解构DeepSeek：初创AI企业逆袭之道

摘要：“可能是个国运级别的科技成果！”游戏科学创始人、CEO，《黑神话：悟空》制作人冯骥评价DeepSeek时如此盛赞，“希望DeepSeek R1会让你对当前最先进的AI祛魅，让AI逐渐变成你生活中的水和电。太幸运了！太开心了！这样震撼的突破，来自一个纯粹的中国公

“可能是个国运级别的科技成果！”游戏科学创始人、CEO，《黑神话：悟空》制作人冯骥评价DeepSeek时如此盛赞，“希望DeepSeek R1会让你对当前最先进的AI祛魅，让AI逐渐变成你生活中的水和电。太幸运了！太开心了！这样震撼的突破，来自一个纯粹的中国公司。知识与信息平权，至此又往前迈出了坚实的一步。”

DeepSeek引爆全球科技圈

在2025年的科技关键词中，DeepSeek绝对能锁定一席之地。

2025年初，一家名为深度求索（DeepSeek）的中国人工智能初创公司，该公司旗下大模型DeepSeek以其突破性的技术成果和极低的成本优势，迅速成为全球科技圈的焦点。从登顶美国App Store下载榜到引发纳斯达克股市震荡，DeepSeek让原本最讲科学的IT圈喊出“神秘东方力量”的口号，CNBC更是单独为DeepSeek制作了一部长达40分钟的纪录片。

DeepSeek一度在全球140个市场的应用商店下载量榜单排名第一

去年12月DeepSeek-V3发布后，AI数据服务公司Scale AI创始人Alexander Wang就发帖称，DeepSeek-V3是中国科技界带给美国的苦涩教训。“当美国休息时，中国（科技界）在工作，以更低的成本、更快的速度和更强的实力赶上。”

不到一个月之后，今年1月20日，DeepSeek正式开源R1推理模型。据DeepSeek介绍，其最新发布的模型DeepSeek-R1在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩OpenAI o1正式版。

1月24日号，一条发布在匿名平台teamblind上的帖子疯传。一名Meta员工称，现在Meta内部因为DeepSeek的模型，已经进入恐慌模式。

这位Meta员工写道：“一切源于DeepSeek-V3的出现，它在基准测试中已经让Llama 4相形见绌。更让人难堪的是，一家‘仅用550万美元训练预算的中国公司’就做到了这一点。工程师们正在争分夺秒地分析DeepSeek，试图复制其中的一切可能技术，这绝非夸张。”英伟达高级研究科学家Jim Fan也在个人社交平台上公开发表推文表示：“我们正身处这样一个历史时刻：一家非美国公司正在延续OpenAI最初的使命——通过真正开放的前沿研究赋能全人类。看似不合常理，但最有趣的结局往往最可能成真。”

“技术降价”成就“屠龙术”

在DeepSeek亮相之前，AI圈一直都奉行“大力出奇迹”的游戏规则，OpenAI作为行业先行者和风向标，其自ChatGPT以来的成功让不少人认为Scale（规模）是AI领域的制胜法宝，强大算力支持的通用算法（包含模型和数据）才是AI真正进步的方向，而一旦选择了良好且通用的数据标注，良好且通用的算法，就能够找到一套通用的规律，数据越多，模型越大，效果就越好。

当这样的认知逐渐成为AI圈“公理”时，科技企业就不得不疯狂采购算力以构筑规模优势，“无底洞”般的资产投入让巨头也苦不堪言，唯有在“剩者为王”“赢家通吃”的信念下坚持巨额投入。

然而，DeepSeek的出现却打破了这一认知。

DeepSeek-V3拥有6710亿参数的自研MoE（Mixture of Experts）架构，经过14.8万亿token的预训练，在多项基准测试中表现优异，甚至超越了包括Qwen2.5-72B和Llama-3.1-405B在内的其他开源模型，与世界顶尖的闭源模型GPT-4o和Claude-3.5-Sonnet不相上下。

单看性能，DeepSeek-V3作为大模型赛道“新人”，其上演“长江后浪推前浪”的戏码并没啥问题，事实上，真正让DeepSeek-V3刷爆科技圈的也并非性能，而是成本！

每一款大模型的诞生和成长，都离不开训练。深度求索使用英伟达H800 GPU在短短两个月内就训练出了DeepSeek-V3，仅花费了约558万美元。其训练费用相比GPT-4等大模型要少得多，据外媒估计，Meta的大模型Llama-3.1的训练投资超过了5亿美元。

这意味着DeepSeek-V3拥有极高的性价比，具体到GPU小时上的话，DeepSeek-V3训练仅需266.4万H800 GPU小时，加上上下文扩展与后训练，总计也不过278.8万GPU小时。与之对比，Llama3-405B的训练数据则高达3080万H100 GPU小时，DeepSeek-V3的训练成本优势可见一斑。这使得更多的企业和开发者能够承担起使用这一模型的成本，进一步推动了AI技术的普及和应用。

尤其是因为美国的出口管制限制，DeepSeek-V3无法使用最顶尖的NVIDIA GPU集群，但开发者们通过优化训练方法，在2048个带宽缩减版NVIDIA H800 GPU集群上实现了同样的效果。这种创新不仅展示了中国团队的技术实力，也打破了国际科技巨头对高端硬件资源的垄断。

OpenAI创始成员Karpathy甚至对此称赞道：“DeepSeek-V3让在有限算力预算上进行模型预训练这件事变得容易。DeepSeek-V3看起来比Llama-3-405B更强，训练消耗的算力却仅为后者的1/11。”

DeepSeek-R1 与 OpenAI 同类产品的 API 价格比较

较低的训练成本，让DeepSeek大模型能够提供极具性价比的API价格。DeepSeek-V3的正式定价为每百万输入tokens 0.5元（缓存命中）/2元（未命中），输出tokens每百万8元。

这一价格远低于市场上其他大型语言模型的API价格，而如今DeepSeek-R1API服务定价为每百万输入tokens 1元（缓存命中）/4元（缓存未命中），每百万输出 tokens 16 元，虽然较V3有所上升，但DeepSeek在1月20日正式发布一系列DeepSeek-R1模型（DeepSeek-R1-Zero、DeepSeek-Rl 和DeepSeek-Rl-Distil 系列）中，DeepSeek-R1模型推理能力优异，基准测试表现与OpenAI-01-1217 相当，其API服务定价远低于OpenAI同类产品。

实现这一切的关键在于“技术降价”。

从DeepSeek V2开始，深度求索就引入MLA多头隐注意力机制，大幅降低了KV cache的大小。而DeepSeek-V3对于成本的降低主要可分为训练成本和推理成本两个方面。

在降低训练成本上，DeepSeek-V3引入了FP8混合精度训练框架，首次验证了FP8训练在超大规模模型上的可行性和有效性。通过使用低精度数据格式进行训练，加速了训练过程并减少了内存使用，从而降低了训练成本，并引入DualPipe双向流水线，通过重叠前向和后向计算与通信来减少流水线气泡，提高了训练效率。高效的跨节点通信内核利用IB和NVLink带宽，进一步减少了通信开销。

而在降低推理成本上，DeepSeek-V3采用了混合专家模型（MoE）架构，每个专家模型只处理部分输入，提高了模型的效率和扩展性。通过优化MoE架构中的专家负载均衡，进一步降低了推理成本。MLA（Multi-Head Latent Attention）机制则通过低秩压缩减少KV缓存，提高了推理效率。这种机制减少了推理过程中的计算量，从而降低了推理成本。

应用落地步伐有望加速

DeepSeek因其高性价比迅速赢得了国内外众多科技巨头的青睐。

仅在2025年2月2日至4日期间，腾讯云、百度智能云和阿里云便相继宣布接入DeepSeek相关大模型，而这些云厂商在春节假期加班为深度搜索公司提供支持，进一步证明了DeepSeek的市场认可度。与此同时，海外科技巨头如微软、英伟达和亚马逊云科技等则更早一步，在2025年1月底便完成了对DeepSeek的接入。

DeepSeek的低成本和开源特性使其以3%的成本超越了OpenAI，这意味着企业可以以更低的投入训练出性能优秀的AI模型。这种优势不仅满足了客户的多样化需求，还助力云厂商构建更加完善的AI生态系统。因此，云厂商快速接入DeepSeek这一最火的大模型，无疑是一笔划算的买卖。

这些认可更多源于DeepSeek在技术路线上的突破创新，DeepSeek-R1-Zero成为首个完全摒弃监督微调（Supervised Fine-Tuning，简称 SFT）环节、完全依赖强化学习（ReinforcementLearning，简称RL）训练的大语言模型。传统上，SFT作为大模型训练的核心环节，需要先通过人工标注数据进行监督训练，再结合强化学习进行优化，这一范式曾被认为是 ChatGPT 成功的关键技术路径。

DeepSeek-R1-Zero 与 OpenAI 的 o1 模型的测试成绩比较

而DeepSeek-R1-Zero 创新性地采用纯强化学习训练框架，以 DeepSeek-V3-Base 为基础，通过群组相对策略优化（Group RelativePolicy Optimization，简称 GRPO）算法实现训练效率与模型性能的双重提升。该算法通过构建智能体群体间的相对优势评估机制，在策略优化过程中最大化群体得分，同时设计了包含准确性奖励和格式规范奖励的多维度奖励模型，确保生成内容在保持正确性的基础上具备清晰的推理逻辑。

DeepSeek-R1-Zero 在训练过程中会出现“顿悟”现象（AhaMoment），模型会自发地重新评估之前的步骤，并进行反思，即重新审视并评估之前的步骤，还会探索解决问题的替代方法，类似于人类的“灵光一现”。这种自发涌现的复杂行为，展示了纯 RL 训练的巨大潜力，也为理解 AI 的学习机制提供了新的视角。事实也证明，在具体的应用中，这些“顿悟”使得DeepSeek总能带给体验者惊喜。

手把手教你本地部署DeepSeek R1大模型

前面我们为大家详细介绍了Deepseek的发展历程，以及它为什么能成为整个AI行业的“转折点”，那么问题来了，作为用户的我们，该如何在自己的电脑上本地部署Deepseek搜索引擎呢？和此前的业界翘楚ChatGPT相比，两者的实战表现究竟如何呢？今天我们就来全面评估一下两者的使用体验吧。

Deepseek官网：https://www.Deepseek.com/

为了帮助大家顺利完成这次本地部署任务，需要详细了解Deepseek的部署条件。从硬件到软件，再到网络环境，每一项都至关重要，所以在本地部署之前，需要仔细核对电脑配置，确保一切准备就绪。

经过我对各方测试结果的总结，Deepseek模型本地部署的最低硬件配置建议：

内存：4GB以上。如果是实时推理或频繁调用模型，建议至少8GB内存。如果模型参数较大，可能需要更高的内存。Deeseek模型的运行需要大量的内存来存储模型参数、中间结果和数据集。不足的话会导致程序运行迟缓甚至崩溃。

显卡或处理器：Deepseek模型提供了多个版本，适合个人或小公司使用的有1.5B、7B、8B、14B、32B和70B。这些版本对应着不同的电脑配置需求。

如果电脑配置比较普通，显卡和硬盘性能都一般，甚至没有独立显卡，那么建议选择最低版本1.5B。这个版本消耗的显存只有1GB，非常适合低配置的电脑使用。

如果电脑配备了8GB显存的显卡，那么可以选择7B或8B的版本。这两个版本能够在保证性能的同时，充分利用你的显卡资源。

对于拥有12GB或16GB显存显卡的电脑来说，14B版本将是一个不错的选择。这个版本能够在处理较复杂任务时提供更好的性能。

而如果显卡显存达到了24GB，那么32B版本将能够让你体验到更强大的深度学习能力。

如果拥有40GB以上的显存，可以选择最高性能的70B版本。这个版本将为你提供前所未有的深度学习体验。

存储空间：至少50GB的硬盘空间。如果是训练大型模型，可能需要更大的存储空间（例如1TB或以上）来下载和保存模型参数、训练数据集等。Deepseek模型的运用通常涉及加载预训练模型、处理数据集以及运行推理任务。充足的存储空间可以避免因文件读取问题导致的性能瓶颈。

总的来说，选择合适的Deepseek版本取决于电脑配置。通过合理选择版本，可以充分利用电脑资源，获得最佳的深度学习效果。

三步部署：操作其实很简单

硬件核对完毕后，就可以开始进行本地部署的工作了。首先是检查基本的软件配置情况，Deepseek本地部署可以是Win10或者Win11系统，也可以是Mac系统。只要电脑安装了具有Python3.9以上的环境，并且拥有Pytorch或者TensorFlow等深度学习框架，为模型部署提供了构建、训练和部署深度学习模型所需的工具和库即可。

我根据对线上的各种安装视频的总结，将Deepseek的本地部署进行了打包整合。下载之后按解压可以得到以下3个程序。

Deepseek本地部署只需要这三个程序

下载解压后，会有3个步骤进行安装。第一步就是安装Ollama，这是Deepseek搜索引擎的核心框架，双击打开后选择安装，使其自动安装到C盘即可。

Ollama安装也是一键式操作

第二步是使用脚本下载Deepseek模型并运行，双击运行此脚本，它将自动启动Ollama服务。同时，该脚本会下载并运行Deepseek-R1模型。第一次运行时，将自动下载模型（大约6GB）。该模型是大多数人都能使用1.5b模型，需要更多模型可以到Deepseek官方的模型下载网站进行下载。

Ollama会根据指令，自动下载Deepseek大模型

第三步是让使用更便捷的可视化聊天界面程序ChatWise。能够更方便地与Deepseek-R1模型进行交互。同时支持多种对话模式和功能。安装完成后，界面如下所示。选择Deepseek R1模型后，您就可以在ChatWise的界面中与Deepseek-R1愉快地聊天、绘制图表或编写代码，体验极佳。

ChatWise提供多种模型的调用

本地调用效率出色，对比ChatGPT各有所长

本地部署完成后，我迫不及待地开始使用起Deepseek来。Deepseek的界面简洁而直观，让我能够快速上手。在使用过程中，我感受到了Deepseek的高效和流畅，其搜索结果的相关性评分和匹配文本清晰可见，极大提升了我的工作效率。

我使用结合了星座和生肖分析的问题，并且标明地域、使用场景和时间，让Deepseek为我搭配服装。

问Deepseek一个算命的问题

发送问题后，Deepseek不同于其他语言类大模型的特性展现在我眼前，它将有条理地快速对我的问题进行分析，并展示了推理过程，这个体验感强于之前的所有语言类大模型。

Deepseek分析过程示例

然后在眨眼间，Deepseek就对我的问题进行了非常细致的回答，从头到脚，从衣着到配饰再到饮食都进行了比较详细的推荐。

为了更全面地评估Deepseek，我也对ChatGPT进行了深入体验。ChatGPT的功能定位更加广泛，涵盖了文本生成、对话交互等多个方面。其用户界面设计现代化且丰富，提供了实时对话功能，让人眼前一亮。然而，相较于Deepseek的简洁直观，ChatGPT的操作稍显复杂。我需要花费更多时间去熟悉和调整模型参数，以适应不同的需求。同时，由于其功能更为强大，因此在某些特定场景下，如文本生成和对话交互等，ChatGPT确实展现出了其独特的优势。

同样的问题，采用ChatGPT来回答，得到的结果与Deepseek类似，却并未考虑到所在地广州这个条件因素。