一場關於DeepSeek的高質量閉門會（輕科技）

2026年讀完的第二十三本書，寫下這本書的讀書筆記的時，我正被上班人潮擠湧下進入了地鐵。即使身邊摩肩接踵，我仍然能暢遊在在技術世界的海洋中，認真吸收、思考以及總結這本書學到的LLM知識。 這本書採用知識點陳列的形式介紹Deepseek，Deepseek作爲2025年頭的AI“王炸”，確實是有一定硬實力，我認爲它的出現是中國AI的“奇點標誌”。毫無疑問的是Deepseek作爲追趕者，擁有一定的後發優勢，作爲後來者它在實施時能在一定程度參考市面上成熟AI模型的解決方案。但換個角度來講即使是擁有這樣的後發優勢，很多廠商也不一定能做的比Deepseek要好。這是因爲Deepseek在工程學上走對了路，Deepseek團隊首先採用了高質量的語料庫並對數據進行了標註，他們對模型進行了定向“蒸餾”從而實現了“降本增效”的效果。 Deepseek的出現不是證明了中國AI事業能追趕並超過美國，我認爲它的象徵意義更大，它的誕生更像是類似於Alphago戰勝圍棋大師的“AI時刻”。它的出現證明了對LLM進行SFT（Supervision Fine Tunning）工程模型定向蒸餾後，不會對LLM造成比較大性能影響，這相等於給行業從業者提供了“大語言模型小型化”提供了實施路徑的可能性和工程學思路。 但是換個角度來講，這樣的LLM蒸餾（閹割）手段會對模型的多樣性、模型的泛化功能產生不好的影響。特別是Deepseek是通過蒸餾其它LLM而落地的產品，在某程度上也把被蒸餾LLM的問題帶入Deepseek中，我理解就是考試中抄別人的答案，把別人的錯誤答案也抄到自己的答卷上一樣。像這種通過走捷徑的方式，而沒有自己通過願景去想怎麼做技術方案，而是直接復現的手段，長期來看的話永遠不可能抓到AI技術的核心。因此，我一直以來都認爲Deepseek只是小米（性價比，不高端），OpenAI、Antropic或Gemini它們纔是蘋果（高性能，高服務）。 總體來講，這本書還是值得一讀。騰訊的這種閉門會頭腦風暴提出的問題和回答確實從多角度作爲切入點，多維度分析總結了Deepseek這個“當紅”的大語言模型。這類型的輕科技書籍我基本上不需要花多少時間就讀完，它的確實十分適合在公交和地鐵上讀完。

閉源模型爲何未能及時採用 DeepSeek 方法？ 閉源模型沒有迅速跟進 DeepSeek 的技術路線，主要受制於以下四點： 1. ​​商業模式與激勵結構差異​​ • 閉源模型依賴“賣算力/訂閱”獲取現金流，它們的營收與顯存、卡數高度正相關，因此天然傾向繼續擴規模、堆新卡，而不是像 DeepSeek 那樣用舊卡就能跑出高性能。 2. ​​技術路徑鎖定與生態慣性​​ • 開源社區過去十年形成的“規模-性能”信念仍根深蒂固；對於尚未出現“反規模指標”的局面，多數團隊認爲繼續放大模型仍是安全且被驗證的路線，對數據蒸餾、精細化標註等“少而精”方案持觀望態度。 3. ​​組織與資源分配瓶頸​​ • DeepSeek 將有限資源壓到最窄的賽道，放棄多模態、工具調用等外圍功能，集中兵力打穿長上下文和推理能力；而閉源模型通常要維持更寬的功能面，難以像 DeepSeek 那樣做深度聚焦。 4. ​​合規與算力獲取難度​​ • DeepSeek 在美國禁令背景下堅持“不買不合規 GPU”，主動控制硬件規模，體現了其“合規優先”的文化；閉源模型若放棄最新 GPU 就會削弱性能標杆，影響市場宣傳與資本估值，因此在硬件採購上動作遲緩。 綜合來看，閉源模型並非看不到 DeepSeek 的優勢，而是在盈利模式、技術慣性、組織資源與合規壓力的多重約束下，難以及時轉身採用“低成本+高性能”的新範式。

這是一篇關於DeepSeek的科普讀物，86個方面的分析判斷適用於專業人士，對於普通讀者來說，看看了解就可以了，如果細究，那就要下狠功夫。 不過，這仍然不影響這是篇好文章。

Deepseek確實讓AI更快的融入了國人，推動了中國AI井噴式的發展，我是不知道未來AI會發展什麼樣子，學習相關知識瞭解相關信息是我能做的

在模型按周迭代的時代，單點技術很難成爲永久壁壘；真正稀缺的是持續定義問題、組織資源、壓縮試錯成本的人和組織。DeepSeek 的啓發不是“算力不重要”，而是有限算力下的極致工程效率、數據精度、後訓練閉環和戰略聚焦。AI 產業可以用“路、車、貨”理解：路是算力與基礎設施，當前稀缺且估值最高；車是模型，能力會快速擴散但持續造車仍有壁壘；貨是應用價值，仍在尋找穩定現金流。先發者承擔未知探索和排障成本，後發者享受路徑紅利，但若只追隨就無法定義下一代問題。真正長期的競爭，是願景、組織、算力、數據、工程和商業閉環的複合能力。

AI火了好些年，但是從來沒有看過任何專業的書籍，工作生活中，和AI的關係就是偶爾看到的新聞以及元寶等App。 所以自己沒有辦法去評論這本書的內容是否優質，甚至很多內容以及觀點，自己現在依然無法理解，只能說，我花了半個多小時，看完了一本跟AI有關的書。 但是從我個人角度來說，這本書是好的，是值得我收藏並且再次閱讀，我也會再次閱讀，原因如下: 1-我不懂AI，很多專業術語理解上有困難，但是這本書很短，所以看完一遍不會花太多時間，能夠讓我耐着性子去把它“讀”完； 2-“讀”完一本書，不管理不理解，都是完成了一項給自己定下的任務，是有一定的成就感的。然後雖然很多不懂，但是從閱讀過程中複製粘貼在備忘錄的2723個字，我想我是學到東西了； 3-因爲它的內容篇幅短，所以我想再讀一遍，下一遍我希望之前閱讀過程中，讓微信讀書給我查的那些專業詞彙，我可以不用再翻“詞典”，我可以真正去的去理解一段一段文字； 4-整本書，是作者對於deepseek的觀點，我希望等到後面看第N遍的時候，我可以對這些觀點，提出自己的想法 另外說一下，看這本書，真的提現了現在電子書的優越性。上學時學習英語和古文，老師說翻譯講究“信達雅”。微信讀書的翻譯，讓我一下子想到了這點。它不僅僅會把不認識的單詞的詞意告訴我，還會解釋如何在上下文中理解這個單詞或者短語，真的很好。

這篇總結就是用AI寫的～ 以下從四個維度回顧《一場關於DeepSeek的高質量閉門會（輕科技）》的核心要點： ​​1. DeepSeek-R1 的技術突破​​ • 以“低成本、高效能”震撼業界：在遠低於 GPT-4 的算力投入下，DeepSeek-R1 依靠長上下文突破與精細化數據蒸餾，實現了競爭力十足的模型表現。 • “不做 SFT” 的訓練範式：團隊選擇放棄大規模人工標註，轉而依靠高質量數據篩選與自蒸餾，爲模型迭代開闢了新路徑。 ​​2. 閉門會的組織與討論方式​​ • 由拾象創始人李廣密於 2025-01-26 組織，匯聚頂尖研究員、投資人與從業者，對 DeepSeek 的技術細節、文化理念及其短中長期影響展開閉門研討。 • 會議強調“開源精神”與“願景驅動”。與會者認爲，DeepSeek-R1 的開源屬性爲全球開發者帶來“深遠饋贈”，因此決定公開分享閉門會思考成果。 ​​3. DeepSeek 的願景與組織基因​​ • 公司定位：專注 AGI 研究，以優化資源利用與成本控制著稱，在有限算力下保持高強度創新。 • 強調人才與強化學習：團隊多來自國內高校，強化學習技術的落地加速了產品迭代，併爲國內同行樹立了研發投入的標杆。 ​​4. 對行業格局與未來趨勢的啓示​​ • ​​算力敘事被重新定義​​：DeepSeek 用“萬張舊卡”證明成本效率優先也能跑出 SOTA，引發“技術路線 vs. 算力投入”大討論。 • ​​開源力量與全球協作​​：閉門會參與者認爲，DeepSeek 的開源策略或推動更透明的行業生態，類似當年 DeepMind 對社區的啓示。 • ​​中美 AI 競合進入“願景驅動”階段​​：當 OpenAI 主打 500B 算力敘事時，DeepSeek 以長上下文和低成本範式提示“彎道超車”的可能性。 ​​總結​​ 本書通過一場閉門會的視角，串聯技術細節、組織文化與行業影響三條主線：技術上，它挑戰了“大算力=強模型”的共識；生態上，它凸顯開源與協作的力量；宏觀上，它映射出全球 AI 競賽進入“願景驅動”時代。讀者既能看到 DeepSeek-R1 的工程突破，也能體會研究者對未來智能社會的思考與期待。

因爲自己目前對ai行業感興趣（只是對使用以及發展感興趣），以及deepseek是我的工作好搭檔想更瞭解它所以纔來看 但是我覺得這一篇對於非專業性的人來說還是不要看了，因爲真的看不懂，其中涉及到了非常多的一些專業術語，以及很多的同行業ai公司以及其他的模型 （感覺自己已經看ai比較多的外行了看着還是有點喫力） 我感覺這更像是一個類似於會議總結，要點總結的書，我覺得如果是專業的人可以看看是否有幫助～ 不過還是想說對於一個傾向於邏輯性思考比較理性的人，用deepseek去拆解問題，包括收集結果，真的是個很好的選擇

本書深入探討了DeepSeek在全球AI社區中的影響及其獨特的技術策略。 通過對DeepSeek智能推進策略、推理模型創新、數據標註重視等方面的分析，揭示了其在AI領域的突破性進展。 同時，書中討論了DeepSeek在實施過程中面臨的技術挑戰，如模型多樣性和開發者遷移問題，並分析了其對其他公司和市場的潛在影響。 在市場與開源的對比中，本書探討了DeepSeek與OpenAI的競爭關係及其對二級市場的短期和長期影響。 最後，書中強調了DeepSeek通過其願景提升了中國AI的國際形象，展現了技術之外的重要力量。 通過這些分析，本書爲讀者提供了一個全面瞭解DeepSeek及其對AI行業影響的視角。

這本書聚焦開源模型DeepSeek-R1的誕生與影響。作者以2025年初的一場閉門會爲線索，訪談數十位頂尖AI研究者，揭示其低成本、高效能的長上下文突破與“不做SFT”的訓練新範式，對比OpenAI的算力敘事，展現中美AI競爭的新格局。內容還系統梳理DeepSeek在強化學習、多模態與算力效率上的技術創新，以及對AGI願景的推動作用，說明其對全球開源社區和行業生態的深遠影響。整本書既是技術拆解，也是對開源精神與產業未來的思考。