没想到这篇文章引发了一阵狂炒。DeepSeek-R1 推理模型就在特朗普就职日那天发布，性能基本超过了 GPT-4o，媲美 OpenAI-o1，成本仅为其十分之一到二十分之一。这次不仅让硅谷懵逼，而且让华尔街也不安起来。

尤其是特朗普宣布了任期内投资 5000 亿美元 AI 基础设施的星际之门计划，由软银、OpenAI 和甲骨文操盘，微软、英伟达、ARM 等为技术伙伴，更是把美国的 AI 发展的资本 + 算力模式推到了一个新的高度，还不用说其他科技巨头每年高达数千亿的资本支出主要投向 AI。但 DeepSeek 以高效的训练和推理，让砸钱搞 GPU 军备竞赛的 AI 发展模式开始遭到一些质疑，建立在这一基础之上的 AI 概念公司，无论在一级市场，还是在二级市场，都面临着一次估值的拷问。

相比之下，DeepSeek 正在探索一条中国式的 AI 发展之路，我们在对 2025 年 AI 的十个展望中，第一条就提出来，中国将参与基础模型的创新，而不仅仅是跟随。辞旧迎新之际，我们再度对 DeepSeek 进行一次"模式"级别的梳理，分下面四个部分：

1，深度求索有深度

2，萤火和 R1 论文

3，DeepSeek 冲击

4，改写 AI 游戏规则

深度求索有深度

DeepSeek 远远不像是许多介绍的、尤其是海外报道和传说中的那样，是一家仅成立一年多的 AI 公司。实际上它脱胎于幻方量化基金，这是一家已经创办了 17 年的、有数学、计算、研究和 AI 基因的对冲基金。

2008 年，浙江大学学习信息与通信工程的梁文锋创立了幻方量化，直到 2014 年，在幻方量化的初创阶段，团队从零开始探索全自动化交易。

2015 年才是幻方自认为的创始元年，真正依靠数学与人工智能进行量化投资。"创始团队意气风发、勇于创新、勤勉奋进，立志成为世界顶级的量化对冲基金。" 2016 年，幻方第一个 AI 模型建立的股票仓位上线实盘交易，算力开始从 CPU 转向 GPU。至 2017 年底，几乎所有的量化策略都已经采用 AI 模型计算。

作为一家对冲基金，幻方开始确立以 AI 为公司的主要发展方向。但是， 复杂的模型计算需求使得单机训练遭遇算力瓶颈，同时日益增加的训练需求和有限的计算资源产生了矛盾，2018 年，幻方的 AI 团队开始寻求大规模算力解决方案。

其实 2019 年可能是幻方大模型之路的起点，这一年，幻方 AI（幻方人工智能基础研究有限公司）注册成立，致力于 AI 的算法与基础应用研究。AI 软硬件研发团队自研幻方"萤火一号" AI 集群，搭载了 500 块显卡，使用 200Gbps 高速网络互联。一年之间，"萤火一号"总投资近 2 亿元，于 2020 年正式投用，满血搭载 1100 块加速卡，为幻方的 AI 研究提供算力支持。

幻方 AI 很快又投入 10 亿元建设萤火二号。2021 年，萤火二号一期确立以任务级分时调度共享 AI 算力的技术方案，从软硬件两方面共同发力：高性能加速卡、节点间 200Gbps 高速网络互联、自研分布式并行文件系统（3FS）、网络拓扑通讯方案（hfreduce）、算子库（hfai.nn），高易用性应用层等，将萤火二号的性能发挥至极限。

到了 2022 年，ChatGPT 时刻前夕，幻方已经成为国内一家领先的 AI 公司，而且手中握有上万块英伟达 A100 卡和一定数量的 AMD 卡。萤火二号取得了多 800 口交换机互联加核心扩展子树的软硬件架构革新，突破了一期的物理限制，算力扩容翻倍。新的 hfai 框架让模型加速 50-100%。集群连续满载运行，平均占用率达到 96% 以上。全年运行任务 135 万个，共计 5674 万 GPU 时。用于科研支持的闲时算力高达 1533 万 GPU 时，占比 27%。

从中可以推算出，在 2022 年，幻方已经平均每天用 4.2 万 GPU 时，相当于每天有近 2000 张 GPU 卡在几乎满负荷跑科研而不是交易。如果按照当时 A100 每小时云服务的市场价，相当于每年在科研方面投入 2 亿元人民币。这样规模的 AI 研究，在当时的国内处于领先状态，在当时的国际上巨头之外的 AI 初创公司中，也算得上是领先的。

2023 年 4 月 11 日，开源模型 Llama1 和 GPT-4 相继发布之后，幻方宣布做大模型，2023 年 5 月把技术部门做大模型的团队独立出来，成立深度求索公司，进军通用人工智能 AGI。

所以，如果从深度求索公司成立算起，DeepSeek 还不满 2 年；但是如果从成立幻方 AI 算起，已近 5 年；再从 2016 第一个 AI 股票仓位模型上线交易算起，已近 10 年。

当 2018 年，幻方确立以 AI 为公司的主要发展方向时，就已经注定了它将是一家 AI 技术公司，而对冲基金是其当时主要的应用。

我们可以看到，量化投资与 AI 研究，构成了幻方基因的双螺旋结构。2019 年，幻方跻身百亿私募，这一年，幻方 AI 成立，并且开始独立构建萤火集群。2021 年，幻方管理基金规模一度超过千亿元，它开始构建更大更复杂的算力集群萤火二号。幻方的基金管理业务最辉煌的是 2019 年和 2020 年，自然年收益分别为 58.69% 和 70.79%，此后因为行业等方面的原因，量化发展一蹶不振，但幻方作为一家 AI 公司凸显出来。

如果对比成立于 2010 年的 DeepMind 和成立于 2015 年的 OpenAI，作为创业公司，幻方与其处于同一时代。DeepMind 和 OpenAI 创立时都是纯粹的 AI 实验室，以实现通用人工智能（AGI）为使命，而且在这场深度学习革命中起到了先锋作用，从 AlphaGo、AlphaFold 到 ChatGPT，都是革命性的技术与产品。相比之下，幻方 AI 一直在复刻研究其成果，直到成立深度求索，推出 DeepSeek 大模型。从这一点来说，DeepSeek 取得的成就，是站在巨人的肩膀上。

从 AI 交易模型到幻方 AI，再到 DeepSeek，推动了幻方的对冲基金业务的同时，也一步一步从业务部门独立出来，并逐步重新定义幻方这家公司。幻方 AI 的发展离不开对冲基金业务的支持。进行长期的 AI 研究，离不开资金与算力资源的强有力支持。DeepMind 最后被谷歌收购，作为一家独立的公司，它一直亏损，但作为一家 AI 研究实验室，在谷歌内部的作用是战略性的。

我在 2017 年采访 DeepMind 创始人哈萨比斯时，他告诉我说，谷歌收购 DeepMind，就是为了推动从移动第一到 AI 第一的战略转型。在 ChatGPT 之后，谷歌更是对其内部显得杂乱的 AI 研发和业务进行了整合，全部归并到 DeepMind 旗下。

同样，OpenAI 也从非营利改组为营利。其中微软先后投资达 140 亿美元，对于 OpenAI 能持续以大算力推进 Scaling Law ( 扩展定律），以大资金和高估值吸引全球顶尖人才，成为一家生成式人工智能的领军企业，发挥了至关重要的作用。

对于所有的技术公司来说，AI 大模型将成为其技术底座，也将重构所有企业的 IT 和软件部门，这可以部分解释为什么一个企业内生的 AI 能力，强大到一定程度，有可能定义出企业新的增长曲线。

从 2019 年幻方开始构建萤火一号开始，就注定了它走上了一家 AI 公司的轨迹。2021 年，幻方构建萤火二号，在亚太第一个拿到 A100 卡，在 ChatGPT 之后，幻方成为全国少数几家拥有上万张 A100 GPU 的机构。投资十多亿元构建万卡级算力集群，这不会是仅仅用于炒股。

而硅谷和 Alex 王和 Dylan Patel 等，在 DeepSeek-3V 推出之后，更是相信 DeepSeek 拥有 5 万块 H100。不管怎么说，在 DeepSeek 做研究，应该是中国实现 GPU 自由的地方。

DeepSeek 与 DeepMind 和 OpenAI 一样追求人才密度，所不同的是，后两者吸收了全球最优秀的 AI 人才，而前者目前只吸收了国内最优秀的人才。记得当时我采访哈萨比斯时问过同样的问题，他回答说：DeepMind 吸引了全球 60 多个国家顶尖的博士生和科学家。

DeepSeek 从一家对冲基金的技术研究部门，逐步将其母体转变为一家 AI 公司，这是一个非常特殊的例子。对冲基金和 AI 技术都来自美国，但无论是华尔街的对冲基金、还是从华尔街海归做量化的团队，没有一个能像幻方这样，进化出一个做通用 AI 大模型的核心能力，例如，彭博曾经很早推出了 BloombergGPT 大模型，然后就没有然后了。从这一点上来说，DeepSeek 这个本土团队是独特的，没有"模式"可谈。

但是，DeepSeek 也蹚出了一条路，可能用 500 万美元、千张 GPU 卡训练出高性价比的模型，这让许多在巨头面前感到绝望、纷纷放弃预训练的初创 AI 企业，开始重新思考它们的战略，从这一点来说，DeepSeek 开创了一种"模式"。

萤火和 R1 论文

2024 年，DeepSeek 一口气发布了从 V1 到 V3 三个基础模型版本，全部开源，如果看其研究部门之前几年发的论文和技术博客，可以理解这也是厚积薄发的结果。我们在去年底的文章里介绍了 DeepSeek 的 8 篇论文，这里再补充介绍两篇。一篇是被国际 AI 界广泛赞誉为 2025 年迄今为止最佳论文的 R1。

它的亮点包括：对基础模型直接上强化学习，而不是先用收集起来非常耗时的监督数据进行训练；采用了群体策略相对优化（GRPO ) ，强化学习训练的成本和复杂性都得到了显著降低，同时保持了较好的性能表现；还蒸馏了 6 个 Qwen 和 Llama 的小模型，用起来更加节省，而且针对领域的性能更加强大；特别是 DeepSeek-R1-Distill-Qwen-1.5B 在数学基准测试中优于 GPT-4o 和 Claude-3.5 Sonnet。它可以装到一个手机里。

这里要特别提及论文中有一段，用散文化的语言，描述了在训练过程中出现的模型自我"顿悟"的时刻：

"在 DeepSeek-R1-Zero 的训练过程中，观察到一个特别有趣的现象，即"顿悟时刻"（aha moment ) 的出现。这一时刻出现在模型的中间版本中。此时，DeepSeek-R1-Zero 学会了重新评估其初始方法，为问题分配更多的思考时间。这种行为引人入胜，不仅证明了模型推理能力的提升，也例证了强化学习如何带来意外且复杂结果。

这不仅是模型的‘顿悟时刻’，也是研究人员的‘顿悟时刻’，他们观察到了强化学习的力量与美感：我们并未明确教导模型如何解决问题，而是为其提供了正确的激励，使其自主发展出高级的问题解决策略。‘顿悟时刻’有力地提醒我们，强化学习有潜力在人工系统中解锁新的智能水平，为未来更自主和自适应的模型铺设道路。"

一个有趣的"顿悟时刻"出现在 DeepSeek-R1-Zero 的中间版本中。该模型学会了以拟人化的语气重新思考。这对我们来说也是一个顿悟时刻，让我们见证了强化学习的力量与美感。（来源：DeepSeek R1 论文）

如何构建一个高效的万卡算力集群？DeepSeek 发布于 2024 年 8 月的论文，介绍了高性价比的萤火 AI-HPC 架构，提出了深度学习的软件与硬件一体化设计的理念。按姓氏拼音字母，创始人梁文锋排在第 17 位作者。

这篇论文总结了构建萤火二号的经验，配备 10,000 个 PCIe A100 GPU，其性能接近英伟达的 DGX-A100，同时将成本降低了一半，能耗减少了 40%。

DeepSeek 团队特别设计了 HFReduce 以加速 allreduce 通信，并实施了多项措施以确保计算 - 存储一体化网络无拥塞。通过我们的软件堆栈（包括 HaiScale、3FS 和 HAI-Platform），还通过重叠计算和通信实现了显著的扩展性。

从中可以看出，DeepSeek 的策略，是用接近最先进的大模型和基础设施的性能，设计出远超其接近性的高性价比的产品，参与国际大模型竞争。

DeepSeek 冲击

DeepSeek-R1 已经成为 MIT 和斯坦福美国顶尖高校研究人员的首选模型。甚至有研究人员表示，它已经代替了 ChatGPT。其实最大的受益者，应该是中国用户，它让美国在大模型上对中国的卡脖子基本无效了，中国大多数用户以后可以用上和美国基本相当的 AI 模型和应用。

全球最大开源平台 HuggingFace 团队，也正式宣布复刻 DeepSeek-R1 所有 pipeline。完成之后，所有的训练数据、训练脚本等，亦将全部开源。DeepSeek 已飙升至 HuggingFace 上下载量最多的模型，仅 R1 下载已经超过 13 万次（本文截稿时为止），蒸馏小模型如 Qwen 32B 和 1.5B，也都名列前茅。

DeepSeek-R1 激起了开发人员极大的热情，社交媒体和社区网站上，大家兴奋地分享着自己的尝试，并交流着对他们的 AI 开发意味着什么。用户评论说，DeepSeek 的搜索功能现在优于 OpenAI 和 Perplexity ，只有 Google 的 Gemini Deep Research 可以与之匹敌。

尤其是在基础模型上直接强化学习，成为众多 AI 实验室及研究人员纷纷采用的新范式，为了过程中追求 DeepSeek 的那一"呵哈时刻"，港科大助理教授何俊贤团队，只用了 8K 个样本，就在 7B 模型上复刻出了 DeepSeek-R1-Zero 和 DeepSeek-R1 的训练。

一些团队证明，采用了 R1-Zero 算法——给定一个基础语言模型、提示和真实奖励信号，运行强化学习，小到 1.5B 的开源模型，应用于一些游戏当中，都能复现出解决方案、自我验证、反复纠正、直到解决问题为止。1.5B 模型更是可以下载到手机上，在数学等性能上，相当于拥有了一个性能相当 GPT-4o 和 Claude 3.5 Sonnet 的最先进闭源模型。

美国的主流商业、财经、甚至综合时政媒体，也开始报道 DeepSeek 现象。CNBC 对 AI 独角兽 Perplexity 创始人 CEO Aravind Srinivas 的专访，从一个技术产业专家的角度，对 DeepSeek V3 的亮点进行了点评：

需求是创新之母。正因为他们必须寻找变通方案，他们最终建造出了一个效率更高的系统。"除非在数学上能证明这是不可能的，否则你总能想出更有效率的方案。"

性价比。"他们推出了一个成本比 GPT-4 低 10 倍、比 Claude 低 15 倍的模型。运行速度很快，达到每秒 60 个 token。在某些基准测试中表现相当或更好，某些则稍差，但总体上与 GPT-4 水平相当。更令人惊讶的是，他们仅用了大约 2048 个 H800 GPU，相当于 1000-1500 个 H100 GPU，总计算成本仅 500 万美元左右。这个模型免费开放，并发布了技术论文。"

巧妙的技术解决方案。"首先，他们训练了一个混合专家模型 ( Mixture of Experts ) ，这并不容易。人们难以追赶 OpenAI，特别是在 MOE 架构方面，主要是因为存在大量不规则的损失峰值，数值并不稳定。但他们提出了非常巧妙的平衡方案，而且没有增加额外的技术修补。他们还在 8 位浮点训练方面取得突破，巧妙地确定了哪些部分需要更高精度，哪些可以用更低精度。据我所知，8 位浮点训练的理解还不够深入，美国的大多数训练仍在使用 FP16。"

Perplexity 已经开始使用 DeepSeek。他们提供 API，而且因为是开源的，我们也可以自己部署。使用它可以让我们以更低的成本完成许多任务。但我在想的是更深层的问题：既然他们能训练出如此优秀的模型，这对美国公司来说，包括我们在内，就不再有借口说做不到这一点了。

DeepSeek-R1 开源，已经逼得 o3 mini 免费！

从硅谷到华尔街，分析人士已经开始思考，DeepSeek 可能对热炒 AI 的美国资本市场，从一级到二级，会带来多大的影响。中国企业地板价的 AI 服务，会不会冲击美科技巨头的估值，AI 相关基础设施的投资规模，等等。科技巨头每年巨额的 AI 资本支出，短期内是否值得。美国 AI 概念股，是否需要来一次重新估值呢？而中国的 AI 概念股，是否也需要来一次重新估值呢？有人开玩笑说，DeepSeek 背后的幻方量化，在发布 V3、R1 的同时，幻方可以建立起做空美国 AI 概念股的策略。

DeepSeek 也在改变硅谷的 AI 初创企业估值，让风险资本多数不约而同站在 DeepSeek 一边，他们找到了杀价初创公司的最好理由：我 pre-A 给你 500 万美元，你能干出点啥？看看人家的孩子，看看 DeepSeek!

难道你们都把钱用来买 OpenAI 的服务了吗？现在不是有 DeepSeek，便宜 10 倍到 20 倍呵！而且，紧接着 DeepSeek，字节的豆包 -1.5-pro 也推出了，比 DeepSeek 便宜 5 倍，比 o1 最多便宜 200 倍！

就连 OpenAI 刚刚推出的智能体 Operator，只有月费 200 美元的订户才能使用，但是，用 DeepSeek 可以做出同样好的开源免费版本，而且已经有四五个了。

AMD 反应很敏锐，已经把 DeepSeek-V3 集成到了 Instinct MI300X GPU 上。

用 DeepSeek，还出现了一些新的玩法：如 RAT，（ retrieval augment thinking ) ，把 R1 的推理过程，嫁接到任何一个大型语言模型上，可以显著提升其性能，并获得函数调用和 JSON 模式。

这位小哥在用 DeepSeek 开发了一个研究智能体。

不过也有一些研究人员表示，DeepSeek 模型在跟踪长时间对话的背景等方面，其能力与花费更高的竞争对手模型相比，还有欠缺。

改写 AI 游戏规则

这次杨立昆最有话说。"与其说是中国正在超越美国 AI，不如说是开源正在超越闭源 AI。"

开源与闭源

面对美国的封锁和巨头的军备竞赛，中国的一些 AI 企业选择了一条不同的道路——开源。较低的成本可以做出优秀可用的推理模型，而且好的模型转化为更"杀手"的应用，似乎是更有效的路径。DeepSeek 没有在应用方面花一分钱推广，但它已经在国内和国际的各大应用商店占据榜首。这让一些 AI "小龙"们重新思考，回归技术，拥抱开源，如最近 MiniMax 果断转向开源。

开源能够汇聚全球社区的力量，加速大模型的研发和应用创新。开源模型更容易被广泛采用，尤其是在算力和人才资源有限的国家和行业。 通过开源，中国有机会在全球 AI 领域建立自己的技术标准。开源模型（如 DeepSeek、阿里 Qwen 等）以高性价比著称，有助于推动 AI 技术的普惠化，将 AI 技术推广到全球南方国家，

DeepSeek 会影响众多企业 AI 战略。随着成本降低和开放访问，企业现在可以选择替代昂贵的专有模型，例如 OpenAI。DeepSeek 的发布可能会使前沿 AI 功能的访问变得民主化，使较小的企业能够在 AI 军备竞赛中有效竞争。

Aravind Srinivas 进一步指出了为什么美国地精英阶层开始产生的担忧更具战略意义："比起试图阻止他们（中国 AI 企业）追赶，更危险的是他们现在拥有最好的开源模型，而所有美国开发者都在使用它进行开发。这更危险，因为这意味着他们可能会掌握整个美国 AI 生态系统的心智。历史告诉我们，一旦开源赶上或超越闭源软件，所有开发者都会转向开源。"

中国与美国

在美国对中国实施芯片封锁的背景下，DeepSeek 展现了一种真正的创新——需求推动的创新。中国企业在仅能从中国本土企业获得比美国落后一两代 GPU 条件下，依然能够开发出优秀的基础模型。这种创新不仅仅依赖于 GPU 和资本的军备竞赛，而是通过算法、架构和工程的创新实现了突破。

关于 OpenAI 的护城河问题，2023 年 5 月，在 Meta 发布了 Llama 开源模型后不久，谷歌内部即有人提出，我们没有护城河，OpenAI 也没有。

今天，是这一问题再次提出的时候了。首先是 OpenAI 的护城河在哪里。随着 AI 技术进入实际应用领域，性价比成为关键因素，而非单纯追求最先进的模型。OpenAI 等公司投入数十亿甚至上百亿美元进行预训练和基础设施建设，但如果其技术护城河不够深，其商业模式将面临挑战。这种高投入的模式是否可持续，成为从硅谷到华尔街令人感到焦虑的问题。

DeepSeek 已经证明，美国无法在 AI 领域获取绝对的竞争优势，甚至那些科技巨头都无法取得绝对的优势。

应该看到，以 AI 发展的全栈技术来看，中国与美国依然有明显的差距。越往底层走，差距越明显。在 AI 芯片领域，从 GPU 到 HBM，中国自主技术的差距在两代到三代。而这一轮 AI 创新的一个突出特征，是科技巨头主导的，它们拥有自制芯片（ASIC）、数据中心、云计算、AI 平台及工具链、操作系统、杀手级应用，建立起全栈技术的垂直整合体系，其中尤以亚马逊、微软、谷歌这三大云服务巨头为代表。

OpenAI 也在向一家 AI 科技巨头演变，它依然拥有强大的技术能力和品牌影响力。它正在从基础模型向上下游扩展，建立起自己的应用芯片团队和数据中心，加快布局基于推理模型的智能体，并全面探索其商业模式，如果昂贵的而又尖端的推理和智能体技术，最终证明能解决复杂和有价值的问题，在性价比上依然拥有强大的竞争力。

Srinivas 认为 Meta 仍然会开发出比 DeepSeek 3 更好的模型，"不管他们叫它 Llama 4 还是 3 点几"。他特别强调了 Meta 在开源领域的贡献："实际上，Meta 的 Llama 3.3 技术报告非常详细，对科学发展很有价值。他们分享的细节已经比其他公司多得多了。"相比之下，DeepSeek 的技术报告没有公布训练数据来源。

Srinivas 认为，与其担心中国的追赶，更重要的是保持创新势头，继续推动技术进步。"我们不应该把所有精力都集中在禁止和阻止他们（中国 AI 企业）上，而是要努力在竞争中胜出。这才是美国人做事的方式——就是要做得更好。"

对攻的比赛更精彩。蛇年让我们期待 Llama 4，Grok 3，也期待 OpenAI-o4, Claude-4, 还有 Gemini-2.5 或者 3，甚至 GPT-5。