主要观点总结
DeepSeek的模型在对话机器人app上的应用引起了广泛关注。其推出的平价但强大的AI推理模型DeepSeek-R1，经过测试表现优秀，被科学家视为鼓励使用大语言模型（LLM）的机会。DeepSeek-R1的开源和免费使用模式正在改变科研领域的使用习惯。该模型已在各种任务中展现出潜力，包括数据分析和可视化等科研任务。然而，该模型并非完美，也存在一些挑战和限制。
关键观点总结
关键观点1: DeepSeek-R1的特点和优势
DeepSeek-R1是一个平价但强大的AI推理模型，回答数学和科学问题的能力与o1模型不相上下。它的开放源代码和免费使用模式吸引了很多科学家，能在不同任务中表现出良好的性能。
关键观点2: DeepSeek-R1的应用
DeepSeek-R1的应用广泛，包括在线对话机器人DeepThink，科研人员使用它来训练自己的推理模型。它还能执行数据型科研任务，如生物信息、计算化学、认知神经科学等领域。此外，该模型还能通过微调提升能力。
关键观点3: DeepSeek-R1的挑战和限制
虽然DeepSeek-R1在很多任务中表现出色，但它并非完美。存在模型表现不稳定，对复杂问题的处理不够完善等问题。此外，该模型还面临着如何进一步拓展和提高性能的挑战。
正文
DeepSeek的模型能在一个对话机器人app上使用。来源：Mladen Antonov/AFP via Getty
来源 | 自然系列
撰文 | Elizabeth Gibney
两周前，
一家中国公司推出的DeepSeek-R1让美国股市大幅震荡
——DeepSeek-R1是一款平价但强大的人工智能
（AI）
“推理”模型。
经过反复测试，
DeepSeek-R1回答数学和科学问题的能力与o1模型不相上下
——o1是由加州旧金山OpenAI公司去年9月推出的一款模型，OpenAI的推理模型一直被视为行业顶尖水准。
虽然R1在科研人员想尝试的各种任务上仍力有不逮，
但它让全球科学家有机会根据其学科内的问题，量身训练定制款的推理模型
。
“基于它的绝佳表现和低成本，
我们相信Deepseek-R1能鼓励更多科学家在日常科研工作中使用大语言模型（LLM），同时不同担心成本问题，
”俄亥俄州立大学的AI研究员Huan Sun说，“几乎所有从事AI的同事和合作者都在谈论它。”
开放季
对于科研人员来说，
R1的平价和开源可能会改变传统
：使用它的应用编程接口
（API）
，就能以其专利竞品收取的一小部分费用对这个模型提问；其在线对话机器人DeepThink
（深度思考）
的使用更是免费。
科研人员还能在自己的服务器上下载这个模型，免费运行和拓展模型
——这些都是闭源竞品模型o1办不到的。
R1从1月20日推出以来，
“大量研究人员”基于R1或以R1为灵感，尝试训练自己的推理模型
，加拿大不列颠哥伦比亚大学的AI研究员Cong Lu说道。这从开放科学AI资源库Hugging Face的数据中便可看出——DeepSeek-R1的代码就储存在Hugging Face上。
在模型发布后的一周内，Hugging Face上各版本的R1下载量就超过300万次
，
包括独立用户已经扩展过的模型。
科研任务
一些初步测试让R1执行数据型科研任务
——这些任务选自生物信息、计算化学、认知神经科学等领域的真实论文——
结果R1的表现与o1不相上下
，Sun说。她的团队让这两个AI模型完成他们创建的一系列问题中的20个任务，这个系列被称为ScienceAgentBench。这些任务包括数据分析和可视化。两个模型只能答对其中约1/3的问题。用API运行R1的成本只要o1的1/13，但R1的“思考”时间比o1更长，Sun说。
R1在数学上也开始崭露头角
。
英国牛津大学的数学家、计算科学家Frieder Simon让这两个模型给出泛函分析这一抽象领域的一个证明，发现R1的证明比o1的更好。但考虑到这类模型通常会犯的错误，如果想要从这些模型中获益，研究人员本身就要具备鉴别证明水平的能力，他说。
R1令人激动的一大原因在于，它以“open-weight”（开放权重）的形式公开
，
说明其算法不同部分之间习得的关联可以进一步拓展。下载了R1或其“蒸馏”小模型
（也由DeepSeek发布）
的科学家能通过额外训练提升其能力，这也称为微调。如果有合适的数据集，科研人员或能通过训练，提高该模型在特定科研步骤编写代码的能力。
能在本地系统下载并部署R1也是个加分项
，Sun说，因为这样科研人员就能掌控他们的数据和研究结果。“对于涉及敏感和隐私数据的学科来说，比如医学研究，这一点尤其重要。”
推理跨越
D
eepSeek也搅动了AI科研领域
，因为它指出了一条能优化无数其他模型的道路，旧金山AI公司Anthropic的联合创始人Jack Clark说。Clark的模型叫Claude。
DeepSeek通过将它的“推理”能力教授给其他大语言模型
（LLM）
——如Meta的Llama——创建了这个蒸馏模型。DeepSeek在1月22日在arXiv上发布的预印本论文
[1]
揭示了这背后的方法：用整理好的来自DeepSeek-R1的80万个逐步式“思维链”回答的样本训练这些大语言模型。
“现在网上有了一个开放权重的模型，你能用它让其他足够强大的基础模型变身为一个AI推理器，”Clark在他的简报Import AI中写道，“全球的AI能力又向前了一步。”
科研人员还在应用“强化学习”——用来创建DeepSeek-R1的试、错、赏技术——但打磨它在特定任务上的应用，Lu说。Lu去年联合创建了“AI Scientist”，这是一个能完成一整套机器学习科研任务的模型，从扫描文献到创建假说再到撰写论文。
通过定义适当的“奖赏信号”，科学家能朝着任何目标训练这个模型
，
他说。
但DeepSeek-R1还远谈不上完美。
对话机器人DeepThink在o1等大语言模型会“碰壁”的简单任务上也失败了，这类问题包括统计名字中含字母W的美国州的数量。Lu说：“也许有的人认为这个模型能把水变成酒，这只是炒作，
但对于其实际能力来说，它确实是最棒的。”
原文以
Scientists flock to DeepSeek: how they’re using the blockbuster AI model
标题发表在2025年1月29日《自然》的
新闻
版块上
