我们之前已经分享了
清华大学
和
北京大学
出品的 DeepSeek 系列教程。今天接着分享一份湖南大学出品的 PDF，内容围绕着：我们该如何看待DeepSeek——what, how, why, and next？
如果你对
DeepSeek 是什么
，
能用它干什么
，以及它
背后的原理
都有所了解，不防看看这份 PDF 介绍的
下一步要关注什么
。
这里我们仍然会从四个方面简要介绍一下这份 PDF：
DeepSeek是什么
，
能用DeepSeek干什么
，
DeepSeek背后的原理
，以及
下一步要关注什么
。
DeepSeek是什么？
PDF 首先提到了
ChatGPT
引爆了全球人工智能的热潮，它是一个
生成式人工智能（AIGC）
和
大语言模型（LLM 或大模型）
，通过
Transformer
这种特殊的神经网络结构来实现
文字接龙
。而
DeepSeek-R1
更像是一个
“推理模型”
。
推理模型
的关键在于它不仅仅是直接给出答案，而是能够像人类一样进行一步一步的
推导（Reasoning）
。这意味着 DeepSeek-R1 在
数学、代码和逻辑
等领域展现出更强的优势。PDF认为，DeepSeek R1是
首个展示思维链过程的推理模型
。
DeepSeek R1还具有以下几个重要的特点：
-
它是
首个开源的推理模型
，用户可以
下载并在本地安装使用。
-
它在
技术创新、训练和推理效率以及性能方面都表现出色。
-
它的出现使得
最前沿的大模型技术能够被更多人直接体验。
简单来说，DeepSeek-R1是一个功能强大、价格合理且开放的人工智能模型，它不仅能进行对话和生成文本，更侧重于逻辑推理和问题解决。
能用DeepSeek干什么？
第二部分介绍了 DeepSeek 的各种应用场景，并强调掌握使用AI的
思维方法
。它通过一些案例展示了 DeepSeek 在不同领域的潜力：
同时，PDF也提醒我们应该
正确理解 DeepSeek 的局限性
。它还不是
通用人工智能（AGI）
，不能“一步到位”地解决所有问题，
需要用户具备一定的问题拆解、信息整合和迭代调优能力
。DeepSeek
可能会出错，并且不掌握所有的知识
，因此我们需要利用其能力的同时，也要有判断和筛选能力，善用
联网搜索和知识库
来辅助. 此外，当前的 DeepSeek 模型主要是
语言模型，不能直接处理图片、视频等多模态数据
，并且存在
上下文长度限制
，不能一次性输入过多的信息. 因此，我们需要学会
组合多种工具一起使用，取长补短。
总的来说，DeepSeek可以帮助我们处理各种文字相关的任务，提高效率，但我们需要了解它的能力边界，并掌握正确的使用方法。
DeepSeek背后的原理是什么？
第三部分简要介绍了DeepSeek背后的技术原理，核心是
Transformer
。
Transformer 是一种特殊的
神经网络
，现在几乎所有典型的大模型都采用这种结构. 它可以将输入的
文本（token）编码成向量（Embedding）
，然后通过
注意力机制（Attention）
计算不同token之间的关系，理解每个token在上下文中的含义。接着，通过
多层感知机（MLP）
进一步理解每个token自身的含义。这个
Attention和MLP的过程会重复多次
，最终通过
解码（Unembedding）
将向量还原成预测的下一个token并输出. 这个过程就像模型在学习“文字接龙”.
模型通过
“训练”
来学习这种能力，也就是将
海量的训练数据知识内嵌到模型中
. 训练过程需要调整模型中
大量的参数
.
数据和参数的规模越大，LLM就越强大
. DeepSeek R1/V3就拥有
6710亿参数
. 此外，为了让模型更好地服务于人类，还需要进行
后训练对齐
，例如
监督式微调（SFT）
和
强化学习（RL）
，以提高模型的可靠性.
简单来说，DeepSeek 等大模型的核心技术是 Transformer 神经网络，它们通过学习大量的文本数据，掌握了预测和生成文字的能力，并且模型越大、训练数据越多，性能就越好。
