过年亲戚不聊结婚聊AI，DeepSeek为啥有这么大的魅力？

这个春节，有一款国产 AI 大模型成了科技新闻里“最靓的仔”，甚至回老家过年，不少亲戚在饭桌上聊的“下饭话题”都变成了 AI。 我们这些在北上广互联网公司打工过的牛马，作为家人眼中唯一一个懂“修电脑”的人才，自然难免要被问到各种相关问题。

图库版权图片，转载使用可能引发版权纠纷

如何跟不了解科技行业的亲朋好友简单易懂地讲清楚 DeepSeek，颇花费了我一番脑汁，但效果还不错，比如我妈听完后一拍大腿表示：八成懂了！ （咳咳，有一说一，回答这个问题还是比“为什么不结婚/生小孩”，简单多了……ㄟ(▔,▔)ㄏ ） 接下来我就把我跟我妈讲的概括一下，希望能够帮你揭开DeepSeek的神秘面纱。

先总结一下，DeepSeek 有三宝：

其中每一条都为人类通往构建 AGI 创造了有利条件——所谓 AGI，指的是能够像人类一样完成各种不同任务的人工智能。它不仅能做一件事，还能学习、适应并解决多种问题。 接下来，咱们就简单聊聊 DeepSeek 先进在哪儿，有什么特点。

DeepSeek 之前，最为人熟知的大模型产品是 ChatGPT，全球月活跃用户约 4 亿。但是大部分用户体验到的 ChatGPT 免费版本仍有许多不足。

比如，以前你问 ChatGPT 这样的问题：

“小美上午 9 点的心率是 75bpm，下午 7 点的血压是 120/80。她于晚上 11 点死亡。她中午还活着吗？”

Chatgpt 就会被绕晕，给出不靠谱的答案。这 说明彼时 ChatGPT 并不理解数字和数理之间，以及事物之间的逻辑关系，它回答对了可能是瞎蒙，可能是鹦鹉学舌。

但 DeepSeek R1 在展示结果同时，显示了完整的思维力 （Cot） 推理过程，把问题一步步拆解分析，并且在学习数学题过程中，显示出了提炼总结数理公式的能力。

这就是 DeepSeek R1 在计算性质上不同于 ChatGPT 和 GPT-4/4o 的根本区别——R1 是推理模型，后者不是。

我们为了检验它是否真的学会了数理逻辑，而不是靠积累的语料数据“瞎蒙”，派他去独立解决各类数学和编程竞赛的问题，结果十分亮眼——在MATH基准测试中的得分为 97.3，在AIME上的得分为 79.8，超过了 OpenAI 的 o1 预览版。而在中科院物理所的竞赛比拼中，也取得了优异的成绩 （参见 我们用最近很火的 DeepSeek 挑战了物理所出的竞赛题，结果…… ）

当然，这些测试只是从一个方面衡量了 DeepSeek R1 的能力，其他复杂的任务，可能会涉及不同的评估方法和指标。

如果说传统 AI 是“补习班量产的好学生”，成才主要靠辅导老师天天耳提面命，那 R1-Zero 就是靠自学的“天才少年”。

R1-Zero 的“自学”过程依赖于强化学习（RL）算法，而非传统的人类标注数据 。通过反复训练和优化，尽管没有人工干预，它仍在特定的反馈机制下自我优化，最后在数学题目中展示出了卓越的推理能力。

这个方法跟 ALPhaGo 有些类似，对，就是那个曾经战胜过人类最强棋手的“硅基棋王”——它并没有根据人类的围棋教程学习，全程也没有接受过任何人类输入的信号指导，完全依赖自己和自己“亿局局”下棋、胜负归纳总结，产生了强大的下棋策略。

更绝的是，DeepSeek 的解题过程一步步推演，可以长达成百上千字，甚至上万，堪比《三体》里罗辑的面壁计划——每一步都充满“如果……那么……”的逻辑推演，而且连中学生都能看懂它的思维过程。

同时，它的训练方法还带来了效率提升，训练周期更短，资源消耗降低，由于省去了 SFT 和复杂的奖惩模型，计算量减少。

需要指出的是，DeepSeek R1 并不是目前唯一的推理模型。OpenAI 的 o1 模型在推理任务上表现也很出色，但是 DeepSeek 有个显著的不同。

那就是，OpenAI 的 o1 模型像米其林三星餐厅——菜品惊艳，但厨房谢绝参观。而 DeepSeek 直接把菜谱开源，邀请全世界极客来改良 ——有人往模型里塞《五年高考三年模拟》，训练出秒杀奥数冠军的 AI；有人用 R1 给女朋友写情书，结果因为逻辑过于严谨被骂“直男癌”。这种“群殴式创新”，让 AGI 研究从高冷学术圈变成了全民参与的“黑客马拉松” （指限定时间内大家通过编程、设计等技能合作，做出有趣或实用的项目。） 。

更重要的是，模型开源，让全世界的科技人才，都有可能站在 R1 的基础上，进行改良再创造。科技的历史进程已经一次次告诉我们： 基础技术的传播扩散，会引发更大量、更先进的前沿突破和实际应用的涌现。

科技树的点亮，没办法仅靠一个人或者一家公司，DeepSeek 的开源，就相当于一次开枝散叶的重要过程，而这也会提高 DeepSeek 的声望和影响力。

大模型领域的研发其实是很“烧钱”的，很多知名的大模型，训练一次成本就高达数百万美元。

而 DeepSeek 最为人称道的，是它把成本抹了个零——是的，它直接把成本金额的末尾砍掉了一个“0”。 简单地说，DeepSeek 采用了一系列架构、算法和任务拆分等方面的优化和创新，这样就能只用较低的成本就完成训练任务，而这些方面的创造力正是 DeepSeek 的卓越之处。

更反常识的是，成本暴降的同时，性能反而飙升：它能够在一个请求中处理多达 128000 个 Token、一次最多可以生成 32000 个 Token （注：1 个 token 视情况相当于 1 个词语或 1 个汉字） ，非常适合编写深度报告或剖析大量数据集，作为生产力工具效能极大提升，活生生把 AI 从“吞金兽”变成了“招财猫”，利人利己。

最新的研究和报道显示，随着人工智能行业的规模和影响力急剧扩大，维持人工智能增长所需的计算能力大约每 100 天翻一番。目前，ChatGPT 每天需要消耗大约 564 兆瓦时的电能。

同时，支撑大模型运算的数据中心服务器会需要消耗大量的水资源来散热。有研究显示， Chat GPT-3 在训练期间耗水近 700 吨，其后每回答 20 至 50 个问题，就需消耗 500 毫升水。

耗能、耗水、增加碳排放，曾经是我们担忧通往 AGI 之路的重要阻力，但是，DeepSeek 的成功向我们揭示了——或许我们有其他更好的道路。

过去十年，AI 界沉迷于“数量碾压”：堆算力、冲数据量、比谁烧钱多。但 DeepSeek 另辟蹊径——与其让 AI 死记硬背《百科全书》，不如教它“怎么像福尔摩斯一样思考”。结果在 ARC-AGI 测试 （AGI 核心能力基准） 中，R1 系统与人类表现不相上下。

这证明：也许推理能力才是打开 AGI 之门的钥匙，而钥匙孔里透出的光，正在被开源社区的手电筒照得越来越亮。

虽然 DeepSeek 的故事听起来像一部科幻爽文：它用纯强化学习打破了数据垄断，用开源点燃了全球极客的激情，再用成本暴降，让 AI 能更好地从实验室走进我们的生活，但它绝不像某些流量自媒体为了博眼球说的那样横空出世，更不是什么抄袭了其他厂家 AI 的结果。

过去一年，DeepSeek 团队一直稳扎稳打，从 V2 模型 （2024 年 5 月发布） ，到 V3 模型 （2024 年 12 月发布） ，到最近的 R1 和 R1-zero 模型，每一步都取得了显著的进步， 走得很扎实，而且其创新有开源的信息为证。

因此，不要理会那些逆袭开挂爽文或是抹黑文，我们要相信的是， 从人类集体进步的角度讲，投入时间、智慧和真正能点燃人的信念，突破式创新一定会涌现。

当我们惊叹于 R1 的优异表现时，也别忘了——它省下的每一度电、开放的每一行代码，都在为 AGI 降临积蓄能量。或许未来某天，当真正具备通用智能的AI回首历史时，会像人类铭记火种与轮子一样，为 DeepSeek 刻下一块里程碑。