去年底，我們寫了一篇筆記， 《2024年，DeepSeek帶給硅谷“苦澀的教訓”》，提出了一個觀點，相比聖誕前OpenAI的連續12天線上發佈會，DeepSeek-V3的發佈，纔是當年真正的壓軸戲。

沒想到這篇文章引發了一陣狂炒。DeepSeek-R1推理模型就在特朗普就職日那天發佈，性能基本超過了GPT-4o，媲美OpenAI-o1，成本僅爲其十分之一到二十分之一。這次不僅讓硅谷懵逼，而且讓華爾街也不安起來。

尤其是特朗普宣佈了任期內投資5000億美元AI基礎設施的 星際之門計劃，由軟銀、OpenAI和甲骨文操盤，微軟、英偉達、ARM等爲技術夥伴，更是把美國的AI發展的資本+算力模式推到了一個新的高度，還不用說其他科技巨頭每年高達數千億的資本支出主要投向AI。但DeepSeek以高效的訓練和推理，讓砸錢搞GPU軍備競賽的AI發展模式開始遭到一些質疑，建立在這一基礎之上的AI概念公司，無論在一級市場，還是在二級市場，都面臨着一次估值的拷問。

相比之下，DeepSeek正在探索一條中國式的AI發展之路，我們在 對2025年AI的十個展望中，第一條就提出來，中國將參與基礎模型的創新，而不僅僅是跟隨。辭舊迎新之際，我們再度對DeepSeek進行一次”模式“級別的梳理，分下面四個部分：

1，深度求索有深度

2，螢火和R1論文

3，DeepSeek衝擊

4，改寫AI遊戲規則

深度求索有深度

DeepSeek遠遠不像是許多介紹的、尤其是海外報道和傳說中的那樣，是一家僅成立一年多的AI公司。實際上它脫胎於幻方量化基金，這是一家已經創辦了17年的、有數學、計算、研究和AI基因的對沖基金。

2008年，浙江大學學習信息與通信工程的梁文鋒創立了幻方量化，直到2014年，在幻方量化的初創階段，團隊從零開始探索全自動化交易。

2015年纔是幻方自認爲的創始元年，真正依靠數學與人工智能進行量化投資。“創始團隊意氣風發、勇於創新、勤勉奮進，立志成爲世界頂級的量化對沖基金。”2016年，幻方第一個AI模型建立的股票倉位上線實盤交易，算力開始從CPU轉向GPU。至 2017 年底，幾乎所有的量化策略都已經採用 AI 模型計算。

作爲一家對沖基金，幻方開始確立以 AI 爲公司的主要發展方向。但是， 複雜的模型計算需求使得單機訓練遭遇算力瓶頸，同時日益增加的訓練需求和有限的計算資源產生了矛盾，2018年，幻方的AI團隊開始尋求大規模算力解決方案。

其實2019年可能是幻方大模型之路的起點，這一年，幻方AI（幻方人工智能基礎研究有限公司）註冊成立，致力於 AI 的算法與基礎應用研究。AI 軟硬件研發團隊自研幻方“螢火一號”AI集羣，搭載了500塊顯卡，使用 200Gbps 高速網絡互聯。一年之間，“螢火一號”總投資近2億元，於2020年正式投用，滿血搭載1100塊加速卡，爲幻方的AI研究提供算力支持。

幻方AI很快又投入10億元建設螢火二號。2021年，螢火二號一期確立以任務級分時調度共享AI算力的技術方案，從軟硬件兩方面共同發力：高性能加速卡、節點間 200Gbps 高速網絡互聯、自研分佈式並行文件系統（3FS）、網絡拓撲通訊方案（hfreduce）、算子庫（hfai.nn），高易用性應用層等，將螢火二號的性能發揮至極限。

到了2022年，ChatGPT時刻前夕，幻方已經成爲國內一家領先的AI公司，而且手中握有上萬塊英偉達A100卡和一定數量的AMD卡。螢火二號取得了多800口交換機互聯加核心擴展子樹的軟硬件架構革新，突破了一期的物理限制，算力擴容翻倍。新的hfai框架讓模型加速50-100%。集羣連續滿載運行，平均佔用率達到96%以上。全年運行任務135萬個，共計5674萬 GPU 時。用於科研支持的閒時算力高達1533 萬GPU 時，佔比27%。

從中可以推算出，在2022年，幻方已經平均每天用4.2萬GPU時，相當於每天有近2000張GPU卡在幾乎滿負荷跑科研而不是交易。如果按照當時A100每小時雲服務的市場價，相當於每年在科研方面投入2億元人民幣。這樣規模的AI研究，在當時的國內處於領先狀態，在當時的國際上巨頭之外的AI初創公司中，也算得上是領先的。

2023年4月11日，開源模型Llama1和GPT-4和相繼發佈之後，幻方宣佈做大模型，2023年5月把技術部門做大模型的團隊獨立出來，成立深度求索公司，進軍通用人工智能AGI。

所以，如果從深度求索公司成立算起，DeepSeek還不滿2年；但是如果從成立幻方AI算起，已近5年；再從2016第一個AI股票倉位模型上線交易算起，已近10年。

當2018年，幻方確立以AI爲公司的主要發展方向時，就已經註定了它將是一家AI技術公司，而對沖基金是其當時主要的應用。

我們可以看到，量化投資與AI研究，構成了幻方基因的雙螺旋結構。2019年，幻方躋身百億私募，這一年，幻方AI成立，並且開始獨立構建螢火集羣。2021年，幻方管理基金規模一度超過千億元，它開始構建更大更復雜的算力集羣螢火二號。幻方的基金管理業務最輝煌的是2019年和2020年，自然年收益分別爲58.69%和70.79%，此後因爲行業等方面的原因，量化發展一蹶不振，但幻方作爲一家AI公司凸顯出來。

如果對比成立於2010年的DeepMind和成立於2015年的OpenAI，作爲創業公司，幻方與其處於同一時代。DeepMind和OpenAI創立時都是純粹的AI實驗室，以實現通用人工智能（AGI）爲使命，而且在這場深度學習革命中起到了先鋒作用，從AlphaGo、AlphaFold到ChatGPT，都是革命性的技術與產品。相比之下，幻方AI一直在復刻研究其成果，直到成立深度求索，推出DeepSeek大模型。從這一點來說，DeepSeek取得的成就，是站在巨人的肩膀上。

從AI交易模型到幻方AI，再到DeepSeek，推動了幻方的對沖基金業務的同時，也一步一步從業務部門獨立出來，並逐步重新定義幻方這家公司。幻方AI的發展離不開對沖基金業務的支持。進行長期的AI研究，離不開資金與算力資源的強有力支持。DeepMind最後被谷歌收購，作爲一家獨立的公司，它一直虧損，但作爲一家AI研究實驗室，在谷歌內部的作用是戰略性的。

我在2017年採訪DeepMind創始人哈薩比斯時，他告訴我說，谷歌收購DeepMind，就是爲了推動從移動第一到AI第一的戰略轉型。在ChatGPT之後，谷歌更是對其內部顯得雜亂的AI研發和業務進行了整合，全部 歸併到DeepMind旗下。

同樣，OpenAI也從非營利改組爲營利。其中微軟先後投資達140億美元，對於OpenAI能持續以大算力推進Scaling Law (擴展定律），以大資金和高估值吸引全球頂尖人才，成爲一家生成式人工智能的領軍企業，發揮了至關重要的作用。

對於所有的技術公司來說，AI大模型將成爲其技術底座，也將重構所有企業的IT和軟件部門，這可以部分解釋爲什麼一個企業內生的AI能力，強大到一定程度，有可能定義出企業新的增長曲線。

從2019年幻方開始構建螢火一號開始，就註定了它走上了一家AI公司的軌跡。2021年，幻方構建螢火二號，在亞太第一個拿到A100卡，在ChatGPT之後，幻方成爲全國少數幾家擁有上萬張A100 GPU的機構。投資十多億元構建萬卡級算力級羣，這不會是僅僅用於炒股。

而硅谷和Alex王和Dylan Patel等，在DeepSeek-3V推出之後，更是相信DeepSeek擁有5萬塊H100。不管怎麼說，在DeepSeek做研究，應該是中國實現GPU自由的地方。

DeepSeek與DeepMind和OpenAI一樣追求人才密度，所不同的是，後兩者吸收了全球最優秀的AI人才，而前者目前只吸收了國內最優秀的人才。記得當時我採訪哈薩比斯時問過同樣的問題，他回答說：DeepMind吸引了全球60多個國家頂尖的博士生和科學家。

DeepSeek從一家對沖基金的技術研究部門，逐步將其母體轉變爲一家AI公司，這是一個非常特殊的例子。對沖基金和AI技術都來自美國，但無論是華爾街的對沖基金、還是從華爾街海歸做量化的團隊，沒有一個能像幻方這樣，進化出一個做通用AI大模型的核心能力，例如，彭博曾經很早推出了BloombergGPT大模型，然後就沒有然後了。從這一點上來說，DeepSeek這個本土團隊是獨特的，沒有“模式”可談。

但是，DeepSeek也蹚出了一條路，可能用500萬美元、千張GPU卡訓練出高性價比的模型，這讓許多在巨頭面前感到絕望、紛紛放棄預訓練的初創AI企業，開始重新思考它們的戰略，從這一點來說，DeepSeek開創了一種“模式”。

螢火和R1論文

2024年，DeepSeek一口氣發佈了從V1到V3三個基礎模型版本，全部開源，如果看其研究部門之前幾年發的論文和技術博客，可以理解這也是厚積薄發的結果。我們在去年底的文章裏介紹了DeepSeek的8篇論文，這裏再補充介紹兩篇。一篇是被國際AI界廣泛讚譽爲2025年最迄今爲止最佳論文的R1。

它的亮點包括：對基礎模型直接上強化學習，而不是先用收集起來非常耗時的監督數據進行訓練；採用了羣體策略相對優化（GRPO)，強化學習訓練的成本和複雜性都得到了顯著降低，同時保持了較好的性能表現；還蒸餾了6個Qwen和Llama的小模型，用起來更加節省，而且針對領域的性能更加強大；特別是DeepSeek-R1-Distill-Qwen-1.5B在數學基準測試中優於GPT-4o和Claude-3.5 Sonnet。它可以裝到一個手機裏。

這裏要特別提及論文中有一段，用散文化的語言，描述了在訓練過程中出現的模型自我“頓悟”的時刻：

“在DeepSeek-R1-Zero的訓練過程中，觀察到一個特別有趣的現象，即“頓悟時刻”（aha moment) 的出現。這一時刻出現在模型的中間版本中。此時，DeepSeek-R1-Zero學會了重新評估其初始方法，爲問題分配更多的思考時間。這種行爲引人入勝，不僅證明了模型推理能力的提升，也例證了強化學習如何帶來意外且複雜結果。

這不僅是模型的‘頓悟時刻’，也是研究人員的‘頓悟時刻’，他們觀察到了強化學習的力量與美感：我們並未明確教導模型如何解決問題，而是爲其提供了正確的激勵，使其自主發展出高級的問題解決策略。‘頓悟時刻’有力地提醒我們，強化學習有潛力在人工系統中解鎖新的智能水平，爲未來更自主和自適應的模型鋪設道路。”

一個有趣的“頓悟時刻”出現在DeepSeek-R1-Zero的中間版本中。該模型學會了以擬人化的語氣重新思考。這對我們來說也是一個頓悟時刻，讓我們見證了強化學習的力量與美感。（來源：DeepSeek R1論文）

如何構建一個高效的萬卡算力集羣？DeepSeek發佈於2024年8月的論文，介紹了高性價比的螢火AI-HPC架構，提出了深度學習的軟件與硬件一體化設計的理念。按姓氏拼音字母，創始人梁文鋒排在第17位作者。

這篇論文總結了構建螢火二號的經驗，配備10,000個PCIe A100 GPU，其性能接近英偉達的DGX-A100，同時將成本降低了一半，能耗減少了40%。

DeepSeek團隊特別設計了HFReduce以加速allreduce通信，並實施了多項措施以確保計算-存儲一體化網絡無擁塞。通過我們的軟件堆棧（包括HaiScale、3FS和HAI-Platform），還通過重疊計算和通信實現了顯著的擴展性。

從中可以看出，DeepSeek的策略，是用接近最先進的大模型和基礎設施的性能，設計出遠超其接近性的高性價比的產品，參與國際大模型競爭。

DeepSeek衝擊

DeepSeek-R1已經成爲MIT和斯坦福美國頂尖高校研究人員的首選模型。甚至有研究人員表示，它已經代替了ChatGPT。其實最大的受益者，應該是中國用戶，它讓美國在大模型上對中國的卡脖子基本無效了，中國大多數用戶以後可以用上和美國基本相當的AI模型和應用。

全球最大開源平臺HuggingFace團隊，也正式宣佈復刻DeepSeek-R1所有pipeline。完成之後，所有的訓練數據、訓練腳本等，亦將全部開源。DeepSeek已飆升至 HuggingFace 上下載量最多的模型，僅R1下載已經超過13萬次（本文截稿時爲止），蒸餾小模型如Qwen 32B 和1.5B，也都名列前茅。

DeepSeek-R1激起了開發人員極大的熱情，社交媒體和社區網站上，大家興奮地分享着自己的嘗試，並交流着對他們的 AI 開發意味着什麼。用戶評論說，DeepSeek的搜索功能現在優於 OpenAI 和 Perplexity ，只有 Google 的 Gemini Deep Research 可以與之匹敵。

尤其是在基礎模型上直接強化學習，成爲衆多AI實驗室及研究人員紛紛採用的新範式，爲了過程中追求DeepSeek的那一“呵哈時刻”，港科大助理教授何俊賢團隊，只用了8K個樣本，就在7B模型上覆刻出了DeepSeek-R1-Zero和DeepSeek-R1的訓練。

一些團隊證明，採用了R1-Zero算法——給定一個基礎語言模型、提示和真實獎勵信號，運行強化學習，小到1.5B的開源模型，應用於一些遊戲當中，都能復現出解決方案、自我驗證、反覆糾正、直到解決問題爲止。1.5B模型更是可以下載到手機上，在數學等性能上，相當於擁有了一個性能相當GPT-4o和Claude 3.5 Sonnet的最先進閉源模型。

美國的主流商業、財經、甚至綜合時政媒體，也開始報道DeepSeek現象。CNBC對AI獨角獸Perplexity創始人CEO Aravind Srinivas的專訪，從一個技術產業專家的角度，對DeepSeek V3的亮點進行了點評：

需求是創新之母。正因爲他們必須尋找變通方案，他們最終建造出了一個效率更高的系統。“除非在數學上能證明這是不可能的，否則你總能想出更有效率的方案。”

性價比。“他們推出了一個成本比GPT-4低10倍、比Claude低15倍的模型。運行速度很快，達到每秒60個token。在某些基準測試中表現相當或更好，某些則稍差，但總體上與GPT-4水平相當。更令人驚訝的是，他們僅用了大約2048個H800 GPU，相當於1000-1500個H100 GPU，總計算成本僅500萬美元左右。這個模型免費開放，併發布了技術論文。”

巧妙的技術解決方案。“首先，他們訓練了一個混合專家模型(Mixture of Experts)，這並不容易。人們難以追趕OpenAI，特別是在MOE架構方面，主要是因爲存在大量不規則的損失峯值，數值並不穩定。但他們提出了非常巧妙的平衡方案，而且沒有增加額外的技術修補。他們還在8位浮點訓練方面取得突破，巧妙地確定了哪些部分需要更高精度，哪些可以用更低精度。據我所知，8位浮點訓練的理解還不夠深入，美國的大多數訓練仍在使用FP16。”

Perplexity 已經開始使用DeepSeek。他們提供API，而且因爲是開源的，我們也可以自己部署。使用它可以讓我們以更低的成本完成許多任務。但我在想的是更深層的問題：既然他們能訓練出如此優秀的模型，這對美國公司來說，包括我們在內，就不再有藉口說做不到這一點了。

DeepSeek-R1開源，已經逼得o3 mini免費！

從硅谷到華爾街，分析人士已經開始思考，DeepSeek可能對熱炒AI的美國資本市場，從一級到二級，會帶來多大的影響。中國企業地板價的AI服務，會不會衝擊美科技巨頭的估值，AI相關基礎設施的投資規模，等等。科技巨頭每年鉅額的AI資本支出，短期內是否值得。美國AI概念股，是否需要來一次重新估值呢？而中國的AI概念股，是否也需要來一次重新估值呢？有人開玩笑說，DeepSeek背後的幻方量化，在發佈V3、R1的同時，幻方可以建立起做空美國AI概念股的策略。

DeepSeek也在改變硅谷的AI初創企業估值，讓風險資本多數不約而同站在DeepSeek一邊，他們找到了殺價初創公司的最好理由：我pre-A給你500萬美元，你能幹出點啥？看看人家的孩子，看看DeepDeek!

難道你們都把錢用來買OpenAI的服務了嗎？現在不是有DeepSeek，便宜10倍到20倍呵！而且，緊接着DeepSeek，字節的豆包-1.5-pro也推出了，比DeepSeek便宜5倍，比o1最多便宜200倍！

就連OpenAI剛剛推出的智能體Operator，只有月費200美元的訂戶才能使用，但是，用DeepSeek可以做出同樣好的開源免費版本，而且已經有四五個了。

AMD反應很敏銳，已經把DeepSeek-V3集成到了Instinct MI300X GPU上。

用DeepSeek，還出現了一些新的玩法：如RAT，（ retrieval angment thinking)，把R1的推理過程，嫁接到任何一個大型語言模型上，可以顯著提升其性能，並獲得函數調用和JSON模式。

這位小哥在用DeepSeek開發了一個研究智能體。

不過也有一些研究人員表示，DeepSeek 模型在跟蹤長時間對話的背景等方面，其能力與花費更高的競爭對手模型相比，還有欠缺。

改寫AI遊戲規則

這次楊立昆最有話說。“與其說是中國正在超越美國AI，不如說是開源正在超越閉源AI。”

開源與閉源

面對美國的封鎖和巨頭的軍備競賽，中國的一些AI企業選擇了一條不同的道路——開源。較低的成本可以做出優秀可用的推理模型，而且好的模型轉化爲更“殺手”的應用，似乎是更有效的路徑。DeepSeek沒有在應用方面花一分錢推廣，但它已經在國內和國際的各大應用商店佔據榜首。這讓一些AI“小龍”們重新思考，迴歸技術，擁抱開源，如最近MiniMax果斷轉向開源。

開源能夠匯聚全球社區的力量，加速大模型的研發和應用創新。開源模型更容易被廣泛採用，尤其是在算力和人才資源有限的國家和行業。 通過開源，中國有機會在全球AI領域建立自己的技術標準。開源模型（如DeepSeek、阿里Qwen等）以高性價比著稱，有助於推動AI技術的普惠化，將AI技術推廣到全球南方國家，

DeepSeek會影響衆多企業AI戰略。隨着成本降低和開放訪問，企業現在可以選擇替代昂貴的專有模型，例如OpenAI。DeepSeek的發佈可能會使前沿AI 功能的訪問變得民主化，使較小的企業能夠在 AI 軍備競賽中有效競爭。

Aravind Srinivas進一步指出了爲什麼美國地精英階層開始產生的擔憂更具戰略意義：“比起試圖阻止他們（中國AI企業）追趕，更危險的是他們現在擁有最好的開源模型，而所有美國開發者都在使用它進行開發。這更危險，因爲這意味着他們可能會掌握整個美國AI生態系統的心智。歷史告訴我們，一旦開源趕上或超越閉源軟件，所有開發者都會轉向開源。”

中國與美國

在美國對中國實施芯片封鎖的背景下，DeepSeek展現了一種真正的創新——需求推動的創新。中國企業在僅能從中國本土企業獲得比美國落後一兩代GPU條件下，依然能夠開發出優秀的基礎模型。這種創新不僅僅依賴於GPU和資本的軍備競賽，而是通過算法、架構和工程的創新實現了突破。

關於OpenAI的護城河問題，2023年5月，在Meta發佈了Llama開源模型後不久，谷歌內部即有人提出，我們沒有護城河，OpenAI也沒有。

今天，是這一問題再次提出的時候了。首先是OpenAI的護城河在哪裏。隨着AI技術進入實際應用領域，性價比成爲關鍵因素，而非單純追求最先進的模型。OpenAI等公司投入數十億甚至上百億美元進行預訓練和基礎設施建設，但如果其技術護城河不夠深，其商業模式將面臨挑戰。這種高投入的模式是否可持續，成爲從硅谷到華爾街令人感到焦慮的問題。

DeepSeek已經證明，美國無法在 AI 領域獲取絕對的競爭優勢，甚至那些科技巨頭都無法取得絕對的優勢。

應該看到，以AI發展的全棧技術來看，中國與美國依然有明顯的差距。越往底層走，差距越明顯。在AI芯片領域，從GPU到HBM，中國自主技術的差距在兩代到三代。而這一輪AI創新的一個突出特徵，是科技巨頭主導的，它們擁有自制芯片（ASIC）、數據中心、雲計算、AI平臺及工具鏈、操作系統、殺手級應用，建立起全棧技術的垂直整合體系，其中尤以亞馬遜、微軟、谷歌這三大雲服務巨頭爲代表。

OpenAI也在向一家AI科技巨頭演變，它依然擁有強大的技術能力和品牌影響力。它正在從基礎模型向上下游擴展，建立起自己的應用芯片團隊和數據中心，加快佈局基於推理模型的智能體，並全面探索其商業模式，如果昂貴的而又尖端的推理和智能體技術，最終證明能解決複雜和有價值的問題，在性價比上依然擁有強大的競爭力。

Srinivas認爲Meta仍然會開發出比DeepSeek 3更好的模型，“不管他們叫它Llama 4還是3點幾”。他特別強調了Meta在開源領域的貢獻：“實際上，Meta的Llama 3.3技術報告非常詳細，對科學發展很有價值。他們分享的細節已經比其他公司多得多了。”相比之下，DeepSeek的技術報告沒有公佈訓練數據來源。

Srinivas認爲，與其擔心中國的追趕，更重要的是保持創新勢頭，繼續推動技術進步。“我們不應該把所有精力都集中在禁止和阻止他們（中國AI企業）上，而是要努力在競爭中勝出。這纔是美國人做事的方式——就是要做得更好。”

對攻的比賽更精彩。蛇年讓我們期待Llama 4，Grok 3，也期待 OpenAI-o4, Claude-4, 還有Gemini-2.5或者3，甚至GPT-5。