一、2025 春节科技圈春节最火的 deepseek
25 年春节科技圈最靓的崽是爆火的 deepseek。
Deepseek 发布了DeepSeek-R1 大模型 ，在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版，而且训练成本远低于 OpenAI。
二、App 迅速爆火
Deepseek App 在 Apple 商店登顶了苹果中国和美国应用商店的免费APP下载排行榜。Deepseek App 是同时具备搜索和深度思考的 Chat App。
三、OpenAI 紧急应对，发布Deep Research
OpenAI 2 月 3 日紧急发布了新功能，在 ChatGPT 里面继承 deep research 功能。
详细信息可以看YouTube 视频：https://www.youtube.com/watch?v=YkCDVn3_wiw
四、deepseek 的爆火的原因
大模型从 22 年底爆火以来，scaling law 因为数据的瓶颈，由 OpenAI 引领走上另外一条道路，发展深度推理的能力。深度推理类似人类的深度思考能力，帮助大模型提升复杂问题的解决能力。
OpenAI 发布 o1 之后，并没有开源训练方法，业界一直在探索相应的方法，大家都知道强化学习可以训练出深度推理，但是怎么做到是不清楚的。
1、deepseek 是开源的第一个复现并且能力和 O1 相当。这本身就是一个很大的突破。deepseek 的训练方法也非常有意义。
OpenAI 发现基础模型数据够多，参数够大，大模型就能顿悟出智能。与 GPT 的 next token prediction（ntp） 规模化以后可以涌现通用智能异曲同工，DeepSeek发现，只要结果明确可判定，结果导向的强化学习可以自然涌现出复杂的内部推理能力，因为正确的结果需要推理。这个发现的意义，对于领域今后的深度推理的推进非同一般，可媲美GPT系列预训练时发现的scaling law。
2、工程上有大量的优化，训练和推理成本都非常低。
DeepSeek的训练成本相对较低。据报道，DeepSeek-V3的训练成本比一年前开发的美国当前模型低约8倍，仅为557.6万美元，而同等规模的模型通常需要约10亿美元。此外，DeepSeek的推理成本也非常低，其API定价每百万词元仅为2.2美元，是OpenAI新模型的三十分之一。
deepseek 核心的几个优化有：
1）混合专家模型MOE 架构：每次推理需要激活的专家模块只需要 37B，减少 95% 的计算资源消耗。创新性引入 “共享专家”机制和自然负载均衡，解决传统 MoE中专家资源分配不均的痛点。
2）注意力机制的升级：多头潜注意力（MLA）通过潜变量动态调整注意力权重，在降低内存占用的同时增强语义捕捉能力。
3）多令牌预测（MTP）：针对数学、代码等高逻辑密度场景，通过并行预测多个token 减少推理断层，生成效率提升 30% 以上。
4）长链推理与训练优化：CoT（Chain of Thought） 标注数据驱动模型拆分复杂问题为多步逻辑，并观察到反思、多路径推理等类人行为。
5）DualPipe 流水线与FP8 混合精度等技术：将训练效率提升至传统方法的1.5 倍。
DeepSeek 的技术路径类似日本汽车工业对发动机的“精益优化”——通过涡轮增压（类比 MoE 动态调度）、轻量化设计（FP8 精度控制）等工程创新，用小资源撬动高性能，而非单纯追求“更大参数、更多算力”的粗暴扩张。
五、大模型持续进步为应用繁荣奠定了基础
搞大模型的都在期待 AGI（通用人工智能） 那一天。
过去一年，堆参数和堆数据不行了，通过强化学习发展深度思考能力，提升大模型复杂问题的解决能力。
deepseek 带来显著的启示是，能力上升的同时，成本也还有持续下降方向。
应该说 deepseek 换个思路，大大的把大模型能力往前推进了一步。大模型能力的持续提升，为 AI 原生应用的繁荣也带来了基础。
六、模型最终同质化，企业自身业务，以及构建的数据飞轮才是差异化根本
OpenAI 和 deepseek 带了一个很好的头，相信马上会有一堆厂家跟上。数字化产品，类似数据库，云计算等等，最终会陷入同质化。各个模型的能力会有差距，但是会缩小到一定的程度，模型本质上最终同质化。
算法和技术很难成为长期壁垒，企业自身业务数据，以及用户带来的生态才是壁垒，也是大家常说的数据飞轮。
七、解决企业数据价值发挥问题，“AI 数据库”或会诞生
什么是 AI 数据库？
有一个可能性是：集成检索，推理（集成挂大模型，小模型），缓存能力。用户很容易存储和带语义的检索数据。相比传统数据库解决 ACID 问题，AI 数据库核心要解决的是查询效果，降低使用门槛和成本。其中 AI 数据库，效果是其核心价值。
业界也有各种探索，大模型时代，数据使用碰到核心是效果问题，我们看到业界两类解决效果的思路。
一类是提升 embedding 和reranker 算法，典型的是最近 databricks 投资的 voyage AI。
另外一列是方法是通过给结构化数据自动添加语义词汇，从而给结构化数据增加知识解析，代表创业公司有Illumex。
当能这个领域还不是很清晰，但是值得探索一下，欢迎大家留言说一说心目中的 AI 数据库应该是怎么样的。
