DeepSeek的“AI拼多多”模式为何难以复制？

财云财经阅读：55982025-01-07 18:09:00评论：0

摘要： DeepSeek-V3模型成本低性能好受关注，训练成本低且技术有创新。模型开发需技术、人才、算力等条件，其“AI拼多多”模式难复制，商业上潜力很大。

DeepSeek-V3在多个任务上表现出色。在知识类任务中，它接近Claude-3.5-Sonnet-1022。代码能力稍好于后者，数学能力更是明显领先其他开闭源模型。这表明DeepSeek-V3在模型性能方面达到了很高的水准，能够与行业内优秀的模型相竞争。

DeepSeek-V3的优秀性能是多方面因素共同作用的结果。它在大量的token上进行了预训练，这为其处理各种任务提供了丰富的知识基础。预训练使得模型能够更好地理解不同类型的输入，从而在各种任务中表现出较高的准确性和有效性。

DeepSeek-V3的训练成本极低，总训练成本仅为557.6万美元，与OpenAIGPT-4的6300万美元相比差距巨大。它完整训练消耗278.8万个GPU小时，几乎是同等性能水平模型训练所需的十分之一。这种低成本的训练模式在行业内引起了广泛的关注和思考。

DeepSeek的“AI拼多多”模式为何难以复制？

其低成本的实现得益于多种技术手段。例如，它采用了模型压缩、专家并行训练、FP8混合精度训练等技术。这些技术从不同的角度对模型训练进行优化，减少了资源的消耗，从而降低了训练成本。

FP8混合精度训练技术虽然有减少内存占用和计算需求的优势，但也存在一些问题。它可能会导致模型计算在某些情况下精度不足，造成性能不稳定。这就需要开发团队花费大量的时间和精力去进一步调优，这对于其他公司来说是一个技术挑战。

DeepSeek-V3的核心架构设计具有很高的创新门槛。例如“MoE+MLA”技术以及无辅助损失的负载均衡策略。这些技术的实现需要很强的模型训练能力，即使有DeepSeek的指导，其他公司也很难复现。

在国内，算力受限是一个普遍的问题。国内公司在建设智算中心时面临诸多困难，如国产GPU单卡性能不足，需要堆更多的GPU来实现所需算力，这不仅增加了建设难度，还拉高了成本。

DeepSeek-V3训练使用了2048张英伟达H800GPU，而对比Meta旗下模型Llama-3.1动用超过16000张英伟达H100GPU，DeepSeek-V3的算力使用效率更高。但对于许多公司来说，获取这样数量的GPU并且搭建有效的算力集群也是一个难题。

DeepSeek在人才储备上有独特之处。其V2模型的开发团队多是本土年轻人才，这些人才展现出了很高的价值。这样的人才储备对于其他公司来说难以复制。

DeepSeek核心架构用到的技术开发和调优需要大量的人才积累。这些技术的创新性高，对人才的专业能力要求也很高，很多公司难以在短时间内组建起这样一支具备高素质的人才队伍。

DeepSeek-V3在技术上有很多亮点，如高效的架构设计。其MoE采用更细粒度的专家分配和共享专家机制，MLA减少推理时的Key-Value缓存等。这些技术优势为产品的开发提供了良好的基础。

从目前的招聘信息来看，DeepSeek可能正在筹备自己的C端产品。例如客户端研发岗和视觉产品岗的招聘，显示出其在C端产品开发方面有明确的规划和方向。

DeepSeek-V3的开源模式以及其性能优势，使其在市场上具有很强的竞争力。在国内，它对通义千问模型系列形成了直接的竞争。在整个大模型市场中，它的成本优势和模型实力对其他没有找到核心场景的大模型公司构成了巨大的威胁。

尽管目前DeepSeek在ToB和ToC应用场景还没有明确的大规模动作，但凭借其模型的性能和成本优势，一旦切入某个领域，就可能迅速占据一定的市场份额，改变市场的竞争格局。

DeepSeek的“AI拼多多”模式为何难以复制？