一文看懂DeepSeek的中国式创新一二三（一）

不用大篇幅技术词汇
不搞精神胜利和闭眼狂喷
想用客观的“人话”说一说自己理解的DeepSeek中国式创新

1月21日晚写了一篇《时代巨响——也谈DeepSeek从V3到R1》
次日发在CSDN一周涨到1.6W阅读量，想来大概是AI在春节前的风口

随着春节前后数个大模型陆续发布，网络热评已经从技术圈扩大到社会圈、朋友圈

国内外好评与差评，热捧与诋毁，在我看来都是浮云
它既不会影响DeepSeek自身的迭代，也不会掣肘同行探索脚步

事无绝对，DeepSeek也是同样，今天起就啰嗦两句
从人工智能N落N起演进中，审视DeepSeek的中国式创新
观点未必正确，不喜勿喷

提及人工智能（AI）和现在火热的大模型，有几个问题摆在面前：
1.AI赛道中为什么大模型当今被炒得这么热？
2.OpenAI做的ChatGPT真的不如DeepSeek吗？
3.DeepSeek是未来AI发展的方向吗？
我的回答：1.适者生存。2.不是。3.未必。

摸着时间脉落，先从AI起落沉浮说说发展史上几个关键研究成果，然后再做比较

一、
互联网上能看到太多的人工智能发展史或编年史，我就不赘述了。
上世纪40年代开始人工智能的混沌探索，其核心是想制造出类似人类思考和行动的机器。造出这个智能体：

1.你得跟人交互吧（如果人类语言不能直接听懂，人类通过电脑发送通用指令应该被接受）
2.你得有所谓的逻辑思维和运算能力吧（其实人类也没有完全搞清思维是怎么回事，从神经元模拟开始，生物科学进一步，人工智能进一步）
3.你得能自如移动吧（例如机器狗和具身智能机器人）

科学家很早就知道，造一个铁皮壳子很简单，机器人的行为动作取决于它的大脑，所以设计它的思维模式才是根本。

1956年，达特茅斯学院研讨会上正式使用了人工智能（artificial intelligence，AI）这一术语后，早期的各种AI流派研究角度各有不同，他们做出了能够证明部分定理的程序，也写出了棋类简单游戏，研究过通过符号来解读人类获得知识的方式，但实话说来，从理论上并没有研究出可行的路线。

那时的计算机编码和逻辑推理设计，语言翻译搞不定，视觉感知更别提，加之当时计算能力和数据存储限制，也就是路线和能力皆不具备。摸着石头过河，没投资、没技术、普世悲观，AI寒冬纪。

二、
走的人多了，也便成了路。第一次横空出世的引领者是机器学习（ML）走出新路线。

机器学习这个方法早在1959年就被提出，它的原理可以概括为处理数据、提取特征、训练模型、改进性能、给出结果。

是的，我们后来所知道的DeepBlue机器战胜国际象棋棋王卡斯帕罗夫、AlhpaGo战胜围棋冠军李世石和柯杰、某音某宝精准推送音乐和商品，不都是这条路线吗。所以回头看，人工智能的研究是选择了机器学习这条赛道。

但为什么会是机器学习呢？

我们看标黑字体的第四个，改进性能，没错，流程中加了改进性能，实际上包括了运用逻辑门电路（与、或、非）建立反馈机制，而这就是神经网络的雏形。借一张C友的图

我只有不断的纠错反馈才能让我变的更强大。好熟悉，有没有。跳出历史周期率的第二答案——自我革命。还说社会主义科学不是科学？

言归正传，1982年，约翰·霍普菲尔德（John Hopfield）在自己的论文中重点介绍了具有记忆和优化功能的循环（递归）神经网络（RNN）。

这个RNN突破在哪里呢，传统的机器学习里神经网络算法，输入和输出是直线。

RNN最大的区别在于每次都会将前一次的输出结果，带到下一次的训练，这使得每一个后位数据都与前序数据产生关系影响，通过计算相似关系而预测后一数据。

例如，我问What time is....它会根据前三个单词的意思和与之关系，预测最后一个词是it。

1986年，戴维·鲁梅尔哈特（David Rumelhart）、杰弗里·辛顿（Geoffrey Hinton）和罗纳德·威廉姆斯（Ronald Williams）等人共同发表了一篇名为《通过反向传播算法的学习表征》的论文。

在论文中，他们提出了一种适用于多层感知器（MLP）的算法，叫做反向传播算法（Backpropagation，简称BP算法）。

BP算法是什么，好比①②③④⑤五位同学传信息，当信息传到②号时，他在往③号传的同时，还要向①号发送反向信息检验传递的准确性。

同理，③④⑤号同学也会逐个反向验证，通过计算信息传递的损失，得出各位同学能力的大小个头（称为梯度），利用算法来调整梯度权重，从而最小化损失。

我认为RNN和BP的诞生是核弹级别，让机器学习真正意义上活了，可行了，有路可走了，起码是找到方向了。

这算是大创新吧，国际大奖的认可比较迟，直到2024年，约翰·霍普菲尔德与杰弗里·辛顿（Geoffrey E. Hinton）才共同获得了诺贝尔物理学奖。Better late than never，发展进程不断为后人探索已经证明了创新的价值。

三、
循环递归神经网络（RNN）和反向传播算法（BP），确实是两把好工具。但是在应用中不免遇到问题。

比如，传递信息的同学太多，每个同学都要向后面所有同学确认，计算量越来越大怎么办？

相邻站位的同学大小个头太接近，或者差距太大（梯度近似或失真），计算差值不准确怎么办？

1997年，德国计算机科学家于尔根·施密德胡伯（Jürgen Schmidhuber）与其弟子塞普·霍克赖特（Sepp Hochreiter）开发了长短期记忆网络（LSTM）。

LSTM有什么特别之处呢，它引入了记忆细胞、输入门、输出门和遗忘门的概念。

记忆细胞负责保存重要信息，输入门决定要不要将当前输入信息写入记忆细胞，遗忘门决定要不要遗忘记忆细胞中的信息，输出门决定要不要将记忆细胞的信息作为当前的输出。

打个比方，当一本小说我看到中间部分时，离我当前最近的前一段落，可能是我记得最清楚的，而开头的一此细节可能就记得不那么清楚了，这叫短时记忆，前面提到的RNN就是那种短时记忆。离得越近，相互影响越强。

而LSTM会选择重要信息并加以权重，那看到小说中间的时候，我还是会想起前面埋下的伏笔。

由此来看，LSTM是RNN的高级形式，与BP有异曲同工之妙。

但是德国大叔对自己成果在AI学界被忽视表示强烈不满，批评同行、开喷Meta、怒怼图灵奖，有点儿祥林嫂的感觉，有兴趣的小伙伴可以自己搜来看。

另一个事件是2006年，杰弗里·辛顿正式提出深度学习概念。主要观点是：多隐层的人工神经网络具有优异的特征学习能力，学习到的数据更能反映数据的本质特征有利于可视化或分类。

之前机器学习的RNN到BP、LSTM路线，构建的有输入、有反馈、有权重、有输出的循环模式。总体上它可以看作是简单的神经网络，也就是它就像在模拟生物神经元的工作方式来处理数据。这就是人工智能模仿生物神经元思维的路线。

单一的神经网络只能对连续的序列（例如语音、文本）单线条的处理，而多线程直至1998年卷积神经网络（CNN）的出现，就好比一台由无数神经元组成的并行机器，要有组织有规模的工作了。

可以想象这是比较耗费计算资源的一项工程，从此，人工智能研究正式开启了算力比拼。

我认为相比LSTM和CNN这种导弹级别的成果，深度学习概念的提出是核弹级别的创新。

因为它引出一条看似可行的AI之路，终于使得原本用于图像处理的芯片（GPU），参与到更加复杂的计算之中。

芯片商业帝国重新划分，原本的图像领域单项冠军英伟达（NvIDIA）市场份额逐渐超过CPU厂商Inter和AMD，独领高性能计算风骚。

待续未完……

春节晚上每天晚上码几字，喜欢的点个赞