DeepSeek—— 对人工智能市场的影响

在全球各公司竞相跟上人工智能最新发展步伐之际，中国公司 DeepSeek 于 1 月 23 日推出其 “R1” 大语言模型（LLM），震撼了整个行业，在市场上引起轩然大波。

为了解 DeepSeek – R1 推出所带来的广泛影响，GLG 的 Evan Moore 与行业资深人士William Fong 博士进行了交流。 Willian 在微软工作超过 26 年，曾领导该公司的人工智能和数字化转型工作。

以下是此次对话的关键要点总结：

---

你能详细解释一下 DeepSeek 所采用的 “专家混合” 方法吗？与传统大语言模型相比，它有哪些优势和缺陷？

一般来说，先训练一个较小的语言模型，使其成为某一领域的专家（比如数学家），然后当你有相关领域问题时，就去找这个特定的小语言模型。但 DeepSeek 在他们发布的大模型中实现了这一点。在其 6710 亿个参数中，包含了多种类型的 “专家”。这对用户来说是个优势，因为无需使用多个模型，在这一个模型中就能获得非常高质量的结果。

它还有其他优势。当调用模型中的某个 “专家” 时，无需使用全部参数，仅需使用该 “专家” 所在的部分参数。这样一来，延迟、推理成本都会降低。你无需使用高性能芯片在 6710 亿个参数中盲目尝试。因为模型能精准识别你的问题，你也能准确找到对应的 “专家”。

不过，这种方法也存在一些缺陷。随着模型中 “专家” 数量不断增加，计算会变得复杂、昂贵且容易出现拥堵。因为多个 “专家” 同时处理任务，而且由于并非只为一个用户服务，众多参数会同时被调用。要知道，模型要为任何时刻在服务器上进行推理的用户服务。如果多个 “专家” 同时工作，管理和协调工作会变得非常困难。

这需要权衡。DeepSeek 的模型具有灵活性和适应性，一个模型就能处理多种任务，特别是在训练了多个特定 “专家” 的情况下。但模型的维护难度较大。而且，随着 “专家” 数量的增加，计算量和流量控制也会变得棘手。不过总体而言，在我看来，他们的成果绝对是一大进步。

你认为 DeepSeek 的成本效益会如何影响生成式人工智能的支出水平、模型 API 的收入以及芯片需求？

我对他们提到的成本持怀疑态度，我认为这与公司的资本支出并不等同。他们只是公布了 “计算成本”，这仅包括整理训练材料、对材料进行预训练并融入模型以及微调的成本。

他们并未透露获取数据的成本，而数据成本高昂，且与之相关的其他成本也未披露。关键在于：即便总成本（包括数据成本、管理费用等）是公布成本的 4 – 5 倍，OpenAI 的 Operator 目前向用户每月收取 200 美元，未来定价也必然会改变，因为继续维持这个价格难以为继。

DeepSeek 可以推出比 OpenAI 的 Operator 价格低得多的产品。公平地说，OpenAI 的 Operator 功能更先进，它能实现屏幕共享、浏览等功能。但可以预见，未来六个月内，DeepSeek 很可能也会推出类似产品，而且可能每月每用户只收取 5 美元。比如，DeepSeek 的数学 “专家” 服务，每月收费可能是 5 美元甚至 2 美元。

以 Copilot 为例，最初每月每用户收费 30 美元，企业用户目前仍维持这个价格，因为该服务能在防火墙后保护用户隐私和数据安全。但其他用户现在每月只需额外支付 3 美元。如果你使用 Office 365，每月多付 3 美元就能获得整套 Office 365 Copilot 服务。未来，产品价格将越来越亲民。

在定价方面，另一个问题是 GPU（图形处理单元）。我认为 DeepSeek 并未进行前沿研究，他们只是借鉴了很多超大规模云服务提供商和 Llama 3 使用的技术，并高效地组织了训练过程。至于他们使用的是 H800，还是将 GPU 作为一种服务（比如 H100），这并不重要。关键在于，他们实现了训练的高效优化。

未来，或许不再需要 H100 芯片。使用旧款 GPU 也能完成同样的任务，只是可能耗时稍长。或者，你无需花费 5 万美元购买 Blackwell 芯片，只需购买 3000 美元、内置 Grace Blackwell 10 的英伟达 DIGITS 设备，并将它们组合使用即可。黄仁勋（Jensen）刚刚宣布了这一消息。真的每个人都需要 H100 芯片吗？我认为并非如此。展望未来，如果 DeepSeek 公布的信息真实、准确且完全透明，利用他们在白皮书中公开的技术，人们能用更低的成本实现更多目标。

其他模型大概需要多久才能赶上 DeepSeek，或者超越 OpenAI 的 o1 模型？

会很快。这并非因为其他公司已经具备类似技术，实际上他们还没有。关键在于，DeepSeek 的基础模型本身就与众不同，它基于 “专家混合” 构建，并非单一的大型基础模型，而是多个模型的融合。其基础架构经过修改，是在 Llama 模型的基础上进行的改进。任何其他公司，尤其是闭源公司，都能借鉴这种做法。

我感觉，很快 o3、o4、Gemini 2、2.1 等模型都会融入这些特性。如果前沿模型不提供 “专家混合” 功能，不进行计算的精准优化，也不具备多头潜在注意力等技术，那么在闭源模型市场中，它将失去很大一部分业务。我推测，即使不是明天，在未来几周或几个月内，这些模型的更新版本中也会加入这些特性。

本文改编自 2025 年 1 月 28 日GLG 举办的电话会议 “DeepSeek 对生成式人工智能模型市场和超大规模投资的挑战”。如果您希望获取完整文字记录，或与相关领域的行业专家交流，请联系我们。

---

关于 William Fong

William Fong 博士是微软前人工智能数字转型全球解决方案战略总监，于2022年9月离职。 任职微软期间，Fong 博士领导了云解决方案、人工智能驱动的客户解决方案以及Modern Workplace 市场战略等的创新和孵化工作，为微软企业客户的人工智能和数字化转型工作流程提供支持。 在此之前，Fong 博士在微软工作了26年，担任过多个高级职位。 他目前是人工智能和数字化转型领域的独立顾问。

本文编译自 GLG 格理集团2025年1月28日举办的电话会议 “DeepSeek对生成式人工智能模型市场和大规模投资的挑战”。 如果您想获取完整的会议纪要，或者与 William Fong 博士或其他行业专家交谈，请在下方填写详情与我们取得联系。