DeepSeek的技术解析与应用展望，直播来了！

此次沙龙的嘉宾阵容堪称豪华：

• 胡鲁辉： 智澄AI创始人及CEO，前Meta首席工程负责人

• 张驰： 西湖大学工学院助理教授、博导，通用人工智能（AGI）实验室PI

• 陈安东： Datawhale成员，哈尔滨工业大学博士在读，so-large-lm开源项目负责人

• 宋志学： Datawhale成员，中国矿业大学（北京）博士在读，self-llm开源项目负责人

• 骆秀韬： Datawhale成员，似然实验室成员，unlock-deepseek开源项目负责人

1.DeepSeek的技术创新与技术路线

• DeepSeek的技术创新点： DeepSeek在技术上有哪些突破？哪些是站在前人的肩膀上优化的？哪些是自己的原创创新？

• DeepSeekVSOpenAI：谁更强？ DeepSeek在训练成本上的显著优势，是否已经构成其技术实力超越OpenAI的关键因素？OpenAI的先发优势和技术积累（如强化学习训练LLM的经验），是否仍然使其在整体技术上更胜一筹？DeepSeek的低成本训练能否弥补OpenAI的技术深度和广度？

• 提高LLM的推理能力的两条路线之争： rStar-Math采用MCTS+过程监督奖，DeepSeek-R1采用直接结果监督奖励。R1的成功是否意味着基于结果监督奖励的方式更优？还是不同场景适合不同的优化策略？

2.DeepSeek对行业的影响

• 技术之外的成功因素： DeepSeek的成功是否仅仅来自技术？其市场策略、团队管理、开源策略是否也起到了关键作用？

• 大厂能否轻易模仿DeepSeek？： 既然DeepSeek是低成本路线，那大厂是否可以轻松复制其成功？DeepSeek的独特性是否有难以复现的因素？如果大厂纷纷效仿，DeepSeek是否还能保持领先？

• 开源策略的影响： DeepSeek的开源策略是否会引发AI行业的“开源潮”？这种开源模式对行业生态、商业模式的影响是什么？

• 行业格局的变化： DeepSeek的成功是否会重塑AI行业的竞争格局，让AI技术更加普惠化？是否打破了“国内AI只能模仿”的刻板印象？对国内AI行业的信心有何影响？

3.技术与应用的结合

• 开源LLM的提升，对AI Agent的发展意味着什么？ DeepSeek的技术进步会如何推动AIAgent的发展？距离AGI还有多远？

• 与具身智能的结合： 强大LLM+Agent框架的结合，能否显著提升具身智能的推理能力和控制能力？低成本LLM是否能让具身智能训练变得更加高效？