新一年的全球科技圈，主角儼然是deepseek。從發布以來，deepseek在整個ai產業鏈上引發一系列連鎖反應，無論是openai，還是英偉達，其明顯的震驚似乎皆驗證著deepseek已奇襲成功。
而deepseek的初步表現也的確可圈可點，數據顯示，上線5天deepseek日活躍用戶已超過chatgpt，上線20天的日活達2000萬人次以上，已是chatgpt的23%。當前，deepseek成為全球增速最快的ai應用。
在海外一眾ai玩家不可置信的同時，國內ai領域一片「鑼鼓喧天」：截至目前，阿里雲、百度雲、騰訊雲、位元組火山引擎均已正式支持deepseek；同時，百度崑崙芯、天數智芯、摩爾線程接連宣布支持deepseek模型。
這也標誌著全球ai競速賽中，國產廠商終於又跨出了一步。而deepseek的出現，是否為僵化已久的大模型行業破除了一些傳統「詛咒」，很多至關重要的細節，其實還值得進一步深究。
deepseek出圈是「偶然性」的嗎？
縱觀當前圍繞deepseek的幾大主要爭議，似乎每一點都指向同一個問題：deepseek是否真的實現了大模型的技術突破。早在deepseek公布其模型訓練成本僅為行業1/10時，就有聲音質疑，deepseek是通過大幅縮減模型參數規模，或依賴母公司幻方早期囤積的廉價算力實現的。
從某種角度來看，這些質疑有跡可循。
一方面，deepseek在縮減模型參數規模方面的「激進」有目共睹，另外一方面，deepseek背後的幻方確實有一定的算力儲存。據悉，幻方是bat之外唯一能夠儲備萬張a100晶元的公司，有報道在2023年就曾公布過國內囤積超過1萬枚gpu的企業不超過5家。
幻方就是其中之一。
但值得一提的是，無論是模型參數規模的縮減，還是算力創新爭議都無法否定deepseek「小力出奇蹟」打法的實質意義。首先，deepseek-r1在參數量僅為1.5億（1.5b）的情況下，在數學基準測試中以79.8%的成功率超越gpt-4等大模型。
其次，輕量化模型天然在推理能力與性能方面表現更出彩，訓練和運行成本也更低。據悉，deepseek以僅需1/50的價格提供了gpt-4類似的性能，在中小型企業和個人開發者中搶奪了一定的市場地位。
至於幻方對deepseek的加成，與其說是一場資本的偶然遊戲，不如說是國產大模型成長的必然結果。值得注意的是，幻方量化算是國內第一批闖入大模型賽道的企業，早在2017年，幻方就宣稱要實現投資策略全面ai化。
2019年，幻方量化成立ai公司，其自研的深度學習訓練平台「螢火一號」總投資近2億元，搭載了1100塊gpu；兩年後，「螢火二號」的投入增加到10億元，搭載了約1萬張英偉達a100顯卡。
2023年11月，deepseek 的首個開源模型 deepseek-coder發布。也就是說，這個引起海外科技巨頭集體破防的deepseek不是一夜之間的產物，而是國產ai廠商在大模型布局中早晚要走的一步。
不可否認，當前國內已具備培育「deepseek 」的客觀條件。公開資料顯示，一個全面的人工智慧體系正在各方資本的追捧下誕生，國內人工智慧相關企業超過4500家，核心產業規模接近6000億元人民幣。
晶元、演算法、數據、平台、應用……我國以大模型為代表的人工智慧普及率達16.4%。
當然，deepseek的技術路徑依賴風險始終存在，這也讓deepseek的出圈多了一絲偶然，尤其「數據蒸餾技術」不斷遭受重重質疑。事實上，deepseek並非第一個使用數據蒸餾的大模型，「過度蒸餾」甚至是當前人工智慧賽道的一大矛盾。
來自中科院、北大等多家機構就曾指出，除了豆包、claude、gemini之外，大部分開/閉源llm蒸餾程度過高。而過度依賴蒸餾可能會導致基礎研究的停滯，並降低模型之間的多樣性。上海交通大學也有教授表示，蒸餾技術無法解決數學推理中的根本性挑戰。
總而言之，這些都在反逼deepseek乃至整個國產大模型賽道繼續自我驗證，或許，國內還會誕生第二個「deepseek」，從現實的角度來看，deepseek成功的必然遠遠大於偶然。
「開源時代」要來臨了嗎？
值得注意的是，相比於技術之爭，deepseek也再度引發了全球科技圈對開源、閉源的激烈論證。meta首席科學家楊立昆還在社交平台上表示，這不是中國在追趕美國，而是開源在追趕閉源。
談及開源模型，還要追溯到2023年meta的一場源代碼泄露風波。彼時，meta順水推舟發布了llama 2開源可商用版本，頓時在大模型賽道掀起開源狂潮，國內諸如悟道、百川智能、阿里雲紛紛進入開源大模型領域。
根據kimi chat統計，2024年全年開源大模型品牌超過10個。2025年開年不足兩個月，除了大火的deepseek之外，參與開源者數不勝數。
據悉，1月15日，minimax開源了兩個模型。一個是基礎語言大模型minimax - text - 01，另一個是視覺多模態大模型minimax - vl - 01；同時，nvidia也開源了自己的世界模型，分別有三個型號：nvidia cosmos的nano、super和ultra；1月16日，阿里雲通義也開源了一個數學推理過程獎勵模型，尺寸為7b。
從2023年到2025年，無數ai人才爭論不休後，大模型的「開源時代」終於要來了嗎？
可以確定的一點是，比起閉源模式，開源模型能在短時間內憑藉其開放性獲得大量關注。公開資料顯示，當年在「llama 2」發布之初，其在hugging face檢索模型就有超6000個結果。百川智能方面則顯示，旗下兩款開源大模型在當年9月份的下載量就超過500萬。
事實上，deepseek能快速走紅與其開源模式分不開關係。2月統計顯示，當前接入deepseek系列模型的企業不計其數，雲廠商、晶元廠商、應用端企業皆來湊了把熱鬧。在ai需求鼎盛的當前，大模型開源似乎更能促進ai生態化。
但大模型賽道開源與否，其實還有待商榷。
mistral ai、xai雖然都是開源的支持者，但它們的旗艦模型目前都是封閉的。國內大部分廠商基本也是一手閉源，一手開源，典型的例子如阿里雲、百川智能，甚至李彥宏一度是閉源模式的忠實擁躉。
原因並不難猜測。
一方面，在全球科技領域裡開源ai公司都不受資本歡迎，反而是閉源ai企業在融資方面更有優勢。數據統計顯示，從2020年以來，全球閉源 ai 領域初創公司已完成 375 億美元融資，而開源類型的 ai 公司僅獲 149 億美元融資。
這對花錢如流水的ai企業而言，其中的差距不是一星半點。
另外一方面，開源ai的定義在這兩年愈發複雜。2024年10月份，全球開放源代碼促進會發布關於「開源ai定義」1.0版本，新定義顯示，ai大模型若要被視為開源有三個要點：第一，訓練數據透明性；第二，完整代碼；第三，模型參數。
基於這一定義，deepseek就被質疑不算真正意義上的開源，只是為了迎合短期聲勢。而在全球範圍內，《nature》的一篇報道也指出，不少科技巨頭宣稱他們的ai模型是開源的，實際上並不完全透明。
前幾日，受到「打擊」的奧爾特曼首次正面承認openai的閉源「是一個錯誤」，或許，趕著deepseek的熱度，一場ai界的「口水大戲」又要拉開序幕。
大規模的算力投入即將「暫停」？
這段時間，不少沉迷囤積算力的ai企業因deepseek的橫空出世遭到冷嘲熱諷，英偉達這類算力供應商還在股價上跌了一個巨大的跟頭。坦白來說，deepseek在某些方面的確帶來了新的突破，尤其在「壟斷詛咒」上，緩解了一部分焦慮。
但全球大模型賽道的算力需求依舊不可忽視，甚至deepseek自身都未必能暫停算力投入。
需要注意的是，deepseek目前僅支持文字問答、讀圖、讀文檔等功能，還未涉及圖片、音頻和視頻生成領域。即便這樣，其伺服器還困在崩潰的邊緣，而一旦想要改變形式，算力需求則會呈爆炸式增長，視頻生成類模型與語言模型之間的算力需求差距甚大。
公開數據顯示，openai的sora視頻生成大模型訓練和推理所需要的算力需求分別達到了gpt-4的4.5倍和近400倍。從語言到視頻之間的跨度尚且如此之大，隨著各種超級算力場景的誕生，算力建設的必要性只增不減。
數據顯示，2010年至2023年間，ai算力需求翻了數十萬倍，遠超摩爾定律的增長速度。進入2025年，openai發布了首個ai agent產品operator，大有要引爆超級算力場景的趨勢，這才是關係算力建設是否繼續的關鍵。
據悉，當前大模型發展定義總共分為五個發展階段：l1 語言能力、l2 邏輯能力、l3 使用工具的能力、l4 自我學習能力、l5 探究科學規律。而agent位於l3 使用工具能力，同時正在開啟對l4的自我學習能力的探索。
根據gartner預測，到2028年，全球將有15%的日常工作決策預計將通過agentic ai完成。如果大模型賽道按照規劃預想地一路狂奔，從l1到l5，全球各大ai企業對算力的建設更加不會忽視。
到l3階段，算力需求大概會是多少？
巴萊克銀行在2024年10月份的一則報告中預測過，到2026年，假如消費者人工智慧應用能夠突破10億日活躍用戶，並且agent在企業業務中有超過5%的滲透率，則需要至少142b exaflops（約150,000,000,000,000 p）的ai算力生成五千萬億個token。
即便超級應用階段的到來還遙遙無期，在目前大模型賽道加速淘汰的激烈戰場上，也沒有一家企業甘願落後一步。微軟、谷歌、亞馬遜、meta、位元組跳動、阿里、騰訊、百度……這些海內外的ai巨頭只怕會繼續花錢賭未來。
另外，deepseek最為人稱道的莫過於繞開了「晶元大關」。
然而，作為算力產業的基石，相同投入下，優質的算力基礎設施往往會提供更高的算力效率與商業回報。《2025年算力產業十大趨勢》中提到過，以gpt-4為例，不同硬體配置下其性能會發生顯著差異。對比h100和gb200等不同硬體配置驅動gpt-4的性能，採用gb200 scale-up 64配置的盈利能力是h100 scale-up 8配置的6倍。
deepseek一問三崩的伺服器，或許暗示著大模型賽道的「追芯」遊戲在算力角逐環節中遲遲未能結束。據悉，2025年，英偉達下一代gpu gb300可能會出現多個關鍵硬體規格變化，而國內的ai晶元國產化進程也星夜兼程。
種種跡象顯示，辛苦的算力建設一時半會無法停止，反而更卷了。
道總有理，曾用名歪道道，互聯網與科技圈新媒體。本文為原創文章，謝絕未保留作者相關信息的任何形式的轉載。
