专栏名称: 罗辑思维

每天一段60秒语音，一篇新角度看世界的文章。关注罗胖，让你每天比别人知道的多一些。

DeepSeek+华为，能不能超越英伟达和Open AI？

罗辑思维 · 公众号 · 热门自媒体 · 2025-02-26 06:30

正文

DeepSeek开源动作仍在持续，引发了AI圈又一轮震荡。

2月21日12点，DeepSeek团队在X平台发布了一段英文内容。简单解释一下，其实说的就是： “从下周开始，我们将开源5个代码仓库，以完全透明的方式分享我们微小但真诚的进展。”

紧接着在 2月24日，DeepSeek就开源了首个代码库FlashMLA。

用咱们得到App AI学习圈主理人 快刀青衣老师 的话说，能做出这样的行动，是非常有魄力的。他打了一个比方：之前开源的是工作成果，就像一个老师傅，把他所有的经验无私传授给你。而现在，你不但能拿到老师傅的秘籍，还能看到老师傅在过程中是怎么干活儿的。这对很多人来说，会比结果更有价值。

当然，各国网友对 DeepSeek这一动作都不乏赞美之辞，反响十分热烈。

今天我们先不细究代码库FlashMLA的工作原理，而是想来聊一下，从DeepSeek R1发布以来许多人在思考的一个问题： 真正具有“开源精神”的 DeepSeek加上华为，能不能超越英伟达和Open AI？

正好前不久，咱们得到的 万维钢老师 ，在他的专栏里花大篇幅回答了这个问题。本文选自《万维钢·精英日课6》，文中万老师用更全面、更长远的视角，探讨了为什么AI需要越来越强的算力，以及中国为什么要突破芯片技术限制、坚持长期投入通用人工智能研发等问题。

下面，请万维钢老师为你分享：

作者：万维钢

来源： 《 万维钢·精英日课６ 》

对算力的需求永无止境

DeepSeek采用了一些巧妙的优化方法，能够用比较少的算力实现o1级别的功能，这非常了不起，这对中国——也对美国——的大模型研发者都是天大的好消息。

但这绝不是说以后英伟达那种高级芯片就没用了，咱国产芯片就够用了。 现在AI缩放定律远远没有看到尽头，更高的智能要求更高的算力这个根本原则并没有变。

要知道就算没有DeepSeek，别家公司和科研团队，包括OpenAI自己，也在优化模型性能，再考虑到英伟达芯片升级，用山姆·奥特曼的话说就是“模型输出成本每年都会降低十倍”（即降至原来的十分之一）。

假设DeepSeek突破之前那一刻，OpenAI用100的算力得到100的智能，DeepSeek突破了，大家用10的算力就能得到100的智能——但你的目标不是100的智能，而是一万、甚至一百万的智能，所以你仍然需要比目前高出百倍千倍的算力。

所以对算力的需求目前来说还是无止境的。

但英伟达并非高枕无忧，美国有好几家公司在做自己的AI芯片，中国也有包括华为、寒武纪、百度、壁仞科技等等正在追赶。那么国产AI芯片的水平相对于英伟达来说到底如何呢？国产最强的是华为昇腾。

我让ChatGPT Deep Research调研并且制作了下面这张表格，把华为昇腾和英伟达近几年的主流GPU做了个对比——

这个结果可以说是既不让人悲观，又不让人乐观。当前能用的最强国产GPU是2022年发布的华为昇腾910B，它的性能在某种意义上已经略微超过目前仍然被很多AI公司广泛使用的、英伟达2020年发布的A100。这很重要， 这说明就算美国对中国搞全面断供，中国也能继续训练AI。

但910B比英伟达目前的当家芯片，2023年发布的H200和24年发布的B100，就差距比较大了，算力大致相当于英伟达的二分之一到四分之一。华为2025年即将量产昇腾910C，基础算力与910B差不多，推理性能据说达到英伟达之前H100的60%。但英伟达2025年会推出GX200，算力预估是910C的五倍。

高级智能一定是通用智能

为什么英伟达在继续突飞猛进，而华为有点接近极限的意思？

这里最重要的原因就是光刻制程。

英伟达A100和华为昇腾系列都是7纳米制程，在这个尺度上中芯国际能做。只是在910C这个级别要求N+2制程，中芯国际的良率据说很低，这意味着生产成本高。而英伟达H系列、B系列、GX系列分别是5纳米、4纳米、3纳米制程，中芯国际做不了。

因为中国大陆没有极紫外光刻机。《精英日课》讲《芯片战争》一书的时候说过， 极紫外光刻机极其不可能靠一个国家完全独立自主造出来，现在看至少未来十年之内可能性不大。

所以当前最可行的办法，还是从英伟达买。

那你说现在DeepSeek已经很好用，我们就在这个基础上提升性能行不行，何必非得追求最高的性能呢？我认为那是万万不行的。

要知道DeepSeek是个相对比较小的模型，它是可以跟o1对标，但o1也不是超大模型。

就在2025年下半年，也许更早，OpenAI会推出GPT-5，那将是一个超大的模型。它会像现在GPT-4o一样拥有端对端训练出来的多模态，它将不但能阅读图像，而且能阅读视频和音频，它将能处理海量的数据——所以它需要很多张GPU。DeepSeek不会放弃这种模型。

再者，更重要的是， AGI、以及紧接着更重要的ASI，就是需要超大的算力—— 因为高级智能一定是通用智能。

DeepSeek R1的效率高，有很多独创性的技术，但是我们也不能否认，其中有一定以牺牲宽度换取效率的成分。

R1和之前的V3都是「混合专家（mixed experts）」模式，是可能最早法国的Mistral模型先采用的，是把智能分散开成若干个专家模块，每次遇到新任务就只调用相关的模块，而不必「全脑」一起思考，这就大大节省了算力。

这个做法相当于你问我数学题我就用数学模块，问我古诗词我就用古诗词模块。但我们设想，对于更复杂的问题，也许就是需要同时调用几个领域的知识和思维模式才能解决。

特别是创造力总是来自不同想法的连接，那么这个模块分割法就会限制发挥。 再者，DeepSeek专注于数学、编程和语言处理这几个领域，也是为了节省算力不得不为之。

就在最近，斯坦福大学李飞飞的团队发明了一个更激进的做法，号称只用不到50美元（有个说法是6美元）的训练费用就弄出一个数学解题水平跟R1、o1差不多的推理模型，叫S1。他们是怎么做的呢？

第一，从开源的通义千问（qwen）的一个小版本语言模型开始，省去前期大规模的训练；

第二，用一千道精选数学题专门训练数学解题能力，且只训练数学能力；

第三，用Google Gemini的一个推理版本的推理过程的蒸馏数据来训练自己的推理能力。

这个做法，就如同找个脑子快的孩子，给他一套精选习题集，让他背诵别人的解题套路。这样训练做题家当然快，但是这除了快没有别的贡献。这个做法不会像R1那样涌现出任何新能力，不会给你任何惊喜。

这不是通往AGI之路。

更多的参数+更长的思考时间=更好的答案

梁文锋胸怀大志，绝对不只是想提供一个便宜的做题家，而是想做AGI。接下来的情形，我估计，差不多是下面这样的——

对于一般的日常任务，比如一般编程、搞个会议纪要、写个汇报工作的发言稿、弄个报表之类，只要用普通模型就可以， 中国不但没问题而且可能有价格和服务上的优势，也许中国的模型是最好的。

但对于科研任务，特别是探索最前沿突破，你需要能想得很广而且很深，你需要尽可能地堆积算力。我有个说法是如果一个科研团队愿意花5000美元问ChatGPT一个问题，而另一个同样水平的科研团队愿意花一万美元，那么后者将得到更好的答案——仅仅是因为模型愿意为他们思考更长时间。

只要缩放定律仍然有效，那么， 更多的参数+更长的思考时间=更好的答案

也是更值钱的答案。接下来AI在科研领域会大有作为，科研发现的速度会加快，所以争夺会非常激烈。一种新药只能被发现一次，谁先做出来就是谁的。

还有一个在我看来最重要的考虑，是谁先达到ASI。

我们这里不妨定义 ASI是「自己可以训练自己」的超级人工智能。

DeepSeek+华为，能不能超越英伟达和Open AI？

正文

请到「今天看啥」查看全文