這個春節，有一款國產 AI 大模型成了科技新聞里“最靚的仔”，甚至回老家過年，不少親戚在飯桌上聊的“下飯話題”都變成了 AI。我們這些在北上廣互聯網公司打工過的牛馬，作為家人眼中唯一一個懂“修電腦”的人才，自然難免要被問到各種相關問題。

如何跟不了解科技行業的親朋好友簡單易懂地講清楚 DeepSeek，頗花費了我一番腦汁，但效果還不錯，比如我媽聽完后一拍大腿表示：八成懂了?。瓤龋幸徽f一，回答這個問題還是比“為什么不結婚/生小孩”，簡單多了……ㄟ(▔,▔)ㄏ ）接下來我就把我跟我媽講的概括一下，希望能夠幫你揭開DeepSeek的神秘面紗。

先總結一下，DeepSeek 有三寶：

開源普惠，人人可復制嫁接

成本大幅降低

訓練模式突破性創新

其中每一條都為人類通往構建 AGI 創造了有利條件——所謂 AGI，指的是能夠像人類一樣完成各種不同任務的人工智能。它不僅能做一件事，還能學習、適應并解決多種問題。接下來，咱們就簡單聊聊 DeepSeek 先進在哪兒，有什么特點。

DeepSeek R1 強在哪兒？

DeepSeek 之前，最為人熟知的大模型產品是 ChatGPT，全球月活躍用戶約 4 億。但是大部分用戶體驗到的 ChatGPT 免費版本仍有許多不足。

比如，以前你問 ChatGPT 這樣的問題：

“小美上午 9 點的心率是 75bpm，下午 7 點的血壓是 120/80。她于晚上 11 點死亡。她中午還活著嗎？”

Chatgpt 就會被繞暈，給出不靠譜的答案。這說明彼時 ChatGPT 并不理解數字和數理之間，以及事物之間的邏輯關系，它回答對了可能是瞎蒙，可能是鸚鵡學舌。

注：由于現在的 AI 已經能解決這類問題，這里特地讓 ChatGPT 扮演更老的版本以展示可能出現的錯誤

但 DeepSeek R1 在展示結果同時，顯示了完整的思維力（Cot）推理過程，把問題一步步拆解分析，并且在學習數學題過程中，顯示出了提煉總結數理公式的能力。

這就是 DeepSeek R1 在計算性質上不同于 ChatGPT 和 GPT-4/4o 的根本區別——R1 是推理模型，后者不是。

我們為了檢驗它是否真的學會了數理邏輯，而不是靠積累的語料數據“瞎蒙”，派他去獨立解決各類數學和編程競賽的問題，結果十分亮眼——在MATH基準測試中的得分為 97.3，在AIME上的得分為 79.8，超過了 OpenAI 的 o1 預覽版。而在中科院物理所的競賽比拼中，也取得了優異的成績（參見 ）

當然，這些測試只是從一個方面衡量了 DeepSeek R1 的能力，其他復雜的任務，可能會涉及不同的評估方法和指標。

為什么說 R1-Zero 是

AI 界的“野生學霸”

如果說傳統 AI 是“補習班量產的好學生”，成才主要靠輔導老師天天耳提面命，那 R1-Zero 就是靠自學的“天才少年”。

R1-Zero 的“自學”過程依賴于強化學習（RL）算法，而非傳統的人類標注數據。通過反復訓練和優化，盡管沒有人工干預，它仍在特定的反饋機制下自我優化，最后在數學題目中展示出了卓越的推理能力。

這個方法跟 ALPhaGo 有些類似，對，就是那個曾經戰勝過人類最強棋手的“硅基棋王”——它并沒有根據人類的圍棋教程學習，全程也沒有接受過任何人類輸入的信號指導，完全依賴自己和自己“億局局”下棋、勝負歸納總結，產生了強大的下棋策略。

更絕的是，DeepSeek 的解題過程一步步推演，可以長達成百上千字，甚至上萬，堪比《三體》里羅輯的面壁計劃——每一步都充滿“如果……那么……”的邏輯推演，而且連中學生都能看懂它的思維過程。

同時，它的訓練方法還帶來了效率提升，訓練周期更短，資源消耗降低，由于省去了 SFT 和復雜的獎懲模型，計算量減少。

開源：技術界的“人民戰爭”

需要指出的是，DeepSeek R1 并不是目前唯一的推理模型。OpenAI 的 o1 模型在推理任務上表現也很出色，但是 DeepSeek 有個顯著的不同。

那就是，OpenAI 的 o1 模型像米其林三星餐廳——菜品驚艷，但廚房謝絕參觀。而DeepSeek 直接把菜譜開源，邀請全世界極客來改良——有人往模型里塞《五年高考三年模擬》，訓練出秒殺奧數冠軍的 AI；有人用 R1 給女朋友寫情書，結果因為邏輯過于嚴謹被罵“直男癌”。這種“群毆式創新”，讓 AGI 研究從高冷學術圈變成了全民參與的“黑客馬拉松”（指限定時間內大家通過編程、設計等技能合作，做出有趣或實用的項目。）。

更重要的是，模型開源，讓全世界的科技人才，都有可能站在 R1 的基礎上，進行改良再創造?？萍嫉臍v史進程已經一次次告訴我們：基礎技術的傳播擴散，會引發更大量、更先進的前沿突破和實際應用的涌現。

科技樹的點亮，沒辦法僅靠一個人或者一家公司，DeepSeek 的開源，就相當于一次開枝散葉的重要過程，而這也會提高 DeepSeek 的聲望和影響力。

省錢鬼才：成本僅用十分之一

大模型領域的研發其實是很“燒錢”的，很多知名的大模型，訓練一次成本就高達數百萬美元。

而 DeepSeek 最為人稱道的，是它把成本抹了個零——是的，它直接把成本金額的末尾砍掉了一個“0”。簡單地說，DeepSeek采用了一系列架構、算法和任務拆分等方面的優化和創新，這樣就能只用較低的成本就完成訓練任務，而這些方面的創造力正是 DeepSeek 的卓越之處。

更反常識的是，成本暴降的同時，性能反而飆升：它能夠在一個請求中處理多達 128000 個 Token、一次最多可以生成 32000 個 Token（注：1 個 token 視情況相當于 1 個詞語或 1 個漢字），非常適合編寫深度報告或剖析大量數據集，作為生產力工具效能極大提升，活生生把 AI 從“吞金獸”變成了“招財貓”，利人利己。

用推理實現環保

最新的研究和報道顯示，隨著人工智能行業的規模和影響力急劇擴大，維持人工智能增長所需的計算能力大約每 100 天翻一番。目前，ChatGPT 每天需要消耗大約 564 兆瓦時的電能。

同時，支撐大模型運算的數據中心服務器會需要消耗大量的水資源來散熱。有研究顯示，ChatGPT-3 在訓練期間耗水近 700 噸，其后每回答 20 至 50 個問題，就需消耗 500 毫升水。

耗能、耗水、增加碳排放，曾經是我們擔憂通往 AGI 之路的重要阻力，但是，DeepSeek 的成功向我們揭示了——或許我們有其他更好的道路。

過去十年，AI 界沉迷于“數量碾壓”：堆算力、沖數據量、比誰燒錢多。但 DeepSeek 另辟蹊徑——與其讓 AI 死記硬背《百科全書》，不如教它“怎么像福爾摩斯一樣思考”。結果在 ARC-AGI 測試（AGI 核心能力基準）中，R1 系統與人類表現不相上下。

這證明：也許推理能力才是打開 AGI 之門的鑰匙，而鑰匙孔里透出的光，正在被開源社區的手電筒照得越來越亮。

DeepSeek 不是神話

是團隊一步步創造的火種

雖然 DeepSeek 的故事聽起來像一部科幻爽文：它用純強化學習打破了數據壟斷，用開源點燃了全球極客的激情，再用成本暴降，讓 AI 能更好地從實驗室走進我們的生活，但它絕不像某些流量自媒體為了博眼球說的那樣橫空出世，更不是什么抄襲了其他廠家 AI 的結果。

過去一年，DeepSeek 團隊一直穩扎穩打，從 V2 模型（2024 年 5 月發布），到 V3 模型（2024 年 12 月發布），到最近的 R1 和 R1-zero 模型，每一步都取得了顯著的進步， 走得很扎實，而且其創新有開源的信息為證。

因此，不要理會那些逆襲開掛爽文或是抹黑文，我們要相信的是，從人類集體進步的角度講，投入時間、智慧和真正能點燃人的信念，突破式創新一定會涌現。

當我們驚嘆于 R1 的優異表現時，也別忘了——它省下的每一度電、開放的每一行代碼，都在為 AGI 降臨積蓄能量。或許未來某天，當真正具備通用智能的AI回首歷史時，會像人類銘記火種與輪子一樣，為 DeepSeek 刻下一塊里程碑。

參考文獻

[1]《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》 https://arxiv.org/abs/2501.12948

[2]DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language ModelDeepSeek-V3 Technical Report https://arxiv.org/abs/2405.04434

[3]DeepSeek-V3 技術報告 https://arxiv.org/html/2412.19437v1

[4]《研究人員發現算法可將人工智能能耗降低 95%》

https://oilprice.com/Energy/Energy-General/Researchers-Discover-Algorithm-to-Slash-AI-Energy-Consumption-by-95.html

[5]DeepSeek R1-Zero與R1的結果與分析. 騰訊云開發者社區.

https://cloud.tencent.com/developer/article/2493328

[6]GPT-4 Can't Reason https://arxiv.org/abs/2308.03762

策劃制作

作者丨木木 北京師范大學數學專業 資深產品經理 人工智能創業者

審核丨于乃功 北京工業大學機器人工程專業負責人，北京人工智能研究院機器人研究中心主任，博士生導師

策劃丨丁崝

責編丨丁崝

審校丨徐來、林林

本文經授權轉自“科普中國”（id：Science_China）公眾號

編輯：吳裕慧

一審：施新杭

二審：盧立明