时尚焦点-"感动小站感动之星show time"-DeepSeek V3爆火背后：“AI感动小站感动之星show time界拼多多”能否复制？

DeepSeek V3爆火背后：“AI感动小站感动之星show time界拼多多”能否复制？

　　9月27日，北京市疾控中心发布提醒：国庆假期，倡导市民朋友就地过节，减少出京。进返京人员需要持48小时内核酸阴性证明和“北京健康宝”绿码，严格遵守各项防疫规定。

界面新闻记者 | 伍洋宇李彪界面新闻编辑 | 文姝琪2024年底，DeepSeek（深度求索）再次凭借模型性能在行业中掀起一个小高潮。这家独立于大模型“六小虎”格局之外、不容行业所忽视的公司，发布了新一代MoE模型DeepSeek-V3首个版本并同步开源。V3拥有6710亿参数，其中激活参数为370亿，在14.8万亿token上进行了预训练。从DeepSeek公开披露的信息来看，在知识类任务（MMLU, MMLU-Pro, GPQA, SimpleQA）上，V3接近当前表现最好的Claude-3.5-Sonnet-1022，在代码能力上同样稍好于后者，而在数学能力上，V3已明显领先其他开闭源模型，包括Qwen2.5 72B-Inst，LIama3.1 405B-Inst，GPT-4o 0513。这已经是一个足够好的开源模型，但真正让其受到大量关注的，是DeepSeek在技术论文中表示，DeepSeek-V3模型总训练成本为557.6万美元，完整训练消耗了278.8万个GPU小时，几乎是同等性能水平模型训练所需十分之一。这让它在海内外再度爆火。事实上，大模型在2024年第一场API价格战正是由DeepSeek开启。彼时，其“MoE架构+MLA（Multi-head Latent Attention）技术”在降低大模型使用成本上发挥了重要作用。如今看来，这项创新在DeepSeek手中完成了稳定延续。至此，同行业的大模型厂商更需审慎对待这家作风低调、输出稳定的公司，不知何时，它就会发起一场商业奇袭。“AI拼多多”模式能否复制根据海外调研机构SemiAnalysis的数据，OpenAI GPT-4训练成本高达6300万美元，而DeepSeek-V3只有前者十分之一不到。这让行业首先开始思考这种低成本模式是否可复制。自从英伟达高端GPU显卡在中国大陆遭禁后，算力不足始终是摆在国内AI公司面前的一大难题。相比于国外微软、Meta、特斯拉等科技巨头动辄购入10万张英伟达显卡搭建算力中心训练AI模型，国内拥有1万张以上显卡的公司屈指可数。DeepSeek背后的开发公司幻方就是其中之一，2023年在接受36氪专访时，幻方创始人梁文锋称“公司已囤有1万张英伟达A100显卡”。而DeepSeek-V3此次的特别之处在于仅用少量卡就完成了模型训练。据官方论文介绍，DeepSeek-V3训练使用了2048张英伟达H800 GPU（注：H800GPU为H100 GPU被禁后面向中国大陆推出的特供版，性能约为其一半），这些GPU通过英伟达高速互联网络NVLink和InfiniBand连接搭建成AI算力集群。作为性能对标模型，Meta旗下的开源模型Llama-3.1（模型参数量与训练数据大致相当）则动用了超过16000张英伟达H100GPU，业内估计训练成本高达数亿美元。 Meta AI科学家田渊栋在X（原推特）平台上盛赞DeepSeek V3的低成本训练方法是“黑科技”。特斯拉前人工智能和自动驾驶视觉总监、著名AI研究学者Andrej Karpathy转发了DeepSeek的论文，并评价说“如果DeepSeek V3能够通过各项评估，就证明了在资源有限的情况下，开发出性能强大的大语言模型是有可能的”。目前，降低AI模型开发成本已经是最重要的行业趋势之一。过去一年，OpenAI仍然未发布行业期待已久的下一代模型GPT-5，而是发布了GPT-4o、4o mini等一系列低成本的轻量化模型。山姆·奥特曼（Sam Altman）也表示，部署和维护高级AI模型造成了OpenAI的运营成本不断上升，无论是出于公司持续运营的需要，还是实现AI人人可用的目标，都需要进一步降低成本。而对于国内来说，先进算力受限国内AI公司必须直面的现实。从2023年开始，国内掀起了智算中心的基建热潮。但由于当前国产GPU在单卡性能不足，与英伟达产品相比至少存在1至2代的差距，国内建设智算中心时需要通过堆更多的GPU来实现所需的算力，这不仅加大了建设难度，又进一步拉高了成本。一位参与过国产智算中心建设的AI公司负责人曾告诉记者，目前真正有能力建设万卡智算中心的厂商寥寥无几，国内算力建设的首要目标仍然增加供给，保障“能用”。如何在算力受限的情况下降低模型成本，DeepSeek的“AI拼多多”模式给行业提供了一种可能。根据DeepSeek开发团队介绍，V3模型采用了模型压缩、专家并行训练、FP8混合精度训练等一系列创新技术降低成本。这些技术对于行业探索一条低成本的训练模式具有借鉴意义，但要复制并不容易。国内一家AI芯片公司创始人告诉记者，DeepSeek这次用到的FP8训练技术是一个亮点。FP8是一种使用8位浮点数表示的格式，相比于传统的16位（FP16）和32位（FP32）浮点数，FP8是一种新兴的低精度训练方法，通过减少数据表示所需的位数。显著降低了内存占用和计算需求。目前除了DeepSeek，国内公司如零一万物，国外的谷歌、Inflection AI都已将这种技术引入模型训练与推理中。上述芯片公司创始人称，引入FP8后，也有可能导致模型计算导致在某些情况下精度不足，造成性能不稳定，需要开发团队去进一步调优。“FP8接下来很有希望成为一种行业趋势，会有更多的算力芯片厂商提供原生的FP8算力”。另一位GPU芯片公司CEO认为，DeepSeek V3作为DeepSeek第三代模型，模型开发本身涉及大量的计算资源和数据支持，而幻方能够为其储备上万张英伟达显卡用于算力基建，这对许多中小型团队或公司来说都是一个障碍。但在他看来，最核心、也最难复制的是人才储备。DeepSeek核心架构用到的技术都具有相当高的创新门槛，前期开发和后期的调优升级都需要人才积累。DeepSeek在人才储备上也独具特点。据创始人梁文峰此前接受采访时介绍，DeepSeek V2模型的开发团队没有海外回来的人，都是一批本土的“Top高校的应届毕业生、没毕业的博四、博五实习生，以及些毕业才几年的年轻人”，小米近期被报道以千万年薪招聘DeepSeek研究员、V2模型的开发团队成员罗福莉直接证明了这些年轻人才的价值。梁文峰称，顶尖人才在中国是被低估的，而正因为DeepSeek“做最难的创新”，创新对于顶级人才具有特殊的吸引力。技术围墙背后的商业想象力总体而言，在算力基础和训练技巧之外，DeepSeek-V3在技术上的核心亮点仍然是高效的架构设计，也就是在V2身上便得到验证的MoE+MLA。DeepSeekMoE采用了更细粒度的专家分配和共享专家机制，每个MoE层包含1个共享专家和256个路由专家，以确保计算的高效；MLA通过低秩压缩技术减少了推理时的Key-Value缓存，提高了推理效率。与此同时，DeepSeek-V3首次引入了无辅助损失的负载均衡策略。传统方法中，强制负载均衡将导致模型性能下降，但通过为每个专家引入偏置项，动态调整路由决策，可以确保专家负载均衡。实际上，一个大模型的架构设计与其想要达成的目标高度相关，因此并不能泛泛而谈其他模型厂商如何跟进这套技术策略。但如果按照同等目标而言，一名大模型行业从业者对界面新闻记者表示，“MoE+MLA”虽然难，但是能够复现，在V3中，更难的是无辅助损失的负载均衡策略，因为它需要以一个训练得足够好的MoE模型为前提。“这个比较看模型训练的能力，就算DeepSeek的人手把手教也不一定能搞定。”面对DeepSeek-V3的爆火，也有观点提出应该冷静看待，不要过度神话。一名AI大模型投资人表示，DeepSeek-V3的确是现在看来最好的开源模型。尤其在国内，它最直接可对标的是通义千问模型系列，从技术实现来看，其更大总参数对概念的建模更精准，更小的激活量又让推理成本更低。但在GPT-4发布近两年后，整个开源模型框架及算法系统也在同步迭代，他认为DeepSeek-V3所达成的效果可以视为顺其自然的事情。相比而言，更值得思考的是DeepSeek的商业触角会向哪片领域进一步延伸。目前，DeepSeek仍以开源模型API接口为主服务开发者和企业，在更具体的ToB（企业端）和ToC（用户端）应用场景，它还没有明确动作，但在部分层面也有迹可循。据记者了解，在第三方招聘平台上，幻化量方在众多系统及算法研发岗位中释放出了“DeepSeek-客户端研发”、“DeepSeek C端产品的视觉引导者”，以及面向Web端及移动端AI产品的“UI视觉设计师”等。其中，客户端研发岗要求负责DeepSeek iOS及安卓开发工作。而视觉产品岗在“期望特质”中描述到，“能在某个大主题的背景下细化创作，比如我们的App可以是交互偏向的人文关怀、或者去突出科技感、也可能会走偏向办公效率的方向。”这意味着，DeepSeek或许已经在筹备自己的C端产品，并且有明确的应用方向。从模型层面来看，DeepSeek-V3作为开源模型，在数学和代码两项能力上已经非常突出，在补齐产品端能力后，或将在相关领域迅速形成自己的独特优势。另外，公司对于AGI（通用人工智能）目标的追求明确，团队必定会不断拉升基座模型性能。也就是说，尽管还看不清DeepSeek的最终抉择，但它自身具备的模型实力和成本优势，无论切入哪一个领域都可能对同赛道公司形成压力。“从根本上来说，DeepSeek对没有找到自己核心场景的大模型公司都是一个巨大的威胁。”前述投资人表示。