摘要：1月20日，该公司发布推理大模型DeepSeek-R1，仅用OpenAI十分之一的训练成本，实现了比肩甚至超越GPT-4o、Claude-3.5等顶尖闭源模型的性能，在数学、代码和自然语言推理等任务上表现卓越，且完全开源，支持免费商用。
深度求索（DeepSeek）让世界深度震惊，一周以来持续刷屏。
1月20日，该公司发布推理大模型DeepSeek-R1，仅用OpenAI十分之一的训练成本，实现了比肩甚至超越GPT-4o、Claude-3.5等顶尖闭源模型的性能，在数学、代码和自然语言推理等任务上表现卓越，且完全开源，支持免费商用。
开源免费、性能超GPT-4、训练成本仅557万美元——DeepSeek-R1直接捅破了硅谷巨头构建的技术护城河。
据Meta员工爆料，Meta的工程师们正在争分夺秒地分析DeepSeek的技术，试图从中复制任何可能的技术；微软CEO萨蒂亚·纳德拉在瑞士达沃斯世界经济论坛上表示，微软必须以最高度的重视来应对中国的这些突破性进展；华尔街顶级风投a16z的创始人马克·安德森称它是 “给全世界的大礼”；AI圈知名人士Yuchen Jin认为，DeepSeek-R1论文中的这一“顿悟时刻”意义重大。
超高的关注度也让DeepSeek使用量快速攀升，苹果App Store应用商店美区免费榜上升到第六，超越谷歌Gemini、微软 Copilot等美国生成式AI产品。国内App Store升至第二，排在字节旗下的豆包之上。这两天还有不少网友反映，DeepSeek因用户访问量激增而短暂出现服务器繁忙的状况。根据GitHub数据，DeepSeek-R1仓库在发布24小时内星标数突破20万，创下AI项目历史纪录。
从华尔街投行到英伟达科学家，从《自然》杂志到开源社区，所有人都在研究，都在追问：这家成立仅一年半的中国公司，如何用极低成本实现了高性能？它是否会颠覆当前AI大模型巨额砸钱堆算力的发展模式？
DeepSeek-R1的颠覆性源于一套精密的“性能—成本”平衡术。从模块化架构到强化学习，再到动态蒸馏，每一步都直指“低成本、高性能”的核心目标。
首先在架构设计上。传统AI模型如同“全科医生”，无论解数学题还是写代码都调用全部能力，导致算力严重浪费。而R1采用的混合专家架构（Mixture of Experts，MoE）彻底改变了这一模式——它将模型拆分为256个“专家模块”，每个模块专精特定领域，根据用户输入的指令，动态分配到合适的专家进行处理。
遇到数学题时，系统自动激活“数学专家模块”；处理医疗影像时，调用“放射科专家模块”。R1具备6710亿参数，但通过稀疏激活机制，R1每次推理仅激活5%的专家模块（约37B参数），算力消耗降低90%。例如处理医疗影像时，系统自动调用“放射科专家模块”，成本仅为GPT-4的1/8，准确率反超3%。
其次在训练方式上。如果说传统AI训练是填鸭式教育，DeepSeek则找到了让机器“顿悟”的秘籍。传统的模型训练，就像是老师手把手教学生做题，先背课本，给学生一堆解题模板（预训练），再做老师出的题，通过人工标注的答案微调（监督学习）。
而R1完全抛弃这套模式，改用纯强化学习（Reinforcement Learning，RL）驱动的训练模式，让AI像打游戏一样自主升级——设定简单规则：答案正确加分，解题步骤清晰额外奖励。模型每做一次尝试，系统就会根据答案打分，模型再根据这些分数自己调整策略。而且，它还会通过DeepSeek自研的优化算法“群组相对策略优化”（Group Relative Policy Optimization，GRPO），多策略对比提升模型效率。GRPO算法可以通俗地理解为，模型会同时生成多个回答，然后用上面的奖惩规则给每个答案打分，根据追求高分、避免低分的逻辑不断更新模型。
模型正是这样通过反复试错寻找最优路径，打个比方，这就像让一个天才儿童在没有任何范例和指导的情况下，纯粹通过不断尝试和获得反馈来学习解题。全程无需高价聘请人类标注答案，数据成本降低95%。
纯强化学习的训练方法甚至能让模型突发“顿悟”——训练日志显示，某个模型在连续失败2000次后，突然在20分钟内突破三道物理难题，准确率从32%飙升至89%；另外，模型通过试错自学，还可能自创解题方法。例如在某几何题上，R1突然“灵光一闪”，用出教科书没有的证明步骤。
此外，真正让开发者沸腾的是R1的动态蒸馏技术。这项黑科技能将6600亿参数大模型的能力“压缩”到仅有1.5B参数的小模型中，如同将超算能力装进笔记本电脑。普通开发者用16GB显存的游戏显卡即可部署，推理速度比肩专业级A100芯片。谷歌大脑负责人Jeff Dean在内部邮件中写道：“R1的动态蒸馏技术重新定义了模型压缩的极限，我们的团队正在连夜研究其技术细节。”
DeepSeek会带来哪些深远影响？
“DeepSeek R1的强化学习路径是十年内最激进的AI技术实验，它证明了一条完全不同于OpenAI的可能性。”《自然》杂志在专题报道中称。
R1模型的横空出世，让AI圈的关注目光从需要大量算力的“预训练+监督微调”范式，投向只有十分之一成本、但准确率相当甚至更高的纯强化学习方法。而这个方法或许是通向通用人工智能（AGI）的意外捷径。
R1的技术突破不仅体现在实验室中，更引发了全球产业链的连锁反应。OpenAI的商业模式首当其冲——R1的开源策略吸引全球开发者共建生态，GitHub社区三周内衍生出300多个应用，涵盖法律文书生成、医疗影像分析等领域，而OpenAI的插件商店仅有80余个产品。DeepSeek-R1的API定价低至每百万tokens输入1元，仅为OpenAI的3%，直接击穿行业利润底线。Meta虽紧急宣布追加650亿美元GPU采购，但分析师尖锐指出：“硬件军备竞赛难以对抗算法创新。”
DeepSeek的成功还指向了美中科技冷战带来的一个意外结果。美国的出口管制严重限制了中国科技公司以西方方式在AI领域竞争的能力，即通过购买更多芯片并进行更长时间的训练来实现无限扩展。但随着最新模型的发布，DeepSeek证明了还有另一种取胜之道：通过改进AI模型的基础架构并更高效地利用有限资源。这为很多无法购买英伟达GPU的国内AI企业，以及缺乏巨额资金的中小企业，都带来了新的发展思路。
当硅谷巨头仍在千亿美元级超算项目上豪赌时，中国团队用557万美元和开源代码撕开了技术垄断的铁幕。这场变革不仅是国产AI的逆袭，更是一场技术民主化的全球实验。
未来已来，这场变革没有旁观席。无论是开发者、企业还是普通用户，都需要思考一个问题——当AI能力像水电一样触手可及时，我们该如何重新定义自己的价值？答案或许藏在下一个车库创业者的代码里，或是某家县城医院的诊断系统中。正如网友所言：“我们不再需要仰望硅谷的神坛，因为每个人都能成为造神者。”
来源：新电实验室
