DeepSeek出圈，2025年国内应用层投资机遇在哪？
DeepSeek的技术创新与出圈影响力
DeepSeekV3的性价比领先
DeepSeekV3有着独特的技术架构。它采用自主研发的MoE架构，总参数量庞大。在技术突破上，稀疏专家模型MoE、多头注意力机制MLA和创新训练目标MTP等发挥了重要作用。FP8混合精度训练策略的大规模应用，使得其训练成本仅557万美元且耗时不到两个月。其API定价极低，这大大降低了使用成本。这种性价比优势有助于推动大模型在应用端的广泛普及，让更多的用户和企业能够使用到先进的大模型技术。
DeepSeekR1系列的推理能力突破
DeepSeekR1系列在推理能力上实现了新的跨越。R1Zero跳过大规模监督微调环节，直接用强化学习训练基础模型，就达到了与OpenAIo1相当的能力，这充分展示了强化学习在大语言模型中的潜力。R1在R1zero的基础上优化算法，解决了语言一致性等问题。并且，通过对Nvidia的PTX指令集的底层优化，提高了跨平台兼容性，为国产芯片适配提供了可能。这一系列的成果使得R1在产业应用中的潜力得到释放，也进一步推动了AI应用的普及与规模化。
DeepSeek不同模型的卓越表现
Janus-Pro模型在图像领域的优势
DeepSeekJanus-Pro模型在图像理解和生成方面表现卓越。它采用独特的架构，通过两个编码器分别负责图像理解和生成，并且共享一个Transformer网络。三阶段训练优化的应用，提高了模型对真实场景的适应能力，其效果优于海外的Dalle3等成果。这表明DeepSeek在图像领域有着很强的技术实力，能够为图像相关的应用提供更优质的技术支持。
各模型共同推动应用发展
DeepSeek的这些不同模型虽然功能各有侧重，但都在推动大模型的应用发展。无论是V3在性价比上的优势，R1系列在推理能力上的突破，还是Janus-Pro在图像领域的出色表现，都为大模型在不同领域的应用奠定了基础。从文本处理到图像相关应用，这些模型的成果让大模型能够更好地满足用户和企业的需求，从而在更广泛的范围内得到应用。
DeepSeek带来的产业影响
数据观念的转变
DeepSeek将促使数据从“规模驱动”向“质量优先”转变。以往，很多时候是追求数据的规模，大量的数据被用于模型的训练。但随着DeepSeek的发展，人们会更加注重数据的质量。高质量的数据能够让模型的训练效果更好，从而提高模型的性能。这也意味着在数据的收集、整理和标注等环节，都需要更加精细化的操作。
轻量化模型的发展
蒸馏技术会带动轻量化模型的发展。DeepSeek的技术成果使得轻量化模型能够满足高性能、高效率的要求。这对于大规模端侧部署有着重要意义。在很多设备上，特别是一些资源有限的端侧设备，轻量化模型能够更好地运行。这将进一步拓展大模型的应用场景，让大模型能够在更多的设备和场景中发挥作用。
技术平权与竞争壁垒
DeepSeek的成功会让国内外大厂追随，有望迎来技术平权。工程化能力和生态系统建设仍然是企业构建竞争壁垒的关键要素。虽然技术可能会逐渐趋同，但在工程化的实施过程中，如模型的部署、优化、与其他系统的集成等方面，以及生态系统的构建，包括开发者社区、合作伙伴等方面，企业仍然可以形成自己的优势。
相关问答
DeepSeekV3的架构有什么特点？
DeepSeekV3采用自主研发的MoE架构，总参数量达671B，还有稀疏专家模型MoE、多头注意力机制MLA等技术，其架构特点使其性价比领先。
R1系列如何提高跨平台兼容性？
R1系列通过底层优化Nvidia的PTX指令集来提高跨平台兼容性，这一优化为国产芯片适配提供了可能，也让其在产业应用中潜力得到释放。
Janus-Pro模型的三阶段训练优化有何作用？
Janus-Pro模型的三阶段训练优化能提高模型对真实场景的适应能力，使该模型在图像理解和生成方面表现出色，效果优于一些海外成果。
为什么数据会向“质量优先”转变？
DeepSeek的发展让人们认识到高质量数据能让模型训练效果更好，从而提高性能，所以数据会从“规模驱动”向“质量优先”转变。
轻量化模型对端侧部署有什么意义？
轻量化模型满足高性能、高效率要求，在资源有限的端侧设备能更好运行，可拓展大模型应用场景，对大规模端侧部署有重要意义。
企业在技术平权下如何构建竞争壁垒？
企业可通过工程化能力如模型部署优化等，以及构建生态系统，包括开发者社区、合作伙伴等方面来构建竞争壁垒。
