DeepSeek指南：澄清关于 DeepSeek 的9个最大误解

DeepSeek 的崛起凸显了成本效益、技术创新和地缘政治对人工智能格局的影响，但也引发了一些误解。这项研究为人工智能领导者澄清了一些关于 DeepSeek 模型的常见误解。

9个常见误解

本研究基于客户咨询和同行社区互动，对 Gartner 在 2025 年 1 月 28 日至 2 月 11 日期间提出的九个常见误解进行了澄清，并进行了总结：

1. 所有DeepSeek 模型都会捕获您的数据并将其发送回中国。

2. DeepSeek 大大降低了 AI 模型开发的成本。

3. DeepSeek 大大降低了 AI 模型部署和推理的成本。 

4. DeepSeek 的表现已经超越了 OpenAI。

5. 只有 DeepSeek 模型受到了审查。

6. DeepSeek 受中国政府控制。

7. DeepSeek 使用 OpenAI 数据来训练其模型。

8. DeepSeek R1 有不同的尺寸。

9. DeepSeek 违反美国出口管制，非法获取高性能 Nvidia 芯片。

详细解释

图 1 中的神话矩阵代表了 Gartner 对每个 DeepSeek 神话的可信度的评估，以及如果每个神话都是真的，对 AI 领域的影响会有多大。

图 1：DeepSeek 神话矩阵

来源：Gartner

误解1：所有 DeepSeek 模型都会捕获您的数据并将其发送回中国。

事实：DeepSeek API 和应用程序收集您的数据并将其发送到中国，而 DeepSeek 模型并不执行此数据传输。

我们需要明确DeepSeek模型和应用程序之间的区别。

对于 DeepSeek 应用程序和 DeepSeek 公司托管的 DeepSeek API，DeepSeek 应用程序的隐私政策确实公开承认它收集各种用户数据，包括聊天记录、搜索查询、按键模式和 IP 地址。此外，它将数据存储在中国境内的服务器上。许多人工智能提供商，如 OpenAI 和 Perplexity，都有类似的数据收集政策，因此这并不是 DeepSeek 独有的。

然而，上述说法并不适用于其他云提供商托管的 DeepSeek 模型和 DeepSeek API。DeepSeek 模型（包括 V3 和 R1）是开放权重模型，可以部署到任何合适的基础设施。通过管理部署环境，组织可以根据自己的要求实施强大的安全措施。在本地托管模型可以简化对数据保护法规的遵守，例如欧盟的《通用数据保护条例》（GDPR）、美国《健康保险流通与责任法案》（HIPAA）或《加州消费者隐私法案》（CCPA）。

误解2：DeepSeek 大幅降低了 AI 模型开发成本。

事实：虽然 DeepSeek 降低了开发成本，但并没有从根本上改变 LLM 开发的经济性。

DeepSeek V3 模型的训练成本为 557 万美元。然而，DeepSeek 的成本效益方法并不能否定在人才、基础设施、数据处理和先前模型训练方面仍然需要的大量财务投入。大型语言模型 (LLM) 领域不断创新以提高效率。DeepSeek 就是这些创新的典范。DeepSeek 在“混合专家”(MoE)架构和 8 位和 32 位混合精度计算2等领域的新颖解决方案可在开发过程中减少计算资源消耗。

误解3：DeepSeek 大幅降低了AI 模型部署和推理的成本。

事实：尽管 DeepSeek 已成功减少模型推理过程中的资源消耗，但 DeepSeek 模型仍然需要高端基础设施和大量计算资源来部署。

DeepSeek R1 和 V3 模型拥有 6710 亿个参数，部署这些模型仍然需要高端基础设施和大量计算资源，尽管 DeepSeek 在模型推理过程中降低了计算资源消耗。

同时，DeepSeek 提炼了多种大小的 Qwen 和 Llama 模型。它们可以部署到任何合适的基础设施：云基础设施、数据中心、笔记本电脑。无需高级硬件（例如 H100 、H800）即可部署提炼后的模型。这些方法使计算资源有限的公司能够利用这些模型。

此外，DeepSeek 还有助于降低推理成本。很明显，DeepSeek 为 DeepSeek R1 API 3和 V3提供了比 OpenAI 的 o1 API 和 GPT4o 更显著的成本优势，使其成为希望优化 AI 相关费用的企业的理想选择。自 R1 发布以来，OpenAI 迅速推出了 o3-mini API 以匹配 R1 的价格。

误解4：DeepSeek 已经超越了 OpenAI。

事实：虽然 DeepSeek 展示了一种提高 LLM 性能的经济有效的方法，但 OpenAI 继续取得卓越的成果。

DeepSeek R1 的灵感来自 OpenAI o1。OpenAI于 2024 年 9 月预览了 o1，为 LLM 开发提供了一种新模式。OpenAI o1 模型通过为训练后和推理阶段分配额外的计算资源而脱颖而出。这种转变增强了模型的复杂推理能力。DeepSeek 复制了 o1 的表现，并通过在解决问题过程中明确分享其思路链，采用了更透明的方法。

V3 和 R1 模型只是展示了工程艺术和成本效益。DeepSeek 还推出了一种纯强化学习方法来优化模型，这种方法非常有效。但是 DeepSeek 并没有创造一种新的模型范式。

误解5：只有DeepSeek 模型受到了严格审查。

事实：所有模型均已受到审查。

大多数由领先提供商制作的 LLM（包括 DeepSeek V3、DeepSeek R1 和 Meta Llama 3 等开源模型，以及 OpenAI GPT4 和 Anthropic Claude 3 等专有模型）都经过了严格审查，旨在拒绝有害请求并遵守法规。作为一家中国公司，DeepSeek 受制于中国治理政策，为了遵守规定，它审查了一些信息和主题。有消融或微调等方法来规避审查；例如，Perplexity AI 通过将模型托管在美国服务器上来绕过 DeepSeek R1 中的审查，确保未经审查和私密的数据处理。

误解6：DeepSeek 受中国政府控制。

事实：没有公开记录表明 DeepSeek 得到了中国政府的支持。

DeepSeek于 2023 年作为量化对冲基金 High-Flyer 的一个副项目启动。这些资源随后被用于通过构建 DeepSeek 扩大基金对人工智能的关注。DeepSeek的资金来自 High-Flyer；没有风险投资或政府参与的证据。

DeepSeek 于 2024 年 5 月开始受到关注，当时 DeepSeek 推出了 V2 模型，价格仅为 GPT-4 Turbo 的 1.3%。这引发了一场 LLM 价格战。DeepSeek 默默地进行技术创新，直到 2025 年 1 月推出 R1。DeepSeek已成为中国技术进步的灯塔。在美国加大力度遏制中国 AI 进步的背景下，该公司未来获得国家支持将变得轻而易举。

误解 7.DeepSeek 使用 OpenAI 数据来训练其模型。

事实：他们是否使用 OpenAI 数据并不重要，但数据已经成为模型性能的关键区别因素。

数据已成为模型性能的关键差异因素，因为创新算法易于复制，计算资源随时可用。DeepSeek尚未披露其数据来源。它描述了使用创新算法和高效消耗计算资源对R1和 V3 模型进行训练的方法，但没有详细提及训练数据。DeepSeek 表示，它通过提高数学和编程样本的比例来优化预训练语料库，同时将多语言覆盖范围扩展到英语和中文之外。

OpenAI 指责 DeepSeek 违反使用条款，将 OpenAI LLM 的输出用作 DeepSeek R1 模型蒸馏过程的一部分。蒸馏涉及训练较小的 AI 模型，以利用其输出来模仿较大的预训练模型的功能。然而，蒸馏是训练 LLM 的常用方法，DeepSeek 已使用蒸馏基于其他开放模型（例如 Meta Llama 和 Alibaba Qwen）创建新模型。在线社区中越来越多的人认为，DeepSeek 的成功很大程度上可能归功于它在预训练阶段加入了中文。

误解8：DeepSeek R1 有不同的大小。

事实：R1 只有一种大小。其他蒸馏模型不是 DeepSeek 模型。

R1和V3模型都只有一种大小，DeepSeek R1模型是基于其V3模型训练的，参数量高达6710亿。但企业可以利用DeepSeek-R1产生的推理数据，对研究社区广泛使用的几种开放权重模型进行微调，这种技术就是所谓的蒸馏。DeepSeek还基于Qwen2.5和Llama3系列向社区蒸馏了6个更小的模型（15亿、70亿、80亿、140亿、320亿和700亿）。这些更小的模型使用的是Qwen和Llama的模型架构，而非DeepSeek R1的模型架构。

资源有限的组织可以使用提炼后的模型，但其性能可能不如 R1 模型。

误解9：DeepSeek 违反美国出口管制，非法获取高性能 Nvidia 芯片。

事实：DeepSeek 在机遇中进行了创新。没有证据表明 DeepSeek 在其模型训练过程中利用了高端 GPU。

DeepSeek 表示，它使用了 2,048 块 H800 GPU 来训练其V3模型。DeepSeek-V3 的经济训练成本是通过其对算法、框架和硬件的优化协同设计实现的。

DeepSeek不断创新新的技术解决方案以克服内存带宽不足的问题，包括在 PTX 而不是 CUDA 上编程。所有token 消耗和计算资源容量的计算都与 H800 性能统计数据保持一致。DeepSeek 在 V3 设计中做出的所有决定只有在您受限于 H800 时才有意义。