「工程师正在疯狂地分析 DeepSeek，试图从中复制任何可能的东西。」
DeepSeek 开源大模型的阳谋，切切实实震撼着美国 AI 公司。
最近，有 Meta 员工在美国匿名职场社区 teamblind 上面发布了一个帖子。帖子提到，国内 AI 创业公司 DeepSeek 最近的一系列动作让 Meta 的生成式 AI 团队陷入了恐慌，因为在前者的低成本高歌猛进下，后者无法解释自己的超高预算的合理性。
这一切始于 DeepSeek-V3，它在基准测试中就已经让 Llama 4 落后。更糟糕的是那个「拥有 550 万训练预算的不知名中国公司」。 工程师们正在疯狂地分析 DeepSeek，试图从中复制任何可能的东西。这一点都不夸张。 管理层担心如何证明庞大的生成式 AI 组织的成本是合理的。当生成式 AI 组织中的每个「领导」的薪资都比训练整个 DeepSeek-V3 的成本还要高，而我们有好几十个这样的「领导」时，他们要如何面对高层？ DeepSeek-R1 让情况变得更加可怕。虽然我不能透露机密信息，但这些很快就会公开。这本应该是一个以工程为重点的小型组织，但是因为很多人想要参与进来分一杯羹，人为地膨胀了组织的招聘规模，结果每个人都成了输家。 https://www.teamblind.com/post/Meta-genai-org-in-panic-mode-KccnF41n
其中，DeepSeek-V3 在发布时提到，该模型在多项评测成绩超越了 Qwen2.5-72B 和 Llama-3.1-405B 等其他开源模型，并在性能上和世界顶尖的闭源模型 GPT-4o 以及 Claude-3.5-Sonnet 不分伯仲。 不过，更引人关注的是，这个参数量高达 671B 的大型语言模型训练成本仅 558 万美元。 具体来说，它的预训练过程竟然只用了 266.4 万 H800 GPU Hours，再加上上下文扩展与后训练的训练，总共也只有 278.8 H800 GPU Hours。相较之下，Meta 的 Llama 3 系列模型的计算预算则多达 3930 万 H100 GPU Hours—— 如此计算量足可训练 DeepSeek-V3 至少 15 次。
而最近发布的 DeepSeek-R1 性能更猛 —— 在数学、代码、自然语言推理等任务上，它的性能比肩 OpenAI o1 正式版。而且模型在发布的同时，权重同步开源。 很多人惊呼，原来 DeepSeek 才是真正的 OpenAI。UC Berkeley 教授 Alex Dimakis 则认为， DeepSeek 现在已经处于领先位置，美国公司可能需要迎头赶上了。
看到这里，我们不难理解为何 Meta 的团队会陷入恐慌。如果今年推出的 Llama 4 没有点硬本事，他们「开源之光」的地位岌岌可危。 有人指出，其实该慌的不止 Meta，OpenAI、谷歌、Anthropic 又何尝没有受到挑战。「这是一件好事，我们可以实时看到公开竞争对创新的影响。」 还有人担心起了英伟达的股价，表示「如果 DeeSeek 的创新是真的，那 AI 公司是否真的需要那么多显卡？」 不过，也有人质疑，DeepSeek 究竟是靠创新还是靠蒸馏 OpenAI 的模型取胜？有人回复说，这可以从他们的发布的技术报告中找到答案。 不知道 Meta 后续将如何回应，即将到来的 Llama 4 又会达到怎样的性能。
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读 ，也可以是学术热点剖析 、科研心得 或竞赛经验讲解 等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品 ，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬 ，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱： [email protected]
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02 ）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」 也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」 订阅我们的专栏吧
