摘要：原视频在这个地方： https://www.youtube.com/watch?v=_1f-o0nqpEIab_channel=LexFridman在这个对谈中，Lex Fridman 与半导体分析专家 Dylan Patel（SemiAnalysis 创始人
今天早上，Lex Fridman 发布了一个颇有深度的播客，总长约 5 个小时。 
原视频在这个地方： https://www.youtube.com/watch?v=_1f-o0nqpEIab_channel=LexFridman 在这个对谈中，Lex Fridman 与半导体分析专家 Dylan Patel（SemiAnalysis 创始人）和人工智能研究科学家 Nathan Lambert（艾伦人工智能研究所）展开对话，深入探讨 DeepSeek AI 及其开源模型 V3 和 R1，以及由此引发的 AI 发展地缘政治竞争，特别是中美在 AI 芯片和技术出口管制领域的博弈。 对话嘉宾介绍 Lex Fridman： 麻省理工学院人工智能研究员，播客《Lex Fridman Podcast》主持人，专注于深度学习和自动驾驶研究。 Dylan Patel： SemiAnalysis 创始人，专注于半导体、GPU、CPU 和通用 AI 硬件研究分析。 Nathan Lambert： 艾伦人工智能研究所研究科学家，AI 博客 Interconnects 博主。 我做了一个全文翻译，非常值得一读。但这篇翻译超 10 万字，超出了公众号文章的最大长度，所以我把它做成了一份 PDF，公众号里回复 Lex459 可获得该 pdf。 本文则是对这 10 万字内容的要点总结，俗称「量子速读」
对话内容「量子速读」 DeepSeek 时刻 在对话开始时，Lex Fridman 简要评价了 OpenAI 新发布的 o3-mini 推理模型，认为其性能与 DeepSeek-R1 相似，但 R1 模型具备思维链推理能力和开源特性，而 o3-mini 则不具备。Lex 认为，DeepSeek 的出现是 AI 发展史上的一个重要时刻，具有 地缘政治和技术双重意义。 DeepSeek-R1 和 DeepSeek-V3 模型详解 DeepSeek-V3： DeepSeek 公司推出的开源混合专家 Transformer 语言模型，属于指令模型，类似于 ChatGPT。 DeepSeek-R1： DeepSeek 推出的推理模型，与 V3 在训练步骤上有很多重叠，但采用了全新的推理训练方法。 开源权重模型 开源权重 指的是语言模型的权重数据公开在互联网上，供人下载和使用。 开源许可证 规定了模型的使用条款，不同模型可能采用不同的许可证。 真正的开源 应该包括发布训练数据、公开训练代码和开源模型权重。 DeepSeek 的模型是目前最开放的前沿模型之一 ，开源权重并采用宽松的 MIT 许可证。 开源权重模型 允许用户在离线环境下运行模型，完全掌控数据，避免数据泄露风险。 预训练与后训练 预训练： 模型通过预测海量互联网文本数据中的下一个 token，学习语言的通用规律，得到基础模型。 后训练： 在预训练模型基础上，进行指令微调、偏好微调（RLHF）和强化微调等，使模型具备更符合人类期望的行为。 指令微调： 使模型理解和响应指令。 偏好微调 （RLHF）： 使模型的回复更符合人类的阅读偏好。 强化微调： 应用于推理模型，通过强化学习技术提升模型在可验证领域的性能，例如数学和编程。 DeepSeek-V3 和 DeepSeek-R1 用户体验差异 DeepSeek-V3： 快速生成 token，输出类似 Reddit 或 Stack Overflow 的高质量答案。 DeepSeek-R1： 先输出思维链过程，解释和分解问题，再给出最终答案，允许用户看到模型推理过程。 DeepSeek 低训练成本分析 混合专家模型 （MoE）： 模型中不同的部分被激活处理不同任务，降低训练和推理成本。DeepSeek 模型参数量巨大 （超 6000 亿），但每次只激活一部分参数 （约 370 亿）。 潜在注意力 （MLA）： DeepSeek 发明的新技术，用于减少推理过程中的内存占用，提高效率。 低级优化： DeepSeek 深入 CUDA 层以下进行 GPU 优化，提高 GPU 利用效率。 混合专家模型 （MoE） 详解 稠密模型： 生成每个 token 时，模型的每一个参数或神经元都会被激活。 专家混合模型： 每次只激活模型中一部分专家，降低计算成本。 Transformer 架构中的 MoE： 主要应用于 Transformer 架构中的前馈神经网络模块，显著提高参数利用率。 DeepSeek MoE 的创新： 采用极高的稀疏因子，从 256 个专家中激活 8 个，提高了效率和复杂性，但也增加了负载均衡和通信调度的挑战。 辅助损失： MoE 模型中常用的一种机制，用于平衡各个专家的使用率。DeepSeek MoE 可能改进了路由机制，摆脱了辅助损失。 “苦涩的教训” 与 AI 发展方向 “苦涩的教训”核心思想： 在深度学习领域，最终胜出的方法是具有可扩展性的学习和搜索方法，避免引入过多的人为先验知识。 未来发展方向： 后训练领域可能会迎来更多突破，低级别优化和高级算法层面都至关重要。DeepSeek 的创新是技术突破，也可能预示着未来发展的大方向。 YOLO 运行 （You Only Live Once）： 在进行大规模训练前，进行大量实验和消融研究，然后 All-in，进行大规模训练。2025 年可能是 YOLO 运行之年，各实验室都在全力冲刺。 DeepSeek 计算集群 High-Flyer 对冲基金背景： DeepSeek 的母公司 High-Flyer 是一家对冲基金，长期从事量化交易，拥有大量 GPU 资源。 DeepSeek 早期集群规模： 2021 年宣称拥有 10,000 个 A100 GPU，用于量化交易模型和自然语言处理任务。 DeepSeek 当前 GPU 规模预估： SemiAnalysis 估计 DeepSeek 实际拥有的 GPU 数量可能接近 50,000 个，用于多种任务。 DeepSeek V3 训练成本： 论文公开只使用了 2,000 个 H800 GPU 进行 V3 模型的预训练。 计算资源对比： DeepSeek 的计算资源在全球范围内名列前茅，仅次于 OpenAI、Anthropic 等少数公司，但规模仍小于 Meta （约 6-10 万 H100 等效 GPU）。 中国 GPU 出口管制 Hopper 架构与 H100/H800/H20： H100： Hopper 架构 GPU，高性能，但对中国出口管制。 H800： 为中国市场定制的 H100 阉割版，FLOPS 性能与 H100 相当，但互连带宽降低，后被禁止出口。 H20： H800 被禁后，Nvidia 推出新款芯片，仅在 FLOPS 方面有所削减，但互连带宽保持不变，甚至在内存带宽和容量方面有所提升，目前允许对中国出口。 出口管制政策目的： 减缓中国 AI 技术发展速度，限制中国获得构建 AGI 所需的大规模训练运行所需的计算资源规模和密度，限制中国 AI 应用的普及程度，而非完全阻止中国 AI 技术发展。 出口管制的影响： 可能限制中国 AI 应用的普及程度，但无法完全阻止中国训练先进 AI 模型。DeepSeek V3 证明即使在有限的 GPU 资源下，中国团队仍能在 AI 前沿领域取得突破。 计算资源差距的累积效应： 美国希望保持计算资源差距，以确保在 AI 领域保持领先优势。出口管制策略旨在保持技术差距，限制中国 AI 应用的普及程度，最终影响经济效益、军事能力和生产力提升。 推理模型与出口管制 推理模型的重要性： R1 和 o1 等推理模型的出现，大幅提升推理在复杂任务中的重要性，加大对计算资源的需求。 推理计算成本高昂： OpenAI o3 解决 ARC-AGI 任务，每个问题计算成本约为 5-20 美元。大规模推理服务需要部署大量 GPU。 出口管制限制中国 AI 应用普及： 即使中国能获得一定数量的 GPU，但难以像美国公司那样拥有数十万甚至数百万 GPU 支持大规模推理服务。 AGI 时间表预测 Dario Amodei 预测： 2026 年将出现超级 AI，可能构成安全威胁。 Nathan Lambert 预测： 2030 年或稍晚，未来几年会持续出现快速进展，但难以预测具体时间。 Dylan Patel 预测： 某些 AGI 能力已实现，但大规模部署成本高昂，AGI 到来是一个渐进过程，可能在 2027-2028 年左右。 AGI 定义： 语言模型本身就是一种 AGI，但 AI 公司的目标是更具自主性的 AI，能够独立完成任务。 超级 AI： Dario 认为的超级人工智能，一旦掌握，就能对其他国家构成重大军事和地缘政治优势的技术。 AI 军事应用： 达里奥担心中国可能比美国更快地将 AGI 应用于军事领域，尤其是在无人机等非对称武器领域。 中国的制造能力与 GPU 出口管制 中国工业能力： 中国拥有强大的工业能力，可快速建设数据中心和电力基础设施，但芯片制造更专业。 出口管制时机把握： 出口管制旨在阻止中国获得尖端芯片，但如果时机把握错误，可能促使中国加大芯片自主研发力度，最终超越美国。 中国 YOLO 战略： 如果中国最高层决定 all-in AI 领域，可能比美国更快地建设大规模数据中心。出口管制旨在限制中国获得最先进的美国芯片，延缓其 AI 发展速度。 半导体限制目的： 限制中国人工智能发展和技术军民融合。 与中国的冷战与台湾问题 DeepSeek 时刻与冷战开端： DeepSeek 的崛起可能标志着中美 AI 冷战的开始。 出口管制与台湾风险： 出口管制可能促使中国对台湾采取军事行动，以获取半导体制造能力。 和平与贸易的世界秩序： 全球霸主或地区霸主的存在往往带来相对和平，但权力转移过程可能引发冲突。 美国策略： 控制 AI 技术，维持全球霸主地位。 台积电与台湾 台积电在半导体产业中的地位： 全球最大的芯片代工厂，掌握最先进的芯片制造工艺。 代工模式的成功： 规模经济效应，降低芯片制造成本，促进芯片专业化和多样化。 台湾对台积电的重要性： 人才、职业道德、专注度等文化因素，以及政府支持。 美国能否复制台积电模式： 技术上可以，但文化、成本等方面存在挑战。需要政府支持和长期投入。 台积电的脆弱性： 研发中心集中在台湾新竹、俄勒冈州希尔斯伯勒和韩国平泽，易受地缘政治风险影响。 半导体供应链安全： 没有台积电，全球汽车、电子产品等产业将受到巨大冲击。 美中关系未来走向 分化趋势： 中美关系持续分化，美国限制对华技术出口，中国也采取反制措施。 独立经济体的未来： 出口管制可能导致中美走向经济脱钩，形成独立的经济体。 避免战争与分化： 分化可能无法避免战争，全球霸主地位的维持可能带来相对和平，但多极化格局下，世界秩序面临挑战。 美国策略与 AI 霸主地位： 美国希望通过控制 AI 技术维持全球霸主地位。 最佳 AI GPU GPU 三个关键维度： 浮点运算性能 （FLOPS）、内存带宽和内存容量、互连。 出口管制与 GPU 性能： 美国出口管制主要限制 FLOPS，H20 在 FLOPS 方面有所削减，但在内存和互连方面与 H100 相当甚至更优，更适合推理任务。 H20 产量预期下调： Nvidia 大幅削减 H20 产量预期，可能预感到 H20 将受到进一步限制。 推理模型与内存重要性： 推理模型对内存需求更高，内存带宽和容量成为关键指标。 KV 缓存与推理成本 KV 缓存： 注意力机制的关键组件，存储先前 token 的压缩表示，用于加速推理。 注意力机制的内存成本： 与上下文长度成二次方关系，长上下文推理对内存需求巨大。 预填充与输出 token 成本差异： 预填充可以并行处理，成本较低；输出 token 自回归生成，成本较高，且内存需求随序列长度增加而快速增长。 推理模型内存瓶颈： 长上下文推理模型对内存需求巨大，限制了批次大小和可服务用户数量，导致推理成本倍增。 DeepSeek 低推理成本原因 模型架构创新： MLA 技术显著降低注意力机制的内存占用。 OpenAI 高利润率： OpenAI 推理服务毛利率超过 75%，导致定价偏高。 DeepSeek 高效率： 模型架构和底层优化带来效率优势，降低服务成本。 DeepSeek 服务能力有限： DeepSeek GPU 资源有限，API 服务能力不足，可能无法大规模盈利。 对冲基金补贴： DeepSeek 可能由母公司 High-Flyer 对冲基金补贴运营。 招聘工具： 开源和低成本可能作为 DeepSeek 的招聘策略。 DeepSeek 是否使用了 OpenAI 数据 蒸馏 （Distillation）： 使用更强大的模型生成数据，训练自己的模型，是 AI 领域的常见做法。 OpenAI 指控 DeepSeek 使用其 API： OpenAI 声称有证据表明 DeepSeek 使用其模型进行训练，可能违反服务条款。 道德和法律争议： 使用互联网数据训练 AI 模型存在版权和伦理争议，OpenAI 的指控可能存在双重标准。 蒸馏的普遍性： 很多公司都在使用蒸馏技术，包括 Meta 和其他 AI 初创公司。 DeepSeek 模型自称 ChatGPT： 互联网上 OpenAI 输出内容泛滥，模型可能学习到相关信息，导致误判。 商业间谍活动： 工业间谍活动在科技领域普遍存在，想法比代码和数据更容易窃取。 AI 巨型集群建设 巨型集群定义： 大规模 GPU 集群，电力容量达到吉瓦级别，用于模型训练。 集群规模竞赛： 各 AI 巨头竞相建设巨型集群，规模不断扩大，电力需求激增。 电力需求激增： AI 数据中心电力消耗快速增长，可能占美国总用电量的 10% 甚至更高。 集群电力规模： GPT-4 时代集群功耗 15-20 兆瓦，现在已达 150 兆瓦，未来 Stargate 项目将达 2.2 吉瓦。 集群关键要素： 电力供应、散热冷却、高速互连。 冷却技术： 从风冷转向液冷，提高散热效率和芯片密度。 集群规模排名： 埃隆·马斯克集群规模最大 （20 万 GPU），Meta、OpenAI 集群规模约 10 万 GPU。未来集群规模将达数十万甚至百万 GPU。 集群用途： 主要用于模型训练，特别是后训练和强化学习。 杰文斯悖论： AI 技术进步降低推理成本，反而刺激 AI 应用和算力需求激增。 NVIDIA 的地位与竞争 NVIDIA 股价下跌： DeepSeek R1 发布引发市场对 AI 模型成本降低的担忧，导致 NVIDIA 股价下跌，但长期来看，AI 发展对 NVIDIA 仍是利好。 NVIDIA 领先地位： NVIDIA 在 GPU 硬件和软件生态方面仍保持领先优势，短期内难以被撼动。 AMD 的挑战： AMD GPU 硬件有竞争力，但软件生态落后，短期内难以挑战 NVIDIA。 Google TPU： Google TPU 性能强劲，但主要服务于 Google 内部业务，未对外销售，无法与 NVIDIA 竞争 GPU 市场。 英特尔的困境： 英特尔在芯片制造工艺和市场竞争方面面临严峻挑战，亟需转型和创新。 谁将赢得 AGI 竞赛？ 竞争格局： Google、Meta、xAI/特斯拉、OpenAI、Anthropic 等 AI 公司都在积极参与 AGI 竞赛。 OpenAI 的优势与挑战： OpenAI 模型技术领先，商业化走在前列，但缺乏其他业务支撑，盈利模式单一，面临被 “商品化” 的风险。 Meta 的优势： 拥有庞大用户群体和广告业务，可将 AI 技术应用于现有产品和服务，提升用户体验和盈利能力。 Google X/xAI/特斯拉的优势： Google 拥有基础设施优势，xAI/特斯拉可将 AI 技术应用于机器人等领域。 AGI 竞赛并非 “赢者通吃”： 未来可能有多家 AI 公司并存，不同公司在 AI 领域找到各自的定位和盈利模式。 AI 广告的潜力： AI 聊天机器人可能成为新的广告平台，通过自然对话植入广告，带来巨大商业价值。 AI 的未来方向： AI 的真正价值在于任务自动化、AI 代理、机器人技术和计算机使用自动化等领域，而不仅仅是聊天应用和 API 服务。 AI Agent 的前景展望 AI Agent 的定义： 更开放、更自主的 AI 系统，能够独立解决任务，并适应不确定性。 AI 能力等级划分： 聊天 （Level 1）、推理 （Level 2）、Agent （Level 3）。目前 AI 正处于 Level 2 向 Level 3 过渡阶段。 Agent 实现的挑战： 可靠性、泛化能力、与开放世界交互的复杂性。 Agent 应用场景： 特定领域自动化任务（如网站导航、数据处理）、计算机使用自动化、机器人远程操作等。 Agent 商业机会： API 服务、垂直领域应用、Agent 辅助人工操作等。 沙盒环境与 Agent 训练： 研究人员已构建网站克隆环境用于 Agent 训练，未来有望逐步扩展到更开放的环境。 AI 在编程领域的应用 AI 提升软件开发效率： AI 代码补全、代码生成工具已广泛应用，显著提高程序员生产力。 软件工程基准测试： SWE-bench 等基准测试显示 AI 代码能力快速提升。 软件工程 Agent 的潜力： AI Agent 有望实现软件开发自动化，降低软件工程成本。 软件工程师的角色转变： 程序员将从代码编写者转变为 AI 系统主管和合作伙伴，更侧重于架构设计、调试和领域专业知识。 AI 赋能各行业专家： AI 技术可应用于工业工程、化工、机械等领域，提升各行业专家工程师的工作效率。 AI 对软件工程的影响： 软件工程师需求增长曲线可能趋于平缓，但不会立刻失业，未来软件工程领域将迎来变革。 开源 AI 的未来 Tülu 模型： 艾伦人工智能研究所发布的开源后训练方案，基于 Llama 模型，目标是创建完全开源且高性能的语言模型。 开源后训练的优势： 促进技术普及和创新，降低模型定制成本，推动 AI 生态系统发展。 DeepSeek R1 开源的意义： 首个以开源权重和商业友好许可证发布的前沿模型，推动开源 AI 运动发展。 开源 AI 的挑战： 缺乏完善的反馈循环，训练成本高昂，难以追赶前沿水平。 开放语言模型 （OLMo） 项目： 艾伦人工智能研究所推动的完全开源语言模型项目，目标是实现数据、代码、模型权重全开源。 开源 AI 的商业价值： 探索开源 AI 的商业模式，建立围绕开源 AI 的生态系统，可能成为未来 AI 发展的重要方向。 星际之门 （Stargate） 项目 Stargate 项目规模： OpenAI 和 Oracle 合作建设的巨型数据中心，第一阶段电力容量 2.2 吉瓦，服务器成本 50-60 亿美元，总拥有成本 1000 亿美元。 特朗普政府的政策支持： 放松监管，加速数据中心建设审批流程。 资金来源： Oracle、软银、OpenAI 等，但资金尚未完全落实。 Stargate 项目的意义： 预示着 AI 基础设施建设进入吉瓦时代，可能引发新一轮 AI 军备竞赛。 AI 基础设施建设的未来： 巨型数据中心建设将成为 AI 发展的关键驱动力，电力供应、散热冷却、高速互连等技术将持续创新。 AI 的未来展望 对 AI 未来充满乐观： AI 技术将持续进步，降低人类苦难，推动社会发展。 关注技术法西斯主义风险： 担心少数精英阶层掌握 AI 技术后，可能加剧社会不平等。 人机融合的未来： 人机融合可能成为趋势，增强人类能力，但也可能带来新的伦理和社会挑战。 AI 的长期愿景： AI 将推动人类文明持续进步，甚至可能最终解决全球变暖等重大挑战。 保持开放和参与： 鼓励更多人参与 AI 技术的发展和治理，共同塑造 AI 的未来。 来源：东窗史谈
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!
