“深度：百模乱世”出枭雄，Deepseek何以一鸣惊人？

作者丨不寒

编辑丨刘欢

初始模型发布：Deepseek的诞生

有了底层硬件做支撑，幻方量化在内部孵化出一个小而精的AI部门。

这个团队由核心技术骨干梁文锋带领，他在量化金融与机器学习领域耕耘多年，在同僚眼中是个“既懂金融又懂AI”的全才。

2020年，为了更集中地研发AI大模型，梁文锋决定将这支团队独立出来，正式创办了Deepseek，标志着梁文锋和他的团队正式踏上了探索 AI 基础技术的新征程。

一切从零开始时，总是带着几分懵懂与热血。

彼时，AI 大模型尚处于“算力为王”的阶段，许多巨头都在加速“参数内卷”。

Deepseek 则没有盲目跟风：他们的第一款产品 DeepSeekCoder（2023年11月2日发布），主要定位于开发者工具和基础的商业应用。

尽管没有引起特别大的轰动，但它为Deepseek在数据收集、算法打磨及团队磨合上埋下了“更进一步”的潜能。

就这样，Deepseek以一种“慢火煲汤”的方式，稳扎稳打地走到了台前。

这个阶段，最关键的策略在于：把底层数据和算法路线夯实，再利用幻方量化的资源搭建算力基础，为后续升级迭代打下牢固根基。

点燃舆论热度的“预演”

时间回到2024年11月20日，Deepseek 发布了Deepseek-R1-Lite预览版。

2024年12月26日，Deepseek 正式发布了 Deepseek V3。当大家打开其技术报告时，最先被吸引的便是那“惊人的数字”：6710亿模型参数，同时训练数据规模更是达到14.8万亿tokens。

架构创新：稀疏MoE与FP8混合精度的协奏

数据质量与算力调度：多重优化的结果

质疑与对比——何以在“百模乱世”立足？

所谓“树大招风”，当DeepseekV3在技术指标上获得一片赞誉时，也迎来了不少质疑声。

有专家指出，Deepseek V3 的成本核算存在“未尽事宜”：比如最初使用 R1 模型来生成和清洗数据的费用，是否也包含在557.6万美元的数字里？

此外，大模型虽然训练阶段成本降低，但推理和运维依旧需要大量的GPU来支撑，后续费用能否继续保持“亲民”水准，仍需观望。

对此，Deepseek并没有大规模的公开辩驳。

除此之外，在技术圈，最喜欢的莫过于横向对比。

有人把Deepseek V3和GPT-4o、Claude-3.5-Sonnet-1022 等放在同一水平线上进行测试，结论各有侧重：

在代码场景与复杂数学 任务中，Deepseek V3 表现突出，尤其在算法设计或程序生成方面，甚至逼近或超越了国际一线模型。

在知识问答及长文本处理中，GPT-4o依旧稳居最优，在一些特别冗长、复杂的上下文检索与推理环节，DeepseekV3还需进一步打磨。

价格层面，Deepseek V3在百万tokens级别的推理费用只需要几元到十几元不等，远低于业内推测的 GPT-4o（往往在数十美元或更高）。

若企业对于成本极其敏感，Deepseek 无疑是一匹黑马。

可见，DeepseekV3的优势和短板都很鲜明：它以“低成本+在特定任务上的强表现”吸睛，却在通用性与稳定性方面尚未证明自己能全面赶超顶尖选手。

总的来说，DeepseekV3采取了稀疏MoE、FP8 混合精度等颇具创新的架构，在特定的数学、编码场景中展现了极高性能。

但要拓展到各种自然语言理解、多语种对话、内容审核等场景，仍需更多的领域训练与适配。

此外，大模型在长文本上下文保持、逻辑推断一致性以及安全合规性方面，往往是一道“难啃的骨头”。

对初创AI企业来说，这是个并不意外的过程。

结语：商业化与开源的交汇还需更多思考

当下，也有企业在逐步选择开源的道路，这里又不得不提昨天也同样开源的六小虎之一的Minimax，昨天推出的模型之一MiniMax-Text-01，以400万上下文窗口能力强势出圈，也应用MOE架构训练，很难不让人拿来做对比。

单从开源的角度来看，“开源”是一条赢得技术社区与口碑的捷径，但要想在商业化上站稳脚跟，还需要思考如何与企业应用有效结合。

模型仅仅“便宜+好用”还不够，企业更看重数据安全、稳定性以及深度定制化服务。

在金融领域，Deepseek与其“老东家”幻方量化能形成天然协同，或可顺势为一些金融科技、保险、投资机构提供定制化的AI解决方案。

毕竟，量化投资与大数据分析对大模型的实时性与稳定性都有极高要求，而这恰恰是Deepseek擅长的地方。

若能以此为突破口，在行业里形成良好示范效应，Deepseek即有可能从“开源社区的人气王”跃升为“行业级别的高端服务提供商”。

但在未来的行业落地中，也面临着不可回避的难题，模型通用性与推理成本。

尽管DeepseekV3强调了低训练成本，但未来最为棘手的还包括“推理成本”。

大模型投入商用后，每天海量的用户查询将带来巨大的计算需求，不仅需要强大的GPU集群，更要有一整套分布式调用和负载均衡机制。

若推理价格太高，用户可能“望而却步”；太低，企业又难以维持健康的营收。

如何在这两者间找到平衡，考验着 Deepseek的资源管理和商业策略。

另一个层面，通用性永远是大模型的“终极考验”。

如何解决“幻方量化”这种纯技术背景出身团队在多场景下的瓶颈，是Deepseek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能否自如应对、保持高准确度和自然度，是大模型走向大规模商用的门槛之一。

Deepseek若想扛起国产大模型的大旗，在通用性与“精专性”之间，还需找到独特的平衡点。

值得欣慰的是，Deepseek提升了训练速度与生成效率，其TPS（Tokens Per Second）从之前的20提升到60，达到了3倍增长。

可见，这个团队在工程实现与硬件利用率上功力深厚，也说明他们具备快速迭代的能力。

如果能将这种“硬核能力”继续延伸到更多任务场景和跨语言支持，Deepseek 便有机会在AI大模型的热潮中取得更广泛的应用。