算力竞赛转向效率之争
人工智能领域，曾经盲目追逐算力的时代已逐渐过去。如今，算法架构和数据质量成为新的焦点。各大企业开始更加注重商业模式的思考，力求“化繁为简”。然而，模型参数的急剧膨胀导致训练成本水涨船高，成为行业难题，甚至有创业团队因此受挫。
2024年末，Deepseek V3的发布给行业带来了新希望。这款拥有6710亿参数和14.8万亿高质量tokens的大模型，不仅在性能上表现卓越，更以仅557.6万美元的训练成本和280万GPU小时的计算需求，成功与顶尖模型竞争，并在能效上遥遥领先。据报道，12月Deepseek访问量激增164%，达到1180万次。这一突破背后，究竟隐藏着哪些技术创新与战略布局？它能否真正解决成本难题？
Deepseek，这家曾打破token价格池，并再次展现低成本高效能的公司，究竟有何过人之处？
Deepseek的崛起之路
要理解Deepseek的崛起，不得不提到其“母体”幻方量化。幻方量化成立于2012年，专注于量化投资。该公司利用海量数据“捕捉”市场波动，结合机器学习和高频交易策略，在资本市场取得了显著成功。量化公司的核心优势在于处理海量数据和高效运算的能力。
与普通投资机构相比，幻方量化对硬件需求更为严苛。为了快速挖掘市场机会，他们不仅与时间赛跑，更要与算力“掰手腕”。幻方量化在算力投入上“不差钱”，先后投资超过2亿元打造“萤火一号”深度学习训练平台，配备1100块GPU；随后又斥资10亿元升级到“萤火二号”，将GPU数量增加到1万张Nvidia A100。
这台“算力巨兽”不仅用于量化交易，也为幻方量化向AI领域渗透提供了坚实后盾。雄厚的硬件投入为后来的大模型研发埋下了伏笔，也使得幻方量化成为少数有能力进行大规模AI研究的“玩家”。
Deepseek的诞生与策略
在硬件支持下，幻方量化内部孵化了一个AI部门，由梁文锋带领。梁文锋在量化金融和机器学习领域深耕多年，被认为是“既懂金融又懂AI”的全才。2020年，为了更集中地研发AI大模型，梁文锋将团队独立出来，正式成立了Deepseek。
在AI大模型仍处于“算力为王”的阶段，Deepseek并没有盲目跟风，而是将第一款产品DeepSeekCoder定位为开发者工具和基础商业应用。虽然没有引起巨大轰动，但它为Deepseek在数据收集、算法打磨以及团队磨合上奠定了基础。
Deepseek以稳扎稳打的方式前进，关键策略在于夯实底层数据和算法路线，并利用幻方量化的资源搭建算力基础，为后续升级迭代打下基础。
开源策略：社区驱动发展
2024年，Deepseek选择了开源路线。在许多投资人眼中，开源意味着失去控制权，盈利不明朗。但Deepseek团队认为，开源可以吸引更多研究者和开发者参与，形成“你中有我、我中有你”的社区氛围。他们认为，“先把模型开放给社区，形成口碑与技术生态，再构建商业场景”更适合Deepseek的成长模式。
事实证明，社区的力量不可小觑。许多技术博主和开发者自发成为Deepseek的“宣传员”，分享测试体验和二次开发心得，为Deepseek提供了大量改进意见，品牌影响力迅速提升。
Deepseek-R1-Lite的成功
2024年11月20日，Deepseek发布了Deepseek-R1-Lite预览版。该模型在强化学习方面取得突破，在复杂的数学、代码生成和逻辑推理场景中表现出色。开发者们惊呼“没想到一个‘默默无闻’的团队，能在大模型领域杀出一条‘奇兵路’”。
R1-Lite的成功使Deepseek受到更多关注，在一个月内访问量飙升至1180万次，环比增长164%，为Deepseek V3的发布奠定了基础。
Deepseek V3的震撼发布
2024年12月26日，Deepseek正式发布Deepseek V3。其技术报告中最引人注目的是：6710亿参数和14.8万亿tokens的训练数据规模。Deepseek V3的参数量已逼近或超越主流巨头的大模型。最令人震惊的是其低成本：仅以557.6万美元完成训练，总计280万个GPU小时。
这一“性价比”数据迅速成为技术圈热门话题。人们纷纷猜测：“他们是怎么做到的？”
技术创新：稀疏MoE与FP8混合精度
Deepseek V3的技术创新体现在稀疏Mixture of Experts(MoE)架构和FP8混合精度训练。MoE架构并非让所有参数每次都“全员出动”，而是只激活5%～10%的“专家网络”，大幅降低训练所需的算力。对于6710亿参数的大模型而言，MoE架构就像一个“隐形刹车”，提高整体效率。
Deepseek V3还采用了FP8混合精度训练。虽然FP8在数值稳定性上存在挑战，但也显著减少了计算量和显存占用，让单位GPU小时发挥更大价值。技术专家认为，这是在工程实现上难度相当高的一步，但一旦突破，就能使训练速度和能效同时提升。
数据质量与算力调度
大模型训练的三大要素是算力、架构和数据。Deepseek既然不“砸钱堆算力”，就必须在架构和数据上发挥最大效能。Deepseek V3的训练数据规模达到14.8万亿tokens，并对数据重复度和质量进行了严格筛选。此外，Deepseek通过后训练和蒸馏策略，减少了对RLHF的依赖，节省了人工成本并优化了数据处理流程。
在算力层面，幻方量化为Deepseek提供了坚实后盾。但Deepseek并未满足于单纯地“排队烧卡”，而是开发了高效的软件栈、集群管理和数据管线，大幅提升了资源调度和集群利用率。
质疑与对比：Deepseek的定位
Deepseek V3获得赞誉的同时，也受到质疑。有专家指出，其成本核算可能存在“未尽事宜”，例如使用R1模型生成和清洗数据的费用是否包含在内？此外，模型训练成本降低，但推理和运维仍需大量GPU支撑，后续费用能否保持“亲民”仍待观察。
技术圈喜欢横向对比。有人将Deepseek V3与GPT-4o、Claude-3.5-Sonnet-1022等进行测试，结果各有侧重：Deepseek V3在代码场景和复杂数学任务中表现突出，甚至逼近或超越国际一线模型；在知识问答和长文本处理中，GPT-4o依旧最优。价格层面，Deepseek V3百万tokens级别的推理费用远低于GPT-4o。若企业对成本敏感，Deepseek无疑是一匹黑马。
Deepseek V3的优势和短板都很明显：它以“低成本+在特定任务上的强表现”吸睛，但在通用性和稳定性方面尚未超越顶尖选手。它在特定任务上表现优异，但在通用性方面仍需提升。
结语：商业化与开源的挑战
当下，也有企业逐步选择开源。例如Minimax最近也开源了模型MiniMax-Text-01，同样应用MOE架构训练。开源是赢得社区和口碑的捷径，但要实现商业化，还需考虑如何与企业应用结合。模型不仅要“便宜+好用”，更要保证数据安全、稳定性以及定制化服务。
在金融领域，Deepseek与其“老东家”幻方量化可形成协同效应，为金融科技、保险、投资机构提供定制化AI解决方案。量化投资对大模型的实时性和稳定性要求极高，而这正是Deepseek的优势。
然而，Deepseek未来还面临着模型通用性和推理成本两大挑战。虽然Deepseek V3强调了低训练成本，但推理成本依然不可忽视。大模型商用后，海量的用户查询会带来巨大的计算需求，如何平衡推理价格和营收是关键。
此外，通用性永远是大模型的“终极考验”。Deepseek作为纯技术背景出身的团队，如何解决多场景下的瓶颈，是其能否迈向“通用化”大模型的关键。在不同文化背景、不同行业领域提出的问题，模型能否自如应对，是大模型走向大规模商用的门槛之一。
Deepseek提升了训练速度和生成效率，TPS达到了3倍增长，展现了团队在工程实现和硬件利用率上的实力。如果能将这种“硬核能力”延伸到更多场景和跨语言支持，Deepseek 便有机会在AI大模型的热潮中取得更广泛的应用。
