外，市场上还有一些值得关注的推理模型，例如在DeepSeek R1发布的同一天，月之暗面也发布了新一代推理模型kimi k1.5，采用与DeepSeek类似的推理思路。
尽管受到美国高端芯片的限制，但这些模型展示了中国在推理模型领域的快速发展。
▎更多研究（可前往“沙丘智库”查阅）
DeepSeek带来的变化，企业该如何应对？
2024中国大模型技术采纳现状调研报告
2024年国资央企大模型应用跟踪报告
2024年中国工业大模型应用跟踪报告
2024年AI Agent最佳实践报告
...
*更多生成式AI研究可前往“沙丘智库”小程序查阅
*有任何需求可咨询客服微信：zimu738
