在此背景下，数字经济新媒体网经社（
WWW.100EC.CN
）独家策划了“DeepSeek系列专家访谈”。邀请了包括
商
务部研究院、中国社科院、中国消费经济学会、中国商业文化研究会、中共河北省委党校（河北行政学院）、浙江数字化发展与治理研究中心
等10余位行业智库，也包括
浙江大学、安徽大学、华东政法大学、浙江工商大学、浙江财经大学、江西财经大学、河北科技大学
等20余位大学教授等行业内权威专家解读。
深度聚焦DeepSeek成功背后的
技术革新、市场趋势、应用场景、社会变革、深远影响及未来展望
，旨在通过多维度、多视角的探讨，为公众呈现一个全面而立体的DeepSeek发展蓝图。（详见网经社专题：
https://www.100ec.cn/zt/dseayy/
）
对此，
新质生产力产业联盟秘书长
段积超
在接受网经社独家专访时表示，
段积超表示，DeepSeek爆火后，以下行业或领域开始积极拥抱它：
多家券商已完成DeepSeek模型的本地化部署，将其融入多个核心业务领域，如信息检索、文档处理、行业
研究
、市场研判、辅助软件研发、制定营销方案、
合规
问答、业务办理指引等。
国内外主要的云厂商纷纷接入DeepSeek模型，如微软的Azure云服务、
亚马逊
AWS、
华为
云、腾讯云、
阿里
云、百度智能云等，以提升自身在AI时代的产品竞争力。
中国移动、中国联通、中国电信三大运营商已宣布全面接入DeepSeek，希望将其与自身平台、资源融合，打通多场景、多产品应用生态，加速“AI普惠”的进程。
DeepSeek的出色表现引发了AI军备竞赛2.0，其以低成本实现高性能的特点，促使
全球
科技企业重新思考AI研发策略，加大对AI技术的投入和创新。
消费行业可以从两个方面拥抱它：
第一是积极接入DeepSeek大模型，以提升自身产品的智能化水平。
例如，玄武云旗下的智慧小玄在接入DeepSeek后，其在客户拜访、客户分析、商机分析、智慧销售漏斗等场景的应用能力得到了进一步增强。同时可以提升产品智能化。或者探索将DeepSeek集成到产品中，以提供更智能的用户体验。例如，智能手机厂商通过接入DeepSeek，提升AI助手的交互逻辑和任务处理能力，为用户提供更个性化的服务。
第二是利用DeepSeek的开源特性，结合自身业务场景进行定制化开发，推动技术创新
。或者积极探索DeepSeek在新兴领域的应用，如
智能家居
、智能穿戴设备等，以开拓新的市场机会。
综上所述，DeepSeek作为一款新兴的AI应用，正在引领多个行业迈向智能化未来。
二、DeepSeek受追捧：个人电脑部署的五大原因
段积超指
出
，网上很多人尝试部署
DeepSeek在自己电脑上的原因主要有以下几点
：
DeepSeek以极小的成本训练出了可以与OpenAI的ChatGPT相媲美的大模型，吸引了广泛关注。
DeepSeek开源了模型权重，用户可以自由使用和修改，降低了使用门槛。
DeepSeek能够在多种硬件上运行，包括个人电脑，使得本地部署成为可能。
本地部署可以保护用户的
数据
隐私，避免敏感信息泄露。
用户可以根据自身需求对本地部署的模型进行定制和优化。
1、数据隐私安全：所有数据和对话记录存储在本地，避免敏感内容泄露，同时可在无网络环境下使用。
2、响应速度快：本地推理减少了网络传输时间，响应更迅速。
3、灵活定制：支持各种开源模型，用户可根据需求进行扩展、切换、优化和工具集成。
1、生成能力有限：受限于本地硬件资源，生成能力可能不如云端版本强大。
2、硬件要求高：需要较高的电脑配置，如独立显卡和大容量内存，增加了硬件成本。
3、部署复杂：对于普通用户来说，部署过程可能较为复杂，需要一定的技术背景。
综上所述，DeepSeek的开源、高性能以及对隐私的保护等特点，激发了人们在其个人计算机上进行部署的兴趣。尽管本地部署具备数据隐私保护和定制灵活性等优势，但也存在生成能力限制、硬件需求较高和部署过程复杂的缺点。用户在选择是否进行本地部署时，应根据自身需求和技术能力进行权衡。
段积超表示，在
DeepSeek爆红之前，端侧AI已经有了一定的发展，但相较于云端AI，其发展速度和规模仍有限
。
以下是对DeepSeek之前端侧AI发展情况的归纳：
随着智能手机、智能音箱、智能手表等终端设备的普及，以及这些设备在计算能力和存储容量上的不断提升，为端侧AI的发展提供了硬件基础。例如，一些芯片厂商已经推出了支持端侧AI计算的芯片，如全志科技的多款产品可以服务于端侧智能终端的应用场景，乐鑫科技也在2019年就开始了端侧AI的布局，并于2020年底发布了第一款带端侧AI功能的AIoT芯片ESP32-S3。
在模型层面，小型团队开始探索如何将AI模型进行压缩和优化，以适应端侧设备的计算资源和存储限制。同时，一些端侧AI的应用场景也在逐步探索中，如智能语音助手、图像识别等。
端侧设备的算力相对较弱，难以支持复杂的大型AI模型运行，这限制了端侧AI的功能和性能。
开发和部署端侧AI需要投入一定的成本，包括硬件成本、研发成本等，对于一些小型团队或企业来说可能存在一定的压力。
在端侧设备上处理用户数据，相较于云端，能够更好地保护用户隐私。然而，这也对端侧AI的数据安全和隐私保护技术提出了更高的要求。
