DeepSeek是什么 -- 面向普通小白的解读

在上一篇博客中（专业视角深度解析：DeepSeek的核心优势何在？-CSDN博客），我们对DeepSeek最近发表的三篇代表性论文进行了分析，从专业的角度阐述了DeepSeek产生突破的核心技术。在这一篇博客中，我们谈谈从一个普通小白的角度，应该如何了解和看待DeepSeek的核心技术，以及DeepSeek冲击波给业界和普通人带来的启示。

总的来讲，DeepSeek的成功预示着全球信息技术即将迎来一场基础架构的变革，其主要体现于两个关键特征：

（i) 硬件体系由算力驱动转向存储驱动。

（ii) 整体架构从依赖硬件转向依赖编程。

1. DeepSeek带来的冲击波

一个月前，美国军事圈正热议中国第六代战机；半个月前，媒体圈聚焦于小红书上的中美经济对比；而现在，全球科技圈的焦点集中在DeepSeek。

值得一提的是，DeepSeek V3的发布时间为2024年12月26日。仅仅一个月后，DeepSeek再次推出重磅更新：2025年1月20日发布的DeepSeek R1，成为真正引爆全球的版本。该版本的性能达到OpenAI o1的水平，但训练成本却低至不足560万美元，仅为o1的3%-5%。

需要强调的是，DeepSeek R1并非在技术性能上远超OpenAI o1，而是在保持相近或略优的性能下，大幅降低了训练成本和训练时间——两者的变革性影响不容忽视。

• 训练成本的骤降：DeepSeek R1显著降低了对算力的需求，对英伟达人工智能算力卡市场形成巨大冲击。
• 训练时间的革新：从原本6个月缩短至仅6天，AI软件的迭代速度将发生质变。

过去，AI模型在顶尖GPU硬件环境下的训练周期长达半年，相当于农业领域水稻种子从发芽、插秧、抽穗到收割的时间。而如今，DeepSeek仅需6天即可完成训练迭代。如果竞争对手的模型每次升级都要等6个月才能完成测试，而DeepSeek只需6天，即便起初性能不及对手，经过数轮迭代后，竞争优势将愈发明显。换句话说，即便对方拥有顶级的编程能力，也难以与DeepSeek抗衡。此外，DeepSeek的完全开源策略，使全球所有大模型软件公司不得不跟随其技术路线，否则就如同农业文明试图与工业文明竞争，终将落于下风。

DeepSeek的影响力迅速显现，其应用在美国苹果商店的下载量一跃至第一。

2025年1月27日，DeepSeek引发了纳斯达克股市震动，尤其是英伟达股价大幅下跌16.97%，此前一个交易日已下跌3.12%。紧接着，在1月28日（除夕），DeepSeek再度掀起风暴，正式开源多模态模型Janus-Pro。其中，70亿参数的Janus-Pro-7B模型在基于文本提示的图像生成排行榜上超越了OpenAI的DALL·E 3和Stability AI的Stable Diffusion，进一步巩固了DeepSeek在全球人工智能领域的领先地位。

英伟达在两天内市值蒸发超过 7000亿美元，跌去约五分之一的总市值。其中，1月27日单日市值蒸发约5900亿美元，创下美国股市历史上单日跌幅的最高纪录，并导致纳斯达克指数跳空暴跌3.07%。

当然，这次英伟达已经美国股市的震荡，并不一定完全是DeepSeek之故，并且短期市场波动未必意味着长期趋势。1月28日，英伟达股价反弹8.93%，但1月29日再次下跌4.10%。然而，一个仅成立一年多、员工不足140人的中国公司，仅凭一款产品的发布，就对整个纳斯达克科技股板块产生如此巨大的潜在影响，这在历史上尚属首次。

英伟达股票在DeepSeek论文和程序发布后的第一个星期一下跌17%

中国在科技领域的这一震撼性突破，让整个社会为之沸腾。而人们最疑惑的问题或许是：为何DeepSeek能在AI这一看似美国遥遥领先的领域，带来如此巨大的突破？ 换句话说，美国在AI领域的优势为何会存在如此大的改进空间？ 如果这样的改进空间不存在，无论DeepSeek团队有多么出色的能力，也难以实现这样的飞跃。

实际上，这种巨大的优化潜力并不罕见，甚至可以说是信息技术领域的普遍现象。DeepSeek所做的，仅仅是捅破了这层窗户纸，让全社会都意识到了这一点。

要真正理解DeepSeek为何能实现这样的突破，专业人士可以直接阅读 DeepSeek R1 的研究论文，甚至去分析它的开源代码。但对于大多数普通网友而言，深入研究AI的专业技术细节可能会让人望而生畏，即使经过详细的科普，理解起来依然困难。此外，即便是专业人士直接研究DeepSeek的论文和代码，也未必能完全理解为什么它能带来如此巨大的改进。

梁文峰于2025年1月22日在ArXiv上发布的DeepSeek-R1论文截图

因此，本文将尽可能使用90%以上的读者都能理解的语言，结合通俗的科普知识，解释为何美国式的信息技术存在如此大的提升空间——以及为何幻方量化创始人梁文峰的团队成功做到了这一突破。

2. 认识世界的两种路径

为了更好地理解本文的核心观点，我们不直接深入技术细节，而是先从最高层面出发，对科学认识世界的两种基本路径进行简要比较。这两种路径分别是：

• 经验方法
• 理论方法

2.1. 经验方法：基于历史知识的存储与匹配

从信息技术的角度来看，经验方法本质上是一种历史知识依赖型的方法。面对新问题时，经验方法不会深入系统地理解问题本身，而是直接通过对比存储的历史知识，找到最接近的匹配项，并针对差异部分进行简单调整，从而给出答案。

经验方法的关键特征：

• 算力依赖度低：由于主要依赖知识存储和查询，因此计算需求较少。
• 响应速度极快：无需进行复杂运算，直接从已有数据中检索答案。
• 可能缺乏完备性：不一定能提供最准确、深入的理解，可能无法揭示因果关系。
• 通用性较低：在计算机编程中，经验方法往往需要针对特定问题定制，通用性相对较差。

2.2. 理论方法：基于数学公式的计算推导

理论方法的极致表现就是科学理论。例如，牛顿力学仅用四个定律的数学公式，就能描述所有经典力学下的运动规律；麦克斯韦方程组仅用了几个数学公式，就能完整描述电磁学的所有现象。

理论方法的主要特点：

• 知识存储量最小：相比经验方法，理论方法无需存储大量历史数据，只需存储核心数学公式。
• 完备、因果关系清晰：能够准确描述系统的运作机制，具备较强的通用性。
• 计算量大，算力依赖度高：理论方法需要通过大量计算才能得出具体的结果。

在实际应用中，理论方法的一个重要制约因素是计算量。为了获得精确结果，需要完整掌握边界条件，并进行大量数学运算。而在计算机中，由于CPU只能进行二进制加法运算，复杂数学计算（如三角函数）必须转换成加法运算的累加，这显著增加了计算量。

2.3. 经验方法与理论方法的结合

现实世界中的问题往往无法严格划分为“纯经验”或“纯理论”两类。许多经验公式虽然看似理论模型，但实际上仍带有统计性质，并不完全揭示因果关系。因此&#x