看了李广密（拾象创始人）组织的关于 DeepSeek 的闭门沟通会内容，这次看齐DeepSeek 的开源性，所以对闭门会的思考也对外公开。
最近对这场 AI 界“拼多多”的崛起深感好奇，读了后，我也摘取几个很有意思的点和大家分享：
★DeepSeek 引出的中美博弈。
国内公司原来受限在算力，现在证明了潜在的技术空间非常大。对于更需要效率的模型，可能不需要特别大的卡。
DeepSeek 肯定没有说的 5 万张卡那么多，目前有 1 万张老的 A100 ，可能有 3000 张禁令之前的 H800 ，DeepSeek 还是非常重视合规性的，所以卡肯定不会很多。（美国用 GPU 的方式还是过于粗放了）
但 DeepSeek 跟算力没有太大关系，英伟达的软肋也不在 DeepSeek ，只要 AI 还在发展，英伟达的生态就能发展。真正的危机是技术成熟后，变成标准品，大家会更关注产品，就有有很多 ASIC 芯片出来做特定场景的优化。（但我看了下英伟达的股价，刚塌了[笑cry]）
DeepSeek更多是让美国觉得中国比较厉害在效率上，中国作为追赶者，体现出来的工程能力发挥很大优势，这可能是未来中美很长一段时间 AI 格局的推演。（和国内智驾与美国 FSD 非常相似）
历史上中国被美国封锁的东西，一旦被突破就会变得非常卷，AI 可能也是，DeepSeek 就跑出来了一个证明。
但我们必须正视一个客观问题是，DeepSeek 还是站在巨人的肩膀上，探索前沿还是需要时间和成本，R1 并不代表未来前沿的训练成本也会同时降低。
★DeepSeek 之所以被关注，更多是开源和闭源路线之争。
这可能导致 OpenAI 等把好的模型藏在后面，DeepSeek 出来后其他 AI 公司会拿出来。
★DeepSeek的成功关键因素在于聚焦。
DeepSeek 聚焦在智能本身，而不在服务人，后续也放弃了很多东西，聚焦在一个很窄的点，比如语言，所以能出效果。
这里大家也衍生出一个本质问题。
Ai 更像一个阶跃函数，追赶者的算力需求少了 10 倍。但探索者还是要训练更多的模型，除了推理模型外，很多探索者的卡其实花在大家看不到的地方。
比如在探索一个方向的时候，1 万张卡的效果不一定比 1 千张来的好，但探索会成为一个门槛，卡的数量起码会决定一次方案迭代的时间周期，其次还会影响稳定性（1 千张卡训练的模型没有 1 万张来的稳定）。
所以到底是追赶者还是探索者，问题要变得清晰。小公司卡不多的前提，就需要考虑效率。大公司考虑是如何更快得到模型。
★数据标注，是模型效率的关键。
DeepSeek 在数据标签上非常重视，梁文锋（创始人）听说也会自己打标签。
除了算法和技巧，数据的精度也变得非常关键。
比如特斯拉的标注成本是国内的 20 倍，特斯拉机器人的动作找的是小脑非常健康的人做的标注，丝滑度更好。所以在数据标注投入上，是 DeepSeek 处理好模型效率的关键指标之一。
★关于蒸馏的优势和隐患。
从大模型到小模型进行蒸馏才是真的蒸馏，如果从完全不懂中文的模型中蒸馏出中文数据，性能可能下降。但蒸馏小模型确实有明显的性能优势，比如 R1 蒸馏的模型再做强化学习会增长很多，都是用的模型不匹配的数据做的。
但蒸馏的坏处是无法保证模型的多样性能力，包括上限能力，无法超越更强的模型。比如 Open AI 就没有数据蒸馏，要超过 Open AI 肯定不能做蒸馏。
未来模型生态里可能会有老师、学生的角色区分，但如果有能力当一名好学生也是一个不错的商业模式。
其次蒸馏还有一个隐患问题是模型可能在预训练背了很多题，明面在思考，实际会去靠近背的题得到答案，模型变得不会思考，而是用更简单的方式解决。
★DeepSeek的组织
DeepSeek 的组织有一个很有意思的现象，大家都是国内高校毕业的年轻人，然后把团队慢慢的变得强大。（听说员工不招 8 年以上，因为包袱过重，缺乏创新）
（我在 36 氪暗涌也看过梁文锋对组织创新的看法：“如果追求短期目标，找有经验的人是对的，但是长远看经验没那么重要，基础能力、创造性、热爱等更重要。”）
★多模态依旧有很大挑战。
在训练上，多模态的数据看不到效果，或者说成本太高，可能未来机会比较大。现在海外的 GPT5 也还没有出来。
