從當(dāng)下來看，DeepSeek的出現(xiàn)打破了固有的算力、模型中的部分環(huán)節(jié)掣肘，但仍有很多問題尚待解決，比如模型的定向蒸餾，比如數(shù)據(jù)體系的構(gòu)建，再比如生態(tài)體系中各方利益的交叉配合等等，這早已經(jīng)不僅是一道技術(shù)命題，而更是一個(gè)行業(yè)向上的產(chǎn)業(yè)命題。?

不過，能肯定的是，2025 年中國(guó) AI 大模型的產(chǎn)業(yè)潮水必然洶涌澎湃，勢(shì)不可擋。

DeepSeek 的出現(xiàn)，仿佛逐漸為 AI 的落地應(yīng)用勾勒出了一個(gè)確定性的未來藍(lán)圖。

在過去的幾年間，AI 大模型的入場(chǎng)門檻早已被清晰標(biāo)定 —— 上萬億的參數(shù)規(guī)模、超強(qiáng)的算力支撐以及海量且優(yōu)質(zhì)的的數(shù)據(jù)資源，這些都意味著高昂的 “入場(chǎng)價(jià)格”。

2025 年春節(jié)期間，DeepSeek 如一匹黑馬，強(qiáng)勢(shì)打破了中外 AI 大模型競(jìng)技場(chǎng)原有的規(guī)則。

這家原出身量化機(jī)構(gòu)的團(tuán)隊(duì)將大模型的參數(shù)大幅削減至原來的 1/10，借助強(qiáng)化學(xué)習(xí)與模型蒸餾技術(shù)，使得一個(gè)小模型在數(shù)學(xué)題解答方面力壓 GPT – 4o。不僅如此，DeepSeek 還開源代碼、開放 API，以超低的價(jià)格展現(xiàn)出肩比 OpenAI 的強(qiáng)大能力，這讓國(guó)內(nèi)外網(wǎng)友紛紛驚嘆于這 “神秘的東方力量”。

從某種層面來說，這些在水面之上的表現(xiàn)固然令A(yù)I行業(yè)為之震撼，但幾個(gè)更應(yīng)該被延長(zhǎng)時(shí)間線思考的問題恰還是盤繞在2024年AI行業(yè)上空的幾個(gè)核心命題：即產(chǎn)業(yè)大模型距離我們有多遠(yuǎn)？在數(shù)據(jù)、算力、模型的三層節(jié)點(diǎn)上，在去年幾乎達(dá)成共識(shí)的AI應(yīng)用上，DeepSeek 這個(gè)“現(xiàn)象級(jí)事件”到底會(huì)帶來什么影響？

2025年，產(chǎn)業(yè)數(shù)智化的大幕已然悄悄拉開。

一、技術(shù)范式變了，模型邁進(jìn)“價(jià)低物優(yōu)”時(shí)刻

在傳統(tǒng) AI 大模型的落地過程中，存在著諸多限制其廣泛應(yīng)用的難題。其中，“看不到希望的燒錢”，位列第一。

以 GPT – 4 為例，其訓(xùn)練數(shù)據(jù)量高達(dá) 13 萬億 token，涵蓋了互聯(lián)網(wǎng)全領(lǐng)域的文本。如此海量的數(shù)據(jù)標(biāo)注工作不僅成本高昂，而且耗時(shí)費(fèi)力。同時(shí)，其對(duì)算力的需求也極為龐大，依賴數(shù)萬張 A100 GPU 集群，單次訓(xùn)練成本超過 1 億美元。這種高昂的成本和資源需求，使其技術(shù)很難落地。

DeepSeek的倍受推崇之處也恰在此，即其可以通過純強(qiáng)化學(xué)習(xí)（RL）實(shí)現(xiàn) “自我進(jìn)化”，使其在數(shù)據(jù)準(zhǔn)備方面具有顯著優(yōu)勢(shì)。

換言之，它無需標(biāo)注數(shù)據(jù)，這大大降低了數(shù)據(jù)準(zhǔn)備的成本和難度，為開發(fā)者節(jié)省了大量的時(shí)間和精力，讓他們能夠更加專注于模型的訓(xùn)練和優(yōu)化。

同時(shí)，DeepSeek 的獎(jiǎng)勵(lì)設(shè)計(jì)極簡(jiǎn)，僅用 “答案正確性” 和 “格式規(guī)范” 作為獎(jiǎng)勵(lì)信號(hào)。這種簡(jiǎn)潔的獎(jiǎng)勵(lì)機(jī)制避免了復(fù)雜獎(jiǎng)勵(lì)模型可能導(dǎo)致的 “作弊” 風(fēng)險(xiǎn)，使得模型訓(xùn)練更加高效、穩(wěn)定。

這種極簡(jiǎn)獎(jiǎng)勵(lì)設(shè)計(jì)，還能夠更好地引導(dǎo)模型朝著正確的方向發(fā)展，提高模型的訓(xùn)練效果。避免一些意想不到的情況，導(dǎo)致模型訓(xùn)練出現(xiàn)偏差。

此外，DeepSeek 采用 GRPO 算法，用組評(píng)分替代傳統(tǒng) Critic 模型，算力消耗降低 30% 以上，進(jìn)一步降低了對(duì)硬件資源的需求，也就是俗稱的對(duì)“卡”的依賴。

值得注意的是，其模型能力也并未因算力的降低，而大打折扣。

在DeepSeek發(fā)表的論文中，一組數(shù)據(jù)顯示DeepSeek-R1 在 AIME 2024 測(cè)試中取得了 79.8% 的 Pass@1 得分，略?于 OpenAI-o1-1217。在 MATH-500 上，其得分達(dá)到了 97.3%，表現(xiàn)與 OpenAI-o1-1217 相當(dāng)，并顯著優(yōu)于其他模型。

在DeepSeek身上，外界似乎在發(fā)現(xiàn)，算力、參數(shù)似乎不再是AI的入場(chǎng)門檻，或者更準(zhǔn)確來說，是在DeepSeek身上，外界看到了一種更為適配AI落地的低門檻、低成本方式，從成本側(cè)更利好落地。

而從產(chǎn)業(yè)側(cè)來看，這種變化的最佳受益者是中大型廠商。過去兩年時(shí)間里，不論是大型央國(guó)企，還是高校，抑或是民生部門等等，都基于大模型的項(xiàng)目面向市場(chǎng)公開招標(biāo)，其中涉及到的很大一部分恰是預(yù)訓(xùn)練項(xiàng)目，這些項(xiàng)目的單價(jià)往往超過千萬乃至上億，作為企業(yè)的定向投入。

但在DeepSeek之后，能夠預(yù)測(cè)的是，今年的中大型大模型項(xiàng)目的標(biāo)的將會(huì)發(fā)生顯著變化，對(duì)于中大企業(yè)乃至央國(guó)企而言，其可以以更低的成本進(jìn)行大模型項(xiàng)目的部署，或者把重點(diǎn)更多的轉(zhuǎn)移到數(shù)據(jù)治理環(huán)節(jié)，進(jìn)一步提高最終的模型效果。

同樣受益的還有小型的科技公司，以往其可能因?yàn)橘Y金和技術(shù)限制，無法涉足 AI 領(lǐng)域。但 DeepSeek 的出現(xiàn)為他們提供了可能，企業(yè)可以利用相對(duì)較低的成本，基于 DeepSeek 開發(fā)出適合自己業(yè)務(wù)需求的 AI 應(yīng)用，推動(dòng)公司業(yè)務(wù)的發(fā)展和創(chuàng)新。

總體來看，隨著強(qiáng)化學(xué)習(xí)（RL）技術(shù)范式的變革，不僅 AI 大模型的落地門檻、落地成本將會(huì)降低，還為更多的企業(yè)和開發(fā)者提供了參與 AI 創(chuàng)新的機(jī)會(huì)。這不僅有助于推動(dòng) AI 技術(shù)的發(fā)展，也為各行業(yè)的數(shù)智化轉(zhuǎn)型和升級(jí)提供了新的動(dòng)力。

二、開源加速：垂直小模型的時(shí)代來了

在DeepSeek公布的論文中，除了RL技術(shù)范式的變革，還有另外一個(gè)亮點(diǎn)，就是跨維度知識(shí)蒸餾體系的構(gòu)建。

一組數(shù)據(jù)顯示，DeepSeek-R1-Distill-Qwen-7B在AIME 2024評(píng)測(cè)中以55.5%的得分超越原版QwQ-32B-Preview，參數(shù)規(guī)?？s減81%的情況下性能提升23%。其32B版本更在MATH-500測(cè)試中達(dá)到94.3%的驚人準(zhǔn)確率，較傳統(tǒng)訓(xùn)練方法提升近40個(gè)百分點(diǎn)。

其通過將32B大模型的推理邏輯解構(gòu)為可遷移的認(rèn)知模式，再經(jīng)由動(dòng)態(tài)權(quán)重分配機(jī)制注入到7B小模型中，實(shí)現(xiàn)了”思維范式”而非單純”知識(shí)記憶”的傳遞。

這種技術(shù)路徑下，小模型不僅繼承了大模型的解題能力，更習(xí)得了問題拆解、邏輯推演的元能力。這也意味著?型模型的推理模式可以蒸餾到?型模型中，其性能優(yōu)于直接在?模型上強(qiáng)化訓(xùn)練的結(jié)果。

在人工智能領(lǐng)域，”模型越大，性能越強(qiáng)”的認(rèn)知長(zhǎng)期占據(jù)主導(dǎo)地位。從GPT-3到GPT-4的進(jìn)化軌跡，似乎都在印證”參數(shù)規(guī)模決定模型能力”的定律。

而隨著這種”蒸餾+強(qiáng)化學(xué)習(xí)”的復(fù)合訓(xùn)練方式的出現(xiàn)，小模型的時(shí)代似乎終于要來了。

要知道，對(duì)于許多企業(yè)，尤其是中小型企業(yè)和垂直領(lǐng)域?qū)I(yè)企業(yè)，在追求模型性能時(shí)，往往受限于大型模型所需的巨額計(jì)算資源成本。

DeepSeek 證明?模型也能發(fā)揮?作用后，這些企業(yè)可以減少在硬件設(shè)備（如?性能服務(wù)器、GPU 等）采購(gòu)和租賃上的?出，以及降低能源消耗成本。

例如，?家專注于醫(yī)療影像分析的?型企業(yè)，原本若要使??型模型來處理影像數(shù)據(jù)，可能需要搭建昂貴的計(jì)算集群，現(xiàn)在借助優(yōu)化后的?模型，可以在普通的計(jì)算設(shè)備上完成任務(wù)，?幅降低成本。

在這其中，在?模型有效性的趨勢(shì)下，擁有?業(yè)認(rèn)知的企業(yè)通常對(duì)?身業(yè)務(wù)流程和數(shù)據(jù)特點(diǎn)有深刻理解，他們往往能夠更快速地將模型集成到現(xiàn)有業(yè)務(wù)系統(tǒng)中。

因?yàn)?模型?般具有更簡(jiǎn)單的架構(gòu)和更少的參數(shù)，開發(fā)?員可以更便捷地進(jìn)?定制化開發(fā)，以適應(yīng)特定?業(yè)的需求。?如，?家?融風(fēng)控企業(yè)，基于??對(duì)?融?業(yè)?險(xiǎn)評(píng)估的know – how，能夠迅速將適配的?模型嵌?到其風(fēng)控系統(tǒng)中，縮短開發(fā)周期，更快地實(shí)現(xiàn)模型上線和業(yè)務(wù)優(yōu)化。

在競(jìng)爭(zhēng)激烈的市場(chǎng)中，這種優(yōu)勢(shì)，恰恰能使得某些企業(yè)在AI領(lǐng)域?qū)崿F(xiàn)快速超車，成為垂直賽道AI規(guī)則的制定者和引領(lǐng)者。

三、效率與場(chǎng)景突破，端側(cè)應(yīng)用爆發(fā)期來了

眾所周知，在實(shí)際應(yīng)用中，尤其是在邊緣計(jì)算和實(shí)時(shí)決策等場(chǎng)景中，傳統(tǒng) AI 模型往往也面臨著諸多限制。

在邊緣計(jì)算場(chǎng)景中，由于設(shè)備資源有限，如手機(jī)端、眼鏡端等，很難運(yùn)行大型的 AI 模型，從而限制了 AI 技術(shù)在這些領(lǐng)域的應(yīng)用。

此外，在實(shí)時(shí)決策場(chǎng)景中，如金融交易和工業(yè)生產(chǎn)，傳統(tǒng) AI 模型的推理速度和準(zhǔn)確性往往難以滿足需求。

DeepSeek 的出現(xiàn)給了一個(gè)新的思路。其在模型壓縮、推理效率以及訓(xùn)練成本優(yōu)化方面的突破，為其在多個(gè)場(chǎng)景的落地應(yīng)用提供了有力支持，帶來了效率和場(chǎng)景上的巨大突破。

DeepSeek 通過模型壓縮技術(shù)，使其優(yōu)化后的模型可以更好地適應(yīng)資源有限的設(shè)備，如智能眼鏡等邊緣計(jì)算設(shè)備。這使得邊緣計(jì)算設(shè)備能夠具備更強(qiáng)的 AI 能力，為用戶提供更加便捷、智能的體驗(yàn)。

例如，在智能眼鏡中，DeepSeek 可以實(shí)現(xiàn)更快速、更準(zhǔn)確的圖像識(shí)別和語音交互功能，用戶可以通過智能眼鏡更高效地獲取信息、進(jìn)行導(dǎo)航、識(shí)別物體等，大大提升了智能眼鏡的實(shí)用性和應(yīng)用場(chǎng)景。

在實(shí)時(shí)決策場(chǎng)景方面，其的高效推理能力也發(fā)揮了重要作用。

以金融交易為例，金融機(jī)構(gòu)需要在極短的時(shí)間內(nèi)對(duì)大量的市場(chǎng)數(shù)據(jù)進(jìn)行分析和處理，以做出準(zhǔn)確的投資決策。其能夠快速地對(duì)數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，為金融交易提供實(shí)時(shí)的決策支持，幫助金融機(jī)構(gòu)提高交易效率和盈利能力。

在工業(yè)生產(chǎn)中，實(shí)時(shí)的質(zhì)量檢測(cè)和故障診斷也是至關(guān)重要的。還可以快速地對(duì)生產(chǎn)過程中的數(shù)據(jù)進(jìn)行分析，及時(shí)發(fā)現(xiàn)質(zhì)量問題和設(shè)備故障，從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量，降低生產(chǎn)成本。

可以說，在 2025 年，DeepSeek的出現(xiàn)， 或?qū)⒁鹦乱惠喌慕K端應(yīng)用爆發(fā)，為各行業(yè)的數(shù)字化轉(zhuǎn)型和升級(jí)提供有力的技術(shù)支撐。DeepSeek 在多個(gè)場(chǎng)景中的應(yīng)用突破，不僅展示了其技術(shù)優(yōu)勢(shì)，也為各行業(yè)的數(shù)字化轉(zhuǎn)型和升級(jí)提供了新的解決方案。

四、生態(tài)變革：大廠煉模型、中小廠做應(yīng)用

DeepSeek帶來的還有AI生態(tài)上的變革，而這種變革也將為AI落地產(chǎn)業(yè)的帶來更多可能性。

一個(gè)事實(shí)是，當(dāng)前 AI 產(chǎn)業(yè)呈現(xiàn)出一種 “金字塔結(jié)構(gòu)”，OpenAI、Google 等巨頭把控基礎(chǔ)模型，中層企業(yè)依賴 API 調(diào)用，陷入 “數(shù)據(jù)空心化”，底層中小開發(fā)者缺乏定制能力，淪為生態(tài)附庸。

這種結(jié)構(gòu)的致命缺陷是創(chuàng)新停滯，巨頭為維持壟斷，必然限制模型開放度。

DeepSeek 開源核心模型和開放 API 定制能力，這一舉措打破了以往 OpenAI 等巨頭主導(dǎo)的 “金字塔式” 生態(tài)。

在新的生態(tài)模式下，大廠可以專注于煉模型，利用其強(qiáng)大的技術(shù)實(shí)力和資源優(yōu)勢(shì)，不斷優(yōu)化和提升模型的性能和能力。

例如，阿里云、騰訊云等平臺(tái)可以成為 “模型超市”，提供數(shù)百個(gè)垂直領(lǐng)域的小模型，滿足不同行業(yè)和用戶的需求。這些大廠可以通過不斷研發(fā)和創(chuàng)新，推出更加先進(jìn)的模型架構(gòu)和算法，推動(dòng) AI 技術(shù)的發(fā)展和進(jìn)步。

而中小廠則可以專注于做應(yīng)用，基于開源模型快速開發(fā)專用 AI 工具，無需依賴巨頭提供 “黑箱” 能力。這為中小廠提供了更多的發(fā)展空間和機(jī)會(huì)，使它們能夠充分發(fā)揮自身的靈活性和創(chuàng)新能力，開發(fā)出更加貼近用戶需求和行業(yè)特點(diǎn)的 AI 應(yīng)用。

例如，一些中小廠可以針對(duì)工業(yè)質(zhì)檢、供應(yīng)鏈預(yù)測(cè)等確定性需求，通過 API 按需微調(diào)模型，開發(fā)出高效、精準(zhǔn)的 AI 應(yīng)用，為用戶提供定制化的解決方案。這種生態(tài)變革還帶來了技術(shù)民主化、生態(tài)正循環(huán)和場(chǎng)景定制化等多方面的好處。

技術(shù)民主化可以使制造業(yè)、農(nóng)業(yè)等非科技企業(yè)也能夠參與到 AI 技術(shù)的應(yīng)用和創(chuàng)新中，促進(jìn)各行業(yè)的數(shù)字化轉(zhuǎn)型和升級(jí)。生態(tài)正循環(huán)則可以通過開發(fā)者貢獻(xiàn)行業(yè)數(shù)據(jù)優(yōu)化模型，并從模型收益中分成，形成了 “數(shù)據(jù) – 模型 – 應(yīng)用” 的協(xié)同網(wǎng)絡(luò)，推動(dòng) AI 產(chǎn)業(yè)的可持續(xù)發(fā)展。

可以說，DeepSeek 帶來的生態(tài)變革，不僅為 AI 產(chǎn)業(yè)的發(fā)展帶來了新的機(jī)遇，也為各行業(yè)的數(shù)字化轉(zhuǎn)型和升級(jí)提供了新的動(dòng)力。未來，隨著 DeepSeek 技術(shù)的不斷發(fā)展和完善，其在生態(tài)變革方面的潛力將進(jìn)一步釋放，為 AI 產(chǎn)業(yè)的發(fā)展帶來更多的可能性。

五、2025，AI 的新走向

2025年，AI落地產(chǎn)業(yè)的走向越發(fā)清晰。

在 2025 年，AI 的發(fā)展將從過去對(duì)技術(shù)的單純崇拜，逐步轉(zhuǎn)向更加注重商業(yè)務(wù)實(shí)的落地應(yīng)用。這一轉(zhuǎn)變體現(xiàn)在技術(shù)研發(fā)、商業(yè)化路徑以及生態(tài)聯(lián)盟構(gòu)建等多個(gè)方面。

在技術(shù)研發(fā)領(lǐng)域，企業(yè)逐漸認(rèn)識(shí)到盲目堆砌模型參數(shù)并非明智之舉。千億規(guī)模的模型并非萬能鑰匙，而 DeepSeek – R1 的成功案例有力地證明了，百億級(jí)模型通過算法優(yōu)化同樣能夠與更大規(guī)模的模型相媲美。

因此，未來的研發(fā)投資方向?qū)⒏嗟鼐劢褂趶?qiáng)化學(xué)習(xí)（RL）和模型蒸餾技術(shù)。

與單純擴(kuò)大數(shù)據(jù)量相比，RL 的自我進(jìn)化能力和蒸餾技術(shù)的生態(tài)價(jià)值在商業(yè)應(yīng)用中展現(xiàn)出更大的潛力。通過這些技術(shù)，企業(yè)能夠在降低成本的同時(shí)提升模型性能，并拓展其應(yīng)用場(chǎng)景，從而走上一條高性價(jià)比的AI與業(yè)務(wù)融合之路。

在商業(yè)化路徑的選擇上，B 端市場(chǎng)成為優(yōu)先布局的重點(diǎn)。

與各行業(yè)的頭部企業(yè)，如車企、醫(yī)院、銀行等展開合作，共同構(gòu)建行業(yè)專屬模型，并采用按效果付費(fèi)的模式，這不僅能夠?qū)崿F(xiàn)企業(yè)與客戶的深度綁定，還能促進(jìn)雙方在價(jià)值創(chuàng)造上的協(xié)同合作。

與此同時(shí)，對(duì)于中小客戶群體，企業(yè)也不應(yīng)忽視其潛在的市場(chǎng)需求。通過提供開源模型和低代碼平臺(tái)，為這些客戶提供便捷的 “AI 能力集裝箱”，能夠有效降低定制化成本，滿足長(zhǎng)尾市場(chǎng)的多樣化需求，進(jìn)而實(shí)現(xiàn)對(duì)整個(gè)市場(chǎng)的全面覆蓋。

構(gòu)建生態(tài)聯(lián)盟對(duì)于企業(yè)的發(fā)展同樣至關(guān)重要。

一方面，開源核心框架，例如 DeepSeek 開放 RL 訓(xùn)練工具鏈，能夠吸引開發(fā)者積極參與生態(tài)建設(shè)，匯聚各方的智慧和資源，形成強(qiáng)大的技術(shù)合力。

另一方面，跨界聯(lián)盟的建立也必不可少。聯(lián)合芯片廠商（如華為）、云服務(wù)商（如阿里云）以及垂直領(lǐng)域的專業(yè)企業(yè)，形成 “算力 – 模型 – 場(chǎng)景” 的鐵三角合作模式，能夠促進(jìn)產(chǎn)業(yè)鏈上下游的協(xié)同創(chuàng)新，打造一個(gè)合作共贏的產(chǎn)業(yè)生態(tài)環(huán)境。

從當(dāng)前的行業(yè)形勢(shì)來看，盡管中國(guó) AI 大模型在通用能力上暫時(shí)難以全面超越 OpenAI，但通過在垂直場(chǎng)景中的深耕細(xì)作以及生態(tài)的開放合作，完全有機(jī)會(huì)實(shí)現(xiàn)差異化的突圍。

展望 2025 年，中國(guó) AI 產(chǎn)業(yè)的發(fā)展目標(biāo)是打造一批 “小而美” 的行業(yè)模型。這些模型在特定領(lǐng)域內(nèi)形成對(duì)西方 “大而全” 模型的局部?jī)?yōu)勢(shì)，通過在特定行業(yè)的深入應(yīng)用和優(yōu)化，逐步向通用智能領(lǐng)域滲透和拓展。

這一發(fā)展路徑不僅能夠充分發(fā)揮中國(guó)在特定領(lǐng)域的產(chǎn)業(yè)優(yōu)勢(shì)，還能夠?yàn)槿?AI 產(chǎn)業(yè)的發(fā)展提供一種具有中國(guó)特色的創(chuàng)新模式和解決方案，推動(dòng) AI 技術(shù)在全球范圍內(nèi)的多元化發(fā)展和應(yīng)用。

六、寫在最后

DeepSeek 的技術(shù)革新與生態(tài)開放，使 AI 從 “巨頭的游戲” 變?yōu)?“全民共創(chuàng)”。隨著數(shù)字化與 AI 的相互催化，一個(gè) “技術(shù)越普及，數(shù)據(jù)越豐富，模型越智能” 的飛輪已然形成。

但對(duì)于產(chǎn)業(yè)AI的落地，還應(yīng)該更為審慎。盡管DeepSeek的出現(xiàn)打破了固有的算力、模型中的部分環(huán)節(jié)掣肘，但仍有很多問題尚待解決，比如模型的定向蒸餾，比如數(shù)據(jù)體系的構(gòu)建，再比如生態(tài)體系中各方利益的交叉配合等等，這早已經(jīng)不僅是一道技術(shù)命題，而更是一個(gè)行業(yè)向上的產(chǎn)業(yè)命題。

不過，能肯定的是，2025 年中國(guó) AI 大模型的產(chǎn)業(yè)潮水必然洶涌澎湃，勢(shì)不可擋。