Vol.51 那些关于DeepSeek的谣言与误解

本期节目我们想讨论的是近期的大热点：DeepSeek R1。这个春节可以说是“DeepSeek春节”，大家可能都在朋友圈、小红书、微博以及各个媒体上看到过关于DeepSeek的疯狂讨论。

但在国内狂欢的同时，我也看到这次爆火带来了一些全球性的挑战，包括监管方面的挑战，比如欧盟各国对DeepSeek展开的一些调查；也包括美国方面的质疑，比如有人认为DeepSeek使用的蒸馏技术可能涉及所谓的“窃取美国知识产权”。

所以整个状况众说纷纭，说它好的有，说它是骗子的也有。这期节目我们邀请了几位嘉宾，来讨论DeepSeek R1爆火的这件事情。

我们这次邀请了3位嘉宾。第一位是《屠龙之术》的主播庄明浩老师，庄老师一直是我们节目的老朋友。春节前，庄老师还做了一期132页PPT，解说2024年AI这一年的节目，那也是一部巨作，很多朋友可能都听过。所以这次我们也邀请庄老师，作为一线的AI行业观察者，来跟我们分享和讨论。

其次，我们邀请了Hi Cloud的张涛老师。张涛是Monica的产品合伙人，也在《42章经》和《十字路口》节目上被称为“AI顶级产品经理”。这次我们想请张涛从一线创业者和产品经理的角度，分享他的观察。

此外，我们还请到了张鹏老师。张鹏老师是公众号“东北亚桥研究院”的主理人和作者。“东北亚桥研究院”一直以来在中美关系、地缘政治，尤其是科技领域的相关议题上，都有非常深入的研究，也发表了很多专业文章。

包括之前我们节目聊到的美国对华投资禁令、中美数据脱钩相关法案，以及近期由TikTok引发的出口管制和中美人工智能能力脱钩法案等话题，张老师都有非常专业的研究。我们先请3位嘉宾跟我们打个招呼。

感谢Lily邀请。我是《屠龙之术》的主播庄明浩，一直在关注AI行业的进展。确实如Lily所说，春节期间看到DeepSeek，我有一个很大的感触：得亏我的报告是在12月份做的，如果1月份再做，感觉有很大的篇幅要推翻重写。

好了，张涛。

大家好。确实，就像Lily讲的，这个春节基本上属于DeepSeek。

我今年没有选择在老家过年，本来是在外面玩，但其实基本上没怎么玩。白天要跟国内的资讯，晚上要跟美国那边的讨论，所以整个春节基本上都交给DeepSeek了。

甚至我远程给我爸妈拜年的时候，给我妈说完拜年的话，就听到我爸在旁边问：“你问一下儿子，那个梁文锋到底是不是真的那么厉害？”我当时就特别绝望。DeepSeek已经到这种程度了。

好的，谢谢张涛。那张鹏老师呢？

大家好，感谢Lily邀请，很高兴参加这次交流。

我是微信公众号“东北亚桥研究院”的主理人，自己也在做一些人工智能、地缘政治、法律和政策交叉领域的研究，也感谢大家关注我的公众号。

我现在人在英国，所以在英国这边其实也感受得比较强烈。虽然中美两边聊得很热闹，但英国以及欧盟这边也很关注这个事件。我儿子所在的小学里，同学和老师也都在聊，确实特别火。

谢谢3位嘉宾的介绍。

1. DeepSeek的全球出圈

第一个话题，我特别想从各位的视角，尤其是作为一线从业者的视角，来简单评价一下DeepSeek这次爆火的事件，聊聊大家对这次爆火的观察。

我自己的观察是这样的。因为我自己也在一线关注这个领域，最开始的时候，1月20日DeepSeek发布了R1模型，但当时其实并没有引起特别广泛的关注。虽然一些公众号可能会讨论，但说实话，国内很多公众号在报道新进展时确实有点过于激进，经常会取一些特别唬人的标题，所以那个时候我并没有特别注意到这个模型。

直到有一件事情引起了我的注意：和菜头发了一篇文章，专门写DeepSeek给他带来的震撼。

第二个带给我震撼的事情，是我大概在25日、26日春节回家的时候，我姐姐，一个快40岁的中年人，平时两耳不闻窗外事，也根本不懂AI，突然来问我：“好像现在网上都在讨论DeepSeek，那个到底是怎么回事？”

那个瞬间我就意识到，好像这次真的出圈了。后来我也在小红书上广泛看到这次爆火。不知道从各位的视角来看，观察到的情况是怎么样的？

我的感受跟Lily差不多。我的观察是，实际上这件事情是在春节前后那两天突然在国内火起来的。所谓爆火，我理解有一点“出口转内销”的意思。

它实际上是在美国那边先有了很多关注和讨论，一两天之后，很多国外媒体的分析和评论文章被国内很多公众号，包括一些专家引用，突然就在国内也开始火起来。

我发现一个很奇怪的现象：DeepSeek先发布了V3。V3出来之后，实际上没有引起太多舆论反响，但事后很多人分析，从V3发布开始，这就是一个比较大的突破了。后面的R1实际上相当于V3的强化版。

当时我也很奇怪，还请教了很多美国方面的政策专家和观察者。我问他们，为什么V3发布之后，包括R1发布之后的大概几天时间里，美国主流媒体都没有什么反应？

大概几天之后，《纽约时报》发了一篇文章，后面才变得铺天盖地。美国朋友的解释是，DeepSeek这件事相对比较技术性，而美国媒体那几天因为其他事情，比如特朗普就任，包括科技界发生的一些事情，占据了版面和空间。

并不是说他们没有关注到，只是他们还在理解这件事情到底意味着什么，对美国AI产业具体带来什么冲击和影响，以及对中美人工智能竞争会产生什么影响。后来我觉得，他们慢慢发现这确实是件大事。

特别想听听庄老师的观点。作为一线观察者，我想你的观察肯定比我和张鹏老师更早。

这件事情其实很有意思。DeepSeek在V2版本的时候，大概是去年9月份，在整个开源社区和技术圈里的讨论就已经很多了，只不过那一波讨论还集中在核心圈层。

V3发布的时候，已经有一些更大范围的传播，但当时还是相对集中在科技、技术、产品以及互联网圈子。确实如张鹏老师所说，1月20日特朗普上任，那一周美国媒体的关注热点基本都在特朗普身上。所以这一次关于DeepSeek的讨论，第一步确实有一定“出口转内销”的状态。

很有意思的是，特朗普上任当天晚上，我跟潘乱做了一场直播，聊的是特朗普上任对中美科技行业的影响。我们两个完全不懂政治学的科技博主，去聊这个话题，是因为当天白宫现场来了几个科技巨头的CEO，所以我们就闲扯了一段时间。

第二天，百度直播的运营又找到我。因为当天特朗普和OpenAI、软银、Oracle发布了所谓的“星际之门”计划，也就是5000亿美元的AI基础设施投资计划。百度直播的运营问我：“庄老师，能不能针对这个问题再直播一次？”

于是我第二天晚上又直播了一场，讲“星际之门”计划、对AI行业的影响，以及可能采取的措施和计划细节。直播结束后的第二天，我把音频剪辑成了播客，第三天上传到小宇宙，第四天这期节目就上了小宇宙首页。

那期节目里有一小段涉及DeepSeek。因为当时R1已经发布了，在美国那边，关于V3和R1，尤其是成本端和架构端的创新，对于过去两三年基于AI基础设施投资建设的宏大叙事，已经有了很多讨论。

我在那期节目里说，这件事情之所以被讨论到这个程度，最基础的原因在于：无论中国还是美国，大家都在探讨过去两年、基于巨大资本投入所构建的，以美股“七巨头”为代表的AI浪潮，这个主趋势是否受到了巨大挑战。

但当时我没有想到，这件事情会被推到后来那个状态。

我的节目上了小宇宙首页后的第二天，我觉得有一个很核心的事件。2024年中国最火的创业者之一，是《黑神话：悟空》创始人、游戏科学创始人冯骥。

1月26日晚上，冯骥发了一篇微博，讲他怎么看DeepSeek，第一次提到了两个关键字：“国运”。他把DeepSeek推到了一个新的层级。

我没记错的话，1月26日当天晚上，英伟达大跌17%，这件事情彻底引爆了后面的所有讨论。

1月28日上午，一篇号称是英伟达CEO黄仁勋内部信的文章在朋友圈疯狂转发，但那封内部信是AI写的。当晚，一篇号称是梁文锋回应冯骥的知乎回答也被无数人转发，那篇回答同样是AI写的，账号也是虚假账号。

那个账号的举报是我点的。我跟知乎运营说：“这个人一定是假的，这篇文章一定是AI写的，赶紧把它禁掉。”

那天我记得应该是龙年的最后一天。我跟太太、儿子和女儿在外面的酒店过春节，看着无数人转发那两篇文章。很多人被AI欺骗，我在无数人的朋友圈评论：“这是AI写的，这是假的。”我叫醒了很多人。

但大年初一早上睁开眼睛，我发现很多人还在转发，于是又去跟很多人评论。我写了一条即刻：“虽然我叫醒了很多被AI欺骗的人，但我又想到，AI发展到今天这个样子，尤其是以R1为代表的推理模型发展到现在，已经越来越难分辨什么是人、什么是AI。”

当一个共识形成，哪怕它是假的，有很多人去相信它，那它还是假的吗？

从那天开始，事情就已经不可控制了。后面的事情可能大家都知道了。

你刚刚说到梁文锋回应的那篇文章，我也特别想分享一下。我当时看完，还在一个群里回复：“哇塞，他写得好感人啊。”结果紧接着就在朋友圈看到你说这是假的，我当时就震惊了。

那是我第一次真正感受到，这一次确实跟之前不一样。我没有从那篇文章里看到特别明显的AI痕迹，当然可能也是我水平有限。我反而觉得它写得挺动人的。

现在不光是DeepSeek本身，包括与它相关的一些政策和法律问题，很多都会对市场预期产生比较大的影响，也有很多AI小作文、假消息和误导性文章出来。

比如前段时间政策圈一直在传的所谓“特朗普AI沙皇”David Sacks提出的、为了应对DeepSeek而对中国AI产业采取的“五步绝杀”。每一步听起来都很绝，但事后证明，那篇文章好像就是用DeepSeek AI代写的，而且确实看不出来。

很多人都转发了。后来我写了一篇文章，把David Sacks那次访谈的全文放上去，也是希望能够以正视听。

Lily提到的《中美人工智能能力脱钩法案》，我也看到很多文章突然冒出来，说这个法案会导致每个下载DeepSeek的人被罚1亿美元。我看到很多这样的自媒体标题，确实非常匪夷所思。

他们肯定连法案文本都没有看过，也没有充分理解，但这种标题非常耸人听闻，传播得也特别快。

是的。我觉得张涛在这件事情上也很有发言权，因为我看到你写过一篇相关的文章。

我们这边的观察可能会更靠前一点，原因是我们直接做C端产品。相比所谓的业界从业者，一些比较资深、特别深度的AI用户，对于AI以及AI能力进化的敏感性，有时候可能比我们从业者还要高。

我可以讲一个很有意思的事情。我印象中应该是在1月23日，我们的用户群里有一些社区KOL，或者说非常深度的用户，已经把日常很多工作流程和AI整合起来了。他们会积极尝试各种新的AI技术和模型，看能不能改进工作质量，因为这会显著增加他们的工作效率和产出。

所以在1月23日，不管是国内还是海外的用户，已经开始找到我们问：“你们有没有接入DeepSeek R1？”

我们其实在1月22日就接入了，但有一部分用户还不知道。说实话，之前无论是V3还是R1出来的时候，我都会跟我们公司的首席科学家Peak聊。因为我读论文时有很多不懂的东西，都是他教我的。

V3的创新点我了解，R1是做什么的我也了解，但对于模型的实际能力，我觉得我的第一手体验没有用户那么直接。

从1月23日开始，不断有用户反馈他们需要接入DeepSeek R1，然后向我讲他们在R1上实现了什么样的案例。那个时候我突然感受到，这次可能不同于以前所有其他开源模型的发布。

以前通常是开源模型发布之后，我们再投入精力去研究它。这一次用户是主动来告诉我们，他们已经在R1上做了什么。

我后来专门写了一篇公众号文章，解释外界谣传、也可能颇受攻击的“600万美元训练成本”到底是怎么回事。这个数字跟它早期的爆火也有很大关系。

我日常会在Twitter上关注一些AI圈KOL。印象中，春节前、真正大火之前，最早转发的都是AI圈的人，比如Hugging Face的AK，不是OpenAI的Andrej Karpathy，而是Hugging Face的那位AK。他经常转发各种论文和新模型，是只有像Hugging Face这样比较业内的平台用户才会关注的KOL。

那时候大家讨论的都是V3和R1的创新点、训练方法以及它们的意义。从我的视角看，美国那边第一次真正破圈，是Marc Andreessen入场。

大家知道，Marc Andreessen在传统意义上甚至有点反华，对中国有一些对抗情绪。但北京时间1月24日，他开始转发DeepSeek R1的消息，先是回复别人的推文，后来很快开始自己发主帖。

一开始他说：“这个东西确实很厉害，但我很坦白地告诉大家，我并不为它的厉害感到开心。”这跟他以前的立场比较一致。

但很快，他的主推就变成了：“DeepSeek R1是人类收到的最好的礼物。”他还说R1是AI的“斯普特尼克时刻”。

这些变化发生在1月24日到27日，也就是春节前夕。你能明显看到他的情绪变化。

Marc Andreessen在美国不管是科技界还是科技界之外，影响力都非常大。所以我会看到，1月24日之前更多是圈内讨论；从Marc Andreessen入场开始，美国那边就完成了破圈。

对我个人来说，从Marc Andreessen开始转发的时候，我不得不承认自己有点心潮澎湃。你看到中国的一项工作，获得了一个原本在立场上比较对抗中国的美国KOL认可。

到1月26日，我看到冯骥发的那篇文章，感觉就像形成了呼应：真的成了，真的厉害了。再加上我自己也是《黑神话：悟空》的忠实粉丝，所以那段时间发了不少帖子，觉得自己欣赏的两个作品居然产生了这样奇妙的连接，我自己也非常开心。

冯骥发那篇文章的时候，很多人在朋友圈说“双厨狂喜”。

对。然后我觉得张涛刚好把这个话题引入到我们接下来想讨论的方向。

2. R1的产品化突破

很多人，尤其是像我这样的普通大众，都非常好奇：DeepSeek R1到底有哪些核心突破，为什么会导致全球范围内如此高的讨论度？

这个问题要不先请张涛帮我们解释一下，毕竟你是专业人士。

如果先就模型本身而言，我觉得首先，刚才庄老师其实也提到过，V3本身的创新点非常强。

V3那篇论文里用了大量工程和算法结合的技术。我这里说“奇技淫巧”是绝对的褒义词。它有大量工程和算法结合的创新，使DeepSeek能够在算力受限的情况下，用论文里提到的2048张H800，也能训练出GPT-4o和Claude 3.5级别的基础模型。

这件事本身的创新点很多，但V3论文的技术细节可能不太适合在今天展开。即便如此，对于整个业界来说，它也可能只是“another GPT-4o”或者“another Claude”，我觉得不会带来如此显著的影响，更不会达到后来破圈的程度。

R1在这个基础上起到了推波助澜的作用。它第一次验证了，业界之前在复刻OpenAI o1时所走的PRM路线，也就是强化学习中的过程奖励模型路线，可能走弯了，应该用一种更直接的方法走ORM，也就是结果奖励模型路线。

这背后当然还有很多技术细节，但对于不做技术的朋友，最简单的结论是：这个方向以前很多人想过，但没有人真正把它做出来。

DeepSeek是第一个把ORM这种强化学习方法跑通，并且开放出来的厂商。当然，有人会说OpenAI可能才是第一个，但在学术和开源世界里，如果你不发论文、不放出模型权重，那就等于没有。

所以在真实的学术和开源世界里，DeepSeek是第一个把这套方法跑通并开放出来的。

但我个人觉得，即使是这两个点对产业内部影响非常大，也不足以解释后面一层层的破圈。我从1月22日开始接入R1的API，看Twitter上全球用户的反馈和截图，大家都会分享自己使用DeepSeek的过程，觉得特别好用，甚至觉得“为什么世界上有这么好的东西”，觉得它比ChatGPT好、比Claude好。

我们在Twitter上看全球用户的截图时，发现了一个特别有意思的点：DeepSeek R1效果很好的案例里，80%都打开了搜索。

这是大众舆论讨论时很容易忽略的地方。大家认为是R1本身很厉害，但事实上，我们认为这一次R1赶上了一个非常好的时间差。

在此之前，reasoning model，也就是有思维过程的模型，类似GPT的o1，在全世界范围内，即使是已经使用AI的用户，真正用过o1的人也只是少数。

因为o1相对比较贵，需要购买ChatGPT Plus或者Pro这样的高级会员，20美元或者200美元才能使用。因此，在DeepSeek R1把模型和产品同时发布之前，全世界真正用过reasoning model的人很少。

而这少部分用过o1的用户，还会遇到另一个问题：o1之前没有接入搜索。你在ChatGPT里使用o1时，它只能自己推理，没有办法通过搜索获得实时知识。

所以DeepSeek R1除了技术本身很厉害、开源以外，它破圈还有一个非常重要的原因：它在全世界范围内第一次提供了一个既有推理能力、又能通过搜索获取现实知识，并且不断结合和反思的产品。

注意，这是一个产品，不只是一个模型。在R1发布之前，“reasoning model调用search”的体验是不存在的。

于是大量“自来水”用户接触到一个此前完全没有体验过的高质量产品体验后，自己变成了自来水。

从Twitter舆论的发展来看，我觉得一个非常重要的点是，不能永远只说因为它开源、因为它用了什么技术。如果能形成这么广泛的破圈讨论，一定有很多自来水来自产品体验本身。

我们抓到的关键点，就是R1加搜索的组合。如果当时只发布R1，没有把搜索加上，后面未必能破圈得这么厉害。这是我们的一个观察。

我补充一下涛哥的说法。DeepSeek之前没有App，它的App应该是1月中旬才上线。上线初期，App底下有两个按钮，一个是R1，一个是联网搜索。

最开始两个按钮不能同时点：要么使用联网搜索，搜索反馈类似今天各种AI搜索和聊天产品的结果；要么使用R1，但R1不联网，它的信息数据源应该截止到2023年12月。

所以在那个时间点，它还没有达到让用户“哇”的准备条件。

但这波浪潮开始之后，可能也就是7、8天后，App里的两个按钮可以同时点了。我最开始DeepSeek发布App时就安装了，两个功能都试过，但当时确实没有达到让用户惊叹的状态。

当两个按钮可以同时使用时，事情就发生了变化。

我作为普通用户也特别有感受。不管是之前最头部的OpenAI Plus账户，还是一直以来写作能力最优秀的Claude，我其实都试过，但确实没有任何一个AI应用给过我最初使用DeepSeek时的那种体验。

尤其是刚开始DeepSeek还没有被海量用户冲垮、经常显示服务器繁忙的时候，使用非常流畅。我试用时得到的体验和答案，是以前任何AI应用都没有给过我的。

今天听了涛哥的解释，我终于理解为什么了：确实是推理模型和搜索结合所带来的体验。

我这几天也明显发现，问类似的问题时，它给我的答案没有最早使用时那么好。我自己发现的核心区别就是联网搜索不能用了，两个答案的质量确实有明显区别。

3. 六百万美元神话

我们要不再聊聊DeepSeek核心突破中其他有争议的观点，尤其是刚才涛哥提到的、极大节约成本的600万美元训练成本。这件事不管在国内，尤其是在美国，都有很多质疑。张涛怎么看？

我先讲吧，因为我专门写过一篇文章。

我观察R1的时候，大概到春节、应该是除夕为止，有一个非常明显的感受：美国主流媒体和美国学界长期冷落，或者说刻意忽视中国AI。因此，一个东西突然火了以后，你会发现他们想了解中国时，英语世界的信息极度落后、滞后，甚至出现很多假消息。

比如我文章里提到，R1火了之后，国外KOL和主流媒体如果要写新闻，肯定会调查DeepSeek是一家什么样的公司。于是出现了3个比较著名的谣言，而且直到今天，在Twitter英文世界搜索DeepSeek，这3个谣言还在流传。

第一个是关于罗福莉。因为她是女性、年纪比较轻，也是V2模型时期的研究员，所以很多KOL都去传播她。但在中文世界搜索就会发现，她已经去了小米，不在DeepSeek了。可在英文世界，这个消息非常滞后，直到今天仍有很多人把罗福莉描绘成DeepSeek背后的秘密武器。

第二个谣言是，DeepSeek R1是中国某个量化基金的side project。他们特别强调side project，描述成中国有个量化基金，主业是做量化，结果一不小心把副业做到全球第一。

但只要是国内从事这个行业的人，我相信绝对不会觉得DeepSeek是side project。我们都知道，他们是非常认真地在做这家公司。但这种叙事能在英文世界流行，还是因为他们长期以来对中国AI的观察非常缺失。

第三个最经典的谣言，就是DeepSeek R1的训练成本只有600万美元。相比Meta动不动上亿美元，这个说法似乎直接打垮了英伟达的叙事。

我们先看攻击对象最原始的表达是什么。600万美元这个数字最初甚至不是来自R1，而是来自V3。

R1进行强化学习的基础模型是V3。V3技术报告里提到，他们总共用了大约278.8万H800 GPU小时。如果按照每小时2美元的租用成本计算，差不多就是500多万美元，我们可以粗略说成600万美元。

首先，DeepSeek在表格里非常清楚地告诉了大家，这500多万美元的构成是什么：预训练花了多少钱、上下文扩展花了多少钱、后训练花了多少钱。模型的参数规模和训练数据量，也都是清晰的数字。

如果是业内人士，根据模型规模、激活参数量和训练数据量，训练时长完全可以通过公式计算出来。这样的成本对行业来说没有什么疑问：如果采用这样的MoE架构、用这样的数据量训练，成本就是这个量级。

而且DeepSeek在技术报告里还非常清楚地说明，表格里的训练成本只指V3最后一轮训练成本。此前所有研究成本、实验成本、算法研究、结构研究、数据准备和清洗成本，都没有算进去。

作为第三方观察者，我觉得它给出的是一个数学上完全可以验证的成本，也没有刻意忽略其他成本，只是没有把它们列在这里。所以我不会责怪DeepSeek。

当时Twitter上的舆论发展，大概是这样的：在Marc Andreessen介入之前，还停留在Hugging Face的AK等人的讨论阶段，大家说DeepSeek用600万美元做出了Meta的Llama用几千万美元做出的东西。

这个对比完全正常，因为它比较的就是单次模型训练成本，600万美元对几千万美元。这个成本确实有优势，也确实节省了很多。

但我印象中，在Marc Andreessen介入之后，越来越多的KOL和传统媒体不太了解技术，很快忽略了600万美元所代表的单次训练成本，开始拿它去跟Meta在Llama上的整体投入比较，包括多次训练，甚至把整个团队的投入都算进去。

再后来，更多媒体介入，600万美元甚至不再跟训练模型相关，而是拿去跟Claude背后的公司融资规模，甚至估值规模比较。这时候它就完全变成了一个神话。

一旦变成神话，就会有人攻击它，说它是骗子。但我们想一想，这件事情最开始的时候，DeepSeek根本没有想过要骗人。中间编出来的这些发展过程，绝大部分都是英语世界里不懂行业的KOL和媒体制造出来的。

到最后，事情已经完全变成了一个跟技术无关的、纯粹关于地缘政治、企业管理思路和产业发展路线的争论，跟DeepSeek最初的表达已经毫无关系了。

我也认同张涛的说法：500多万、600万美元，仅仅是一次训练模型的成本，跟幻方或者DeepSeek在AI大模型上的整体投入完全不能相比。

但在美国主流AI叙事里，各家巨头包括OpenAI、Anthropic的投入，我的PPT里有一页非常明显。标题很简单，是我很喜欢的一位主播大猛说的一句话：“在成年人的世界里，钱是最简单的标准。”

以2024年的情况来看，AI相关公司大概可以分成3类。

第一类是科技巨头。科技巨头每年在AI上的投入，尤其是以资本性支出为主的投入，是以百亿美元为单位计算的。

正好这周几家巨头发布了财报，Meta、Google、微软、亚马逊都公布了明年AI基础设施投入，都是几百亿美元。没记错的话，微软是800亿美元，Meta是650亿美元，亚马逊是750亿美元，Google应该是700亿美元左右。

这就是科技巨头。主流媒体和美国KOL的认知里，AI相关的大公司每年在这件事情上投入几百亿美元。

第二类是AI的主要参与者，以OpenAI、Anthropic、Claude和xAI为代表，计量单位是十亿美元。OpenAI去年应该亏了50亿美元，Anthropic也是几十亿美元，xAI去年大概融了几十亿美元。

这些公司的AI相关投入，包括硬件、数据中心、人员和基础设施，都是几十亿美元。它们属于主要参与者。

第三类是挑战者，简单来说就是几亿美元，比如Midjourney、Character.AI这样的公司。

所以在主流媒体叙事里，AI公司的投入单位是亿美元、十亿美元和几百亿美元。甚至如果把科技巨头的资本性支出加起来，去年美国前6大科技巨头在AI基础设施上的投入大概是2300亿美元，今年可能会涨到3000亿甚至4000亿美元。如果再算上“星际之门”计划的1000亿美元，数字会更大。

我刚才讲的这些数字，最小是几亿美元，往上是十亿美元、百亿美元、千亿美元。这些数字每天都出现在媒体和讨论里。

突然有个人告诉你：“我只需要600万美元。”这种落差太大了。哪怕不懂行业的人，也知道这中间差了多少个零。

所以当事情被演绎成神话，大家不再讨论细节之后，就没有办法了。

过程中当然也有清醒的人。比如Anthropic的CEO在一次采访里提到，600万美元左右的一次训练成本确实很低，工程上有很多创新；但常规的2000万到3000万美元，也不是遥不可及的数量级差异。

只是故事被演化到这个程度以后，事情就不可控了，后来甚至导致英伟达大跌，大家开始讨论整个行业各种各样的问题。

我基本同意前面两位老师的分析。这些数字有时候已经超越了事实，添加了很多情绪，尤其是双方的民族主义情绪，以及中美AI竞争、科技竞争的争论。

从技术社区之外普通人的角度看，他们对DeepSeek最直观的认知可能有两点：第一，它用很低的成本实现了几乎比肩OpenAI的模型性能；第二，它在更低端的硬件和GPU上实现了高级推理。

中美两边的民间都有动力去夸大DeepSeek怎么省钱，也会质疑美国的OpenAI等AI巨头为什么花了这么高的成本，却没有和中国模型拉开明显差距。

美国国内一直对OpenAI和领先AI巨头有一些质疑，认为政府对它们的支持非常多，不管是政策工具、出口管制，还是国内资本投入，支持都很大。

突然又出现一个被认为一直落后、被美国看不起的中国大模型，花这么少的钱实现了类似效果，肯定会加剧美国国内对这些公司的质疑。

对中国来说，这当然是一个非常重大的突破。所以我觉得双方都掺杂了很多情绪，这个时候事实反而不是特别重要。

这也是为什么我前段时间一直说，讨论需要适当降温，需要更多产业界和技术社区的人去澄清一些基本事实。

4. 算力需求不会消失

这次DeepSeek爆火之后，硅基流动和华为云联合合作，基于华为昇腾技术提供了DeepSeek R1服务。前面也提到，DeepSeek爆火后，英伟达股价暴跌17%。

R1和V3的很多创新，其实都是因为它们面临有限资源，所以做了大量工程和技术创新。这也揭示了一个问题：此前美国和国内一些AI行业人士都在讲“AI算力门槛论”，认为必须投入几十亿、上百亿美元，才有资格做大模型。

包括1月底李开复老师的零一万物退出训练大模型，也给这个问题提供了一个注脚。我特别想听听几位怎么看DeepSeek在资源匮乏情况下做出的创新，以及它对芯片、英伟达和上下游产业的冲击，包括它在国内昇腾芯片上的应用，以及它打破了哪些传统叙事。

我的感受是，这些都是细节。

第一个细节是，国内做推理基础设施的厂商和做聊天机器人的厂商，可能因为DeepSeek爆火，而DeepSeek本身没有那么强的应对大流量运营的能力，导致用户蜂拥寻找本地部署和云端部署方案，这对相关厂商的用户增长是一个巨大的促进作用。

这个促进作用是此前所有人都没有预期到的。

举个最简单的例子，硅基流动的CEO袁进辉老师之前在极客公园也写过，DeepSeek V3上线时，他和Monica的情况差不多：大家觉得这是一个技术能力不错的开源模型，没有想太多，也没有最快接入。

但事情火了之后，他们马上跟进。无数人注册硅基流动，开始使用它的API、调用和部署。

我看到好几个KOL都在使用硅基流动的邀请注册码。因为他们现在每邀请一个人成功注册，就有14元奖励，有些KOL晒出的奖励数字已经很庞大了。现在小红书评论区里全是邀请码，B站首页今天应该也有至少3个教大家如何在本地或云端部署DeepSeek的视频，每个视频都有1万人同时在线。

这一步对生态的促进和长远影响，今天还无法预估。

在此之前，这些厂商的知名度、影响力、业务以及能做什么、不能做什么，怎么跟上下游结合，对非行业资深人士来说都完全陌生。但这一波之后，很多人都知道了。

第二，当DeepSeek出现之后，结合我们前面讨论的成本问题，市场最直接的第一反应就是砸英伟达。但股票市场本身是一个多方博弈的过程，出现巨大下跌，一定有其他因素，不会是单一因素。

可能本来空头就比较多，积压的情绪已经到了需要一个时间点引爆的时候，而这件事把它点燃了。

我在年度报告里有一张图，展示英伟达过去一年的股价变化，旁边还有一张标普500公司单日涨跌幅排名。涨幅前10和跌幅前10这20个选项里，应该有16到17个都是AI相关公司。

为什么？因为我有个说法叫“盈亏同源”。英伟达既是这一轮AI大模型最大的受益者，又是七巨头之一，它的波动当然最大，关于它的争论也最多。

所以当天跌17%之后，更多反面讨论开始出现。大家会想，如果真的出现更低成本的方式，那是不是会促进未来应用层爆发、算力需求增长和个人使用门槛降低，从而带来整个生态更大的繁荣？

这个观点引发的讨论是：如果需求门槛更低，对芯片和上下游厂商的需求反而可能是长期更好的事情。

这两种观点在过去一两周疯狂对冲，谁也很难说服谁。它们在几家头部公司的股价上不断对抗。

很巧的是，这几家公司最近都在发财报。Google的财报应该是昨晚发布的，它非常激进地提高了明年AI基础设施投入，预期增幅可能是40%左右。但即便如此，即便Gemini最近表现很好，财报发布后Google还是跌了8%。

英伟达大跌那天，苹果没有跌，大家认为端侧模型可能会受益。前两天港股开盘之后联想涨得很好，逻辑就是端侧模型对终端厂商是好事，小米也是类似逻辑。

你会发现，同一个信息，在二级市场和股票市场里，对不同公司的解读完全不同，影响了这波短期操作。

张涛有什么补充吗？

我觉得算力的影响可以分成短期情绪和中长期看法。

春节期间，我和真格基金的雨生有过交流。他提到一个特别有趣的观点：他观察身边的朋友，美国西海岸的人都在买英伟达，东海岸的人都在卖英伟达。

西海岸主要是产业界，大家觉得像R1这样的开源社区技术突破和发布，一定会带来整个行业更加繁荣，未来不管是推理还是训练，需求都会大幅增长。

东海岸主要是华尔街和金融界，短期情绪会觉得这是重大利空，所以赶紧卖。

我觉得出现这个分叉点，很大一个原因是大家对未来的看法不同。股票市场和长期产业发展，并不一定在任何时间段都同趋势、同方向。

我不是专业金融人士，只是从业者。站在我的角度，我对未来算力需求非常乐观。不仅仅因为R1，还有很多其他原因。

我觉得可能不需要3到5年，甚至3年之内，整个推理算力需求就会比现在扩大100倍，不是10倍，是100倍。

但对英伟达来说，最大的变化在于：推理需求上涨了，但这些需求是不是都会由英伟达吃掉？我觉得这可能是未来趋势最大的变化。

最近大家也看到华为昇腾910C，硅基流动已经部署并开始用它推理R1。大家会想，华为可以，那其他厂商是不是也可以？

以前开源世界没有真正能和一线闭源模型抗衡的模型，所以大规模部署开源模型的动力没有那么强。这次第一次产生了一个真正能和闭源模型抗衡的时刻。

当大家有实际部署需求时，突然发现好像不用英伟达也可以。这是整个叙事的一个重大变化。

但从整体推理需求量来看，我非常看多算力需求。

5. 出口管制的反作用

这里我想引入下一个话题。有一些人认为，美国一直以来的芯片出口管制政策并没有真正限制中国AI技术的发展，反而导致了很多技术创新。

这方面想先听听张鹏老师的观点。你一直关注美国政府对DeepSeek爆火的反馈，尤其是美国政府方面的反应。

美国对DeepSeek的一个非常重要的关注点，是与芯片相关的事实问题，比如它到底有没有最开始流传的5万块H100芯片。

这件事最早缘起于2024年11月。当时美国半导体和AI产业界一位很著名的观察家、运行着一些newsletter的Dylan Patel，发过一条推文，说DeepSeek拥有超过5万块Hopper GPU。

他没有说是H100，当时说的是Hopper GPU。H800当然也是Hopper，只是因为美国制裁，它的内存带宽受到更多限制，属于阉割版。后来这个阉割版也被美国进一步纳入出口管制。

在达沃斯论坛期间，Scale AI的首席执行官Alexandr Wang接受采访谈DeepSeek和算力供应时，直接说DeepSeek有5万块H100，并认为这违反了美国出口管制。因为DeepSeek不敢对外说，所以这件事情引起了美国商务部、白宫国家安全委员会等部门的关注。

H100是美国严格出口管制、禁止向中国大陆出口的芯片。那么这5万块到底怎么来的，是不是通过走私获得的？这是他们需要搞清楚的问题。

后来媒体披露，白宫国家安全委员会牵头成立了类似的调查机制。我理解这项调查现在仍在进行。

目前大家比较普遍的理解是，5万块H100可能是假消息，DeepSeek主要依赖的应该是H800。我们前面提到的DeepSeek创新点，也主要是围绕H800，克服内存带宽不足，把有限资源转化为更多计算能力。

我看过一些分析，说DeepSeek在每块H800的132个处理单元中，专门编程20个用于管理跨芯片通信。这在CUDA架构里很难做到，所以很多分析认为，DeepSeek工程师使用了另一种叫PTX的指令集，和CUDA并不完全一样。

也就是说，只有在使用H800的情况下，这种工程优化才有意义。但这件事毫无疑问激发了美国方面的密切关注。

对此有两派观点。一派认为，正是因为美国前期出口管制过于严格，对中国公司产生了倒逼效应，逼着它们把工程能力做到极致，才开发出DeepSeek R1和V3。这是美国出口管制导致的恶果，属于自食其果。

另一派认为，DeepSeek仍然依赖英伟达芯片，还是用H800做出来的，所以美国当初就不应该放行H800，应该连H800及其等效芯片一起管制。

前几天彭博社也报道，美国政府正在考虑进一步管制目前仍然合规的英伟达阉割版H20。我理解国内目前对H20还有一定依赖，如果管制，肯定会产生相应影响。目前来看，H20大概率会被管制。

这方面也想听听庄老师和涛哥的看法，尤其是DeepSeek芯片来源的问题。

庄老师，DeepSeek论文明确提到使用的是H800。我记得“暗涌”有一篇文章，梁文锋也明确说过，他们很多是老卡，而不是真正现在最先进的卡。

但我也记得一个新闻，那可能是DeepSeek第一次出圈的重要新闻：当时报道称，幻方是国内唯一拥有1万张A100或者H100芯片的公司。庄老师怎么看？

第一波关于AI基础设施投入和买卡的讨论中，大家就在讨论中国哪些巨头拥有的卡比较多。

幻方是做量化的。简单说，量化就是用机器炒股。它的运作方式是推理、计算、分析、总结和整理，整个过程听起来跟大模型非常像。

所以幻方做量化时就已经拥有很多卡。在美国还没有完全出台明确禁令之前，幻方集团就拥有不少芯片。当时有一波新闻说，中国除了字节和腾讯之外，那个时间点拥有万卡规模的可能只有幻方。

幻方当时使用万卡是为了做量化，但那时它已经开始并行进行大模型研发了。

后面管制限制出台后，至少从今天看到的V3和R1论文来看，使用的都是合规芯片。但你要知道，中国公司有很多方式使用受到管制的芯片，比如租用、通过海外公司实体，或者从新加坡等地转移，方式非常多。

涛哥怎么看？你作为一线AI创业者和产品经理，这个问题可能也很现实。

我觉得最现实的来源，可能还是SemiAnalysis上周发布的那篇报告。报告说他们有6万张卡：1万张A100、1万张H100、1万张H800，还有3万张H20。这个数字应该比较可信。

说实话，如果认真把V2和V3两篇论文从头读到尾——当然我也是在公司首席科学家的陪同下读的——你会不断问自己：如果他们手上真有Alexandr Wang所说的那么好的5万张卡，他们为什么要做这些事情？

读V2和V3论文时会感觉，他们为了克服芯片互联带宽问题、解决传输量和运算量问题，使用了很多偏hack的方式。如果他们不受芯片限制，我觉得根本不会去做这些事情。

所以认真读过V2、V3报告的人，可能都会产生同样的疑问，并得出同样的结论：他们确实没有那么多卡，尤其没有那么多满血H100。

如果真有5万张H100，他们就不会做V2、V3里提到的那些工程优化。

6. 蒸馏不是模型偷窃

另外我特别想讨论一个问题，这也是美国方面对DeepSeek R1非常主要的抨击：蒸馏问题。

有人认为DeepSeek R1使用了ChatGPT模型的一些技术进行蒸馏，因此可能侵犯美国领先的知识产权。这个问题想请涛哥先简单介绍一下，什么是蒸馏？

Distillation，也就是蒸馏，在机器学习领域早期是一个定义更明确的术语。

比如你训练出了一个大模型，70B模型。你给这个70B模型一些prompt，让它大量输出数据，然后把这个70B模型中间的某些层抽掉，只留下更少的层，比如原来有200层，抽掉之后剩下100层。

这样模型参数变小，层数变少，网络结构变简单。然后用前面那个70B完整模型的输出，去训练这个更小的模型，比如32B模型，让它尽可能表现得和teacher model，也就是70B模型一样，这叫distillation。

最严格的蒸馏定义，是同一个模型、同源模型，把一些层抽掉。后来这个概念被泛化了，不要求两个模型完全相同，而是用更大的模型输出去训练一个更小的student model。student model在架构上甚至可以和teacher model不同，但目标都是让student model的输出尽可能接近teacher model。

这里有一些限制。首先，蒸馏是大尺寸模型到小尺寸模型。其次，student model理论上不可能强过teacher model。

美国很多KOL都说DeepSeek使用蒸馏技术，是“偷了美国的领先技术”。但我也看到OpenAI的一位研究员承认，DeepSeek R1的一些发现可能是独立于OpenAI的。

蒸馏技术在AI行业是不是非常普遍？之前也有新闻说，美国限制中国企业使用ChatGPT模型，但字节仍然通过API使用的方式蒸馏ChatGPT模型。你怎么看？

蒸馏在行业里绝对普遍。每家都不会承认，但这件事情确实存在，中美都有。关起门来说大家都知道，公开场合就没人会承认。

其次，大家不要把蒸馏想得那么厉害。因为很多人不了解蒸馏原理，会觉得蒸馏就像做汤，把水分熬干、剩下精华，似乎是一个剽窃过程。

但如果真的去看V3以及R1的整个训练过程，即使蒸馏存在，它能影响的地方也非常小。

我们讨论任何事情，都要看这个说法最开始是怎么产生的。美国舆论中关于蒸馏的质疑，包括一些华人的质疑，很多都来自截图。

大家去问DeepSeek官方应用时，它有时会出现自我身份认知错误，说“I am ChatGPT”；或者在R1的reasoning token，也就是思考过程里，提到“作为OpenAI的ChatGPT，我不能怎么样”。大家就截屏传播，说它果然剽窃了OpenAI。

最夸张的说法是，DeepSeek就是OpenAI的套壳，这个就不值得回应了。更多人说它使用了蒸馏技术，但我觉得，拿这种案例判断的人，本质上并不了解现代模型训练过程和LLM的基本原理，只能通过最后输出的一句话做判断。

简单来说，任何语言模型都不知道自己是谁。

预训练模型时，我们使用全世界的语料，对数据进行处理。很多人对AI有一些玄学想象，觉得AI像一个人，有自我认知，所以问它时它就会说“I'm ChatGPT”。

但实际上，预训练通常不会专门训练这个内容，而是在后训练阶段进行对齐。对齐有很多方向，比如安全、有害性等，其中有一个方向叫self-cognition，也就是自我认知。

在这部分对齐中，会通过大量instruction数据训练模型，让模型知道自己是谁。也就是说，模型在训练过程中本身没有所谓的自我认知，它的自我认知是通过后期对齐实现的。

R1有一个比较tricky的地方是，行业里不少人认为，它通过减少对齐，实现了模型能力提升。

所有对齐，不管是安全对齐还是其他方向，从通俗意义上讲都会让模型“降智”，让它的能力有所降低。

比如仔细看R1论文，它提到最终一轮SFT中引入了Harmless数据集，也就是无害信息数据集。如果不加入这部分对齐过程，它在某个benchmark上还能提升7、8个点，但为了完成对齐，就牺牲了一些能力。

所以大家普遍认可，R1少做了很多OpenAI和Claude需要做的Alignment Tax，也就是“对齐税”。

商用模型为了符合各种法规、社会价值和公众要求，要做很多安全对齐，这个过程中会损失一些能力。Self-cognition也是后对齐的一部分，R1在这方面做得比较少，所以能力很强，但对自己的自我认知不够强。

现在互联网上充斥着大量语料，里面到处都有ChatGPT这样的内容。R1预训练时，数据集不小心混入这类语料，是非常正常的事情。

另外，大家对蒸馏的理解还有一个问题。假如真的要做蒸馏，应该怎么做？

首先，现在已经做不了最严格意义上的蒸馏。真正的蒸馏需要teacher model在预测每一个token时，不仅输出概率最高的那个，还要输出所有候选token的概率分布。

比如“Lily曾经是一个律师”，在预测某个token时，可能“律师”的概率是99%，另一个词“女生”的概率是0.5%。每次推理时，next token其实都是一个概率分布，有很多可能性。

真正做蒸馏时，每一次next-token prediction都要拿到完整的词语概率分布，student model才能学到真正的信息。但OpenAI一年多以前就已经在API里屏蔽了每一步推理时所有候选token及其概率值。

所以现在通过线上API做真正的蒸馏，学不到特别多东西。

其次，如果真的做蒸馏，大家想想会怎么构建prompt？难道你会让teacher model输出的每句话都以“I am ChatGPT”开头吗？

如果你真要让teacher model教你，肯定不会让它先输出“I am ChatGPT”。比如你问它“5加5等于几”，它直接输出“10”，API只会返回“10”，不会返回“I am ChatGPT”。

所以网上那些拿DeepSeek官方应用回答里的“I am ChatGPT”，或者“作为OpenAI的AI”来证明它偷窃技术的说法，在从业者看来都不是特别懂行。

张鹏老师也想听听你的看法。我记得你在这个问题上也写过文章。美国方面认为中国通过蒸馏窃取领先技术、侵犯知识产权，这件事情应该怎么理解？

我理解，美国那边有一些情绪化表达。严格从法律上分析，首先要从知识产权法角度看。

如果说存在“偷窃模型”，什么情况才属于偷窃模型？我觉得无外乎几种情况。

一种是设法获取别人无意间公开或者共享的模型。可以是在物理意义上窃取存储模型的设备，也可以是破解他人在终端设备或模型接口上设置的安全保护，从而获得模型；或者通过网络入侵获得模型。

这些都属于没有争议的偷窃模型行为。除了可能违反相关协议、承担民事责任，还可能因为违反网络安全相关法律法规，承担行政甚至刑事责任。中美在这方面应该没有太大差异。

第二种是套壳。模型本身是合法获取的，但你没有引入新的数据或模型架构，也没有在训练代码、微调、对齐或推理生成上做实质性修改，却把别人研发或共享的模型说成自己研发的。

这在整体上也没有争议，属于一种偷窃行为，很可能构成知识产权法上的著作权侵害、欺诈以及违反开源协议。

第三种是模型虽然自己研发，但在关键环节，比如数据配比、架构设计或其他对性能提升非常重要的优化环节，使用了不是自己的参数，而是不知道通过什么渠道拿来的参数，这也可能有侵犯商业秘密的风险。

但模型蒸馏非常复杂。过去大家讨论AI知识产权和版权问题时，很少讨论蒸馏，所以它肯定是AI知识产权法律领域下一步需要研究的问题。

目前不能当然地说蒸馏就是违法，或者当然违反协议。很多应用场景，包括前面两位老师提到的，其实都有合法蒸馏的需求，行业里也普遍存在类似行为。

什么情况下蒸馏他人模型属于窃取？我理解这个要求应该非常严格，需要有非常明确的双方使用协议或其他合同规定。

而且在一般情况下，我觉得它不应当构成知识产权法上的侵权，更多可能是违反合同法、承担违约责任。

但从美国方面的表达来看，很多人简单把这件事定性为“偷窃模型”。我理解这说明它已经不只是一个法律问题。

比如David Sacks作为特朗普任命的AI沙皇，未来在AI监管和对华AI竞争方面应该有很大的话语权。我注意到，他已经连续3次提到模型蒸馏，并认为这是侵犯知识产权的行为。

这是一个非常值得警惕的信号。未来按照他的说法，美国OpenAI等闭源模型企业可能会采取更多措施，防止中国企业蒸馏它们的模型。

至于怎么防止、技术上能不能做到，我并不特别懂，也不知道他是否真的能做到，但至少他已经有这个意识。

还有人在讨论，美国未来是否会出台相关监管法规，比如要求托管闭源模型的美国云服务商，像银行业反洗钱那样履行“了解你的客户”规则，也就是Know Your Customers，监测中国企业蒸馏美国模型的行为，并采取报告或预防措施。

但技术上到底能不能做到，我觉得要打一个问号。

涛哥有补充吗？美国有没有什么办法防止这种蒸馏？

我觉得很难。如果只是大家现在讨论的蒸馏层面，只要模型开放出来让大家使用，就避免不了这件事情。

我也有一点自己的看法。我认为美国在这件事情上非常双标。

OpenAI和ChatGPT当年训练时扒遍全网数据。很多关注AI的人可能还记得，OpenAI当年的CTO接受主流媒体采访时，有人问他们是不是在未经授权的情况下下载YouTube视频进行训练，他也是装作茫然无知地回应。

AI大语言模型发展到今天，大家都知道数据一直是瓶颈，全网数据也快被耗光了。说得粗犷一点，互联网数据被侵犯的最大行为主体，我觉得就是OpenAI和ChatGPT。

但他们反过来指责我们使用行业通行的蒸馏技术，我觉得这件事情非常双标。张老师怎么看？

我理解这其实是不同的问题。

你刚才说的训练数据，包括大量本身有版权的文本和图像，在没有获得版权人许可的情况下被用于模型训练，这是大模型知识产权争端中的主要问题之一。

比如训练数据爬取是否构成版权侵权、AI生成内容的版权归属、API滥用是否违反服务条款等，中国和美国法院的司法实践中都有一些著名案例。

但这和美国人所说的模型蒸馏、知识蒸馏，是不同的问题。

前面说的那些问题，涉及获取训练数据时的知识产权侵权，是输入端的问题。模型蒸馏则是使用美国前沿模型输出的数据，这是不同的问题。

美国人之所以敏感，是因为他们认为，大家虽然都在做知识蒸馏，包括OpenAI、Anthropic和Google，但中国企业蒸馏的是他们的模型，而这些模型是他们投入大量训练成本做出来的。针对他们的模型进行蒸馏，在某种程度上是搭便车，他们觉得这不公平。

但这是不是违反知识产权法，是另外一回事。

我基本没有补充。这个话题从蒸馏是什么，到大模型行业如何获取和处理数据，再到中美两国对数据敏感性和安全的考量，命题一步一步被放大到不可解释。

最前面的问题还可以解释，但到后面已经不是技术问题了。所以它之所以发展到现在这个样子，必然是后面那些更大的命题导致的。

既然已经不可解释，就让它存在吧。

7. 监管正在追赶技术

最近DeepSeek爆火后，也面临欧洲一些国家的监管挑战，包括意大利、爱尔兰、法国和比利时，以及美国方面的挑战。

我觉得这个议题本质上并不只是DeepSeek的问题，而是一个具有巨大潜力的技术发展，与既有规则体系之间的矛盾。

AI发展本身对知识产权就是一个巨大挑战。前面也提到，很多模型可能抓取了全网数据进行训练，这本质上就是一个核心矛盾。各国和产业界都在探索，还没有定论。

到今天这个时间点，欧盟、美国，包括我看到的澳大利亚，狭义上关注的可能是App本身，更多集中在数据安全和隐私。

实话实说，DeepSeek这家公司在产品、运营和安全方面的投入，肯定不如国内大厂，相关经验也没有那么丰富，所以一定存在一些瑕疵。

但我觉得它们的问题在于，DeepSeek是一家创业公司，成立可能才一年多。对创业公司来说，主要任务是开发最有创新性的技术，而这正是它目前做到的事情。

但现在所有人都在指责它监管合规方面没做好，明明这根本不是它的主要任务，甚至排不上次要任务。

与此同时，全世界各种网站和供应商在这方面都有巨大问题，但他们偏偏挑DeepSeek来讲，某种程度上就是枪打出头鸟。

这一点上我觉得还可以继续延展一下。这个事情可能跟TikTok的事件有些类似。App层面包括推荐算法、隐私数据，以及服务和技术在当地落地的问题，都可能引发新的讨论。

这两天Sam在亚洲，先去了日本，和软银成立合资公司，由软银负责OpenAI在日本的落地；之后又去了韩国，OpenAI和Kakao成立合资公司，由Kakao负责ChatGPT在韩国的落地。这些所谓的落地，本质上都涉及刚才提到的数据、安全和合规问题，也会让人想到云上贵州。今天这个世界的地缘政治环境下，任何高科技相关的头部应用、服务和技术在当地落地，都不是一件简单的事情。

刚刚庄老师提到的这一点上，我特别想聊一个问题。张鹏老师主要研究中美之间的地缘政治和科技竞争。之前的美国对外投资禁令、数据脱钩法案，以及现在正在讨论的中美人工智能能力脱钩法案等议题，也可以放在一起，印证特朗普2.0时代的中美科技战争。张老师能不能跟我们分享一下？

这当然是一个比较大的问题。毫无疑问，AI现在是中美地缘政治竞争和中美科技竞争的核心议题。

拜登政府时期，对华科技竞争主要围绕AI展开，实际上从几个角度对中国进行限制。首先是算力方面，严格控制高端GPU，包括能够生产制造高端GPU的半导体制造设备，以及上游零部件和原材料的出口管制。这是贯穿其整个任期的一条主线。

数据方面，在任期末出台了切断美国敏感数据跨境向中国流动的法规。虽然为了照顾美国公司的商业利益，对敏感数据进行了定义，试图限缩在特定领域，但实践中仍然比较宽泛。这个由司法部发布的联邦法规应该下个月生效，我理解它会对中美双边数据跨境流动产生较大限制。

此外，在人工智能高度依赖的其他要素，比如资本和人才方面，也有相应限制。资本方面就是前面Lily提到的反向投资审查，框定了先进半导体、量子计算和先进AI三个领域，限制美国资本支持中国相关产业发展。

在AI方面，它设定了一些标准和参数，核心理念是美国的钱不能支持中国发展能够和美国AI公司竞争的前沿大模型。反向投资审查规则已经生效。当然，特朗普时期理论上仍然有足够工具修改甚至推翻它，但他这么做的理由是什么，可能还要放在贸易、关税以及中美双边关系其他敏感问题的大盘子里谈判和沟通，未来发展还很难说。

人才方面，特朗普政府可能出台限制措施，主要针对中国企业在美国招聘当地人才，以及持有中国护照的中国工程师在美国参与AI模型研发。我们也得到过一些消息，本届政府正在从签证和移民政策角度研究对中国的限制措施，核心是美国AI人才不能支持中国前沿AI产业发展。

背后的战略逻辑是，美国政府把AI模型，尤其是谁先实现通用人工智能，视为影响中美战略稳定、类似核武器的东西，要确保美国首先实现AGI，至少不能让中国先实现。因此它采取两步走：一是通过资金扶持和产业补贴拼命发展自己，包括前面提到的星际之门计划；二是拜登政府时期实施的措施，尽量拖慢中国AI发展，确保中国始终比美国落后一截，至少不能先实现AGI。

DeepSeek出现后对美国政府冲击很大，是因为前期限制措施和让美国公司跑得更快的措施，似乎没有起到应有的效果，中国模型公司还是很快追赶上来，甚至有潜在可能超越美国公司。所以他们内部现在也有些慌，肯定会通盘研判，考虑如何继续限制中国AI公司的发展、增强美国公司的竞争力。

特朗普上任后的头三个月、头一百天非常关键，是对华AI竞争政策顶层设计的过程。目前还没有看到太多公开信息，但美国商务部、国务院、财政部和白宫国家安全委员会肯定在密集研究，准备向特朗普提交包含下一步对华具体限制政策的报告。这三个月的政策讨论过程值得关注。

整体上，DeepSeek对美国对华AI竞争政策是负面的。美国前所未有地感受到中国在人工智能领域扑面而来的竞争压力，可能促使它出台更多激烈、过度的回应和反制措施。比如前段时间提到的美国国会参议院情报委员会主席Josh Hawley提出的《中美人工智能能力脱钩法案》，这个法案非常极端，基本上要在人工智能技术和知识产权、人工智能研发以及该领域资本流动三个方面实现完全脱钩，也代表了美国国内对这件事的情绪和反应。

对于做出海、尤其以北美市场为目标的中国创业企业来说，数据脱钩法案、人才流动限制和特朗普2.0时代的政策倾向，影响肯定非常大，对吧？

这肯定影响非常大。一直以来，对中国科技企业在美国、乃至全球范围内出海来说，压力都是最大的。

欧洲也有一些不利动作，但我理解欧盟对中国科技企业的监管，本质上还是就事论事，关注具体数据和内容合规问题，还没有整体上升到国家安全和对华科技竞争的高度。所以我在欧洲的感觉是，整体比较理性和客观。它的强监管也有竞争性考虑，比如GDPR、数字市场法、数字服务法等，实际上有人认为是变相的监管税，通过高额合规要求和高额罚单达到收钱收税的目的。特朗普在达沃斯论坛期间也批评过欧盟的做法，说强监管是在变相收税。

美国则完全不同。美国认为中国科技企业在美国发展，整体构成对美国的国家安全威胁。从特朗普第一任期开始，就有意识地推动脱钩，先从社交媒体应用开始。信息通信技术和服务领域有商务部规则，财政部有投资和资本流动限制，司法部作为国家安全领域主要负责部门之一，近几年动作也非常频繁。

比较有标志性影响力的动作，是在双向数据流动领域卡住中美数据流动，变相希望把中国App和中国科技公司排除出美国市场。现在已经从硬件慢慢蔓延到软件应用程序。毫无疑问，像美国商店上架的DeepSeek这类AI应用，未来会成为重点打击目标，美国可能出台单独针对AI的监管法规。

从大模型和AI角度讨论国家安全风险，美国很多国会议员和政府官员会认为，AI带来的风险比社交媒体更大，因为它更底层，涉及中美人工智能竞争这条主线。

谢谢张鹏老师。张老师和涛哥，听了刚刚这段，你们有没有焦虑？

还行。对于做应用方向的来说，我们不是训练模型，Monica面向全球市场，绝大部分模型调用还是OpenAI和Claude，所以整体影响没有那么大。当然，如果对立程度到了那种程度，就另说。创业就是解决不确定性，有什么问题解决什么问题，现在焦虑也没用，还得看最后到底采取什么行动。

这个事情可能跟TikTok有点类似。

如果欧盟只是出台法规要求，那没有问题，我可以努力满足你的要求。OpenAI在欧盟也是这样做的，前段时间它被意大利罚了1500万美元，后续就采取了一些措施，满足欧盟监管规定。

但我最害怕的是TikTok那种情况：对方其实就是想搞你，你做再多合规动作可能都没有用。

TikTok这几年和美国政府长期交涉，已经做了很多合规措施。它在合规监管方面的人力、精力和经济成本都非常巨大，但现在仍然面临类似的问题。

所以我最担心的是，即使你尽了努力，最后仍然会面对一个不好的结果。这可能是我最担心的地方，略微有点悲观。我们可以先放在这里，且走且看。

8. 模型之外的护城河

我们进入节目的最后一部分。狂欢之后，我们特别想看看DeepSeek R1给行业带来的深远影响。

第一个部分，我想讨论这次R1出现后，对国内大模型公司的影响。很多人可能都会问，大模型公司的护城河到底在哪里？

比如豆包可能投放了一年多，才投出2000万日活；另一位当红产品Kimi从来没有达到过1000万日活。但DeepSeek R1在十几天内就超过了这个日活规模。

所以很多人认为，大模型公司的护城河很难判断。庄老师怎么看？

我觉得它其实验证了字节在去年年底的一个结论：Chatbot这种产品形态本身并不是特别理想的形态，可能只是一个中间态，或者是现阶段各方都能接受的次优解。

战略重心不应该放在这种产品形态上。

我觉得这个结论和今天看到的结果是匹配的。字节、Kimi以及其他几家，或多或少砸了很多钱做出来的数据，本身并不代表什么。

今天我看AI产品榜又发布了1月份数据，大家的留存时长仍然不是特别理想。所以这种产品形态可能确实不适合用DAU、MAU这样的方式衡量。

反过来讲，DeepSeek从来没有想过要做多大的DAU和MAU，我觉得他们内部没有这个KPI。

这又回到我们去年录制的那期播客：我们熟悉的移动互联网KPI和叙事结构，可能真的不太适合AI这一轮的叙事。

涛哥怎么看？作为一线从业者，你接触到更多用户信息和需求。

春节期间，美国那边的舆论已经发生了很大变化。不知道Lily有没有注意到，有人开始说，也许最后我们会发现，最大的护城河不是模型，而是套壳。

对，对，对。

以前虽然开源模型一直在进步，国内和美国都有各种开源模型，但不得不说，不管benchmark刷得多高，在用户实际体验上，相比Claude和GPT-4，差距还是比较明显。

这次可以理解成，开源世界不是超越，而是第一次真正赶上了闭源模型。

在这种情况下，应用端就有了无限想象力。

比如OpenAI前两天发布了自己的Deep Research产品，很快大家就用R1加一些开源Agent framework，复制出了Deep Research。

以前做这类功能，一定要依赖OpenAI最新模型，如果它不开放API，很多功能就没法做。现在很多事情变成了可能。

我觉得这件事在今年一年的中期影响会非常大，会有很多新的应用场景诞生。

我们刚才提到，R1之所以能出圈，一个很大的原因是R1加搜索，本质上构造了一种新的应用场景。但R1并不是只能加搜索，也可以加很多其他东西。

据我了解，现在不管国内还是美国，都在尝试R1加另一个东西，比如R1加RAG。RAG可以是搜索、文档，也可以是其他内容，它们都能实现不同场景。

所以我觉得今年这方面还会爆发一波，我比较乐观。

能不能简单分析一下DeepSeek R1爆火对国内AI“六小龙”，尤其是几家比较知名公司的影响？对它们来说整体是利好还是负面？庄老师来做这个分析可以吗？涛哥毕竟是从业者，可能不太方便讲。

从总体来看，对于所谓“六小龙”，也要分情况。

有几家公司之前已经做过选择，所以还好。比如零一万物和百川智能，零一万物已经把英伟达GPU和训练团队交给阿里，自己专心做方案实施，成为一家To B技术方案商；百川则去探索医疗方向。

这两家明星厂商受DeepSeek影响有限。

剩下4家里，我觉得智谱的影响可能最小。智谱在OpenAI之前，或者说差不多同一时期，就已经明确了内部技术路线和实施节奏。

阶跃星辰成立时间也比较短，大家对它还没有那么熟悉，在这件事情上我不太好评价。

Kimi和MiniMax值得多聊两句。

DeepSeek发布V3之后，Kimi也发布了一个类似的推理模型，效果其实很好，也保留了完整的推理过程，现在在Kimi产品里可以直接体验。

纯从体验端来说，我觉得Kimi和DeepSeek没有那么大的差距。但问题是Kimi是闭源的商业化产品，没有开源。

Kimi面临的考验是，如果继续沿着技术路线往下走，要不要跟进开源，或者采取其他策略？同时，商业化要怎么办？

MiniMax也面临同样的问题。但很巧的是，它的CEO前段时间接受《晚点》采访时，明显感觉MiniMax内部已经有了比较明确的结论，还是要继续走技术路线。

如果继续走技术路线，闫俊杰在采访中说，他可能在MiniMax最初就应该开源。他也是看到了DeepSeek这一轮的成功。

对这两家公司而言，过去两年很多战略实施，本质上可能浪费了时间、钱和人。未来竞争会更加激烈。

如果认定还要往技术高峰走，怎么和DeepSeek以及阿里通义竞争，怎么衡量开源、闭源和商业化，就会变成非常重要的问题。所以对这两家公司的CEO来说，挑战会非常大。

9. 开源模式如何赚钱

我想问一个特别小白的问题：做开源的话，商业化怎么办？他们怎么获得利益？

这几天DeepSeek官方服务经常宕机或者显示服务繁忙，但微软、AWS以及国内各个云服务商，都在自己的服务器上提供托管的DeepSeek模型。

我一直没有完全理解，DeepSeek这样把技术细节、模型参数都公开之后，怎么盈利？

包括Kimi和MiniMax，它们已经在大模型竞技场里存活了一段时间，也做了一些商业化尝试。如果再转向开源，又要怎么商业化？

这件事情又回到了讨论DeepSeek最初的节点。

DeepSeek没有外部投资人，母公司幻方有非常强的资金实力，支持这个类似科研机构的组织继续往下走，在这一点上它甚至比OpenAI更强。

OpenAI已经拿了融资，也绑定了很多商业关系，一定要考虑商业化。但DeepSeek可以任性地在可见的、至少两三年内，不太考虑商业化问题。

涛哥也想听听你的观点。开源生态通常怎么赚钱？如果完全开源，到底能获得什么利益？

要看具体情况，因为开源也分很多协议。

在大模型领域，有些开源模式是模型本身开源、权重开放，你有机器就可以部署和运行。但如果商业化使用，就必须找模型方购买许可证。

典型的例子是Stable Diffusion；千问全系列模型虽然大部分使用MIT协议，但也有一部分使用千问专有许可证，商业使用需要授权。

但DeepSeek不太适合这种模式，因为它使用的是完全的MIT协议。理论上，硅基流动部署DeepSeek并提供服务，也没有什么问题。

所以如果问DeepSeek长期怎么赚钱，我说实话，一时半会儿还真想不明白。

但作为行业创业者，我一直有一个观点：只要你一直在创造价值、做出真正有价值的工作，这个价值最终一定会以某种形式变现。

这里的“变现”要打引号，它可能有很多形式。

举个最极端的例子：如果DeepSeek是国内第一个真正实现AGI的组织，这个AGI可以帮助国家科研，也可以帮助国家治理，那么这个组织的价值变现方式，不一定非得是货币化，也可能有其他形式。

所以这取决于创始人的初心，以及组织结构到底是什么样。

我也想呼应一下庄老师刚才提到的观点。全世界范围内，最适合做这件事情的团队，反而可能是在中国。

我自己一个比较明显的感受是，技术才是第一生产力。像DeepSeek这样，在技术上某种程度比肩行业第一的模型出来之后，就迅速在全球风靡。

相比之下，豆包、Kimi以及其他产品，花费了大量资金和投放成本，却没有取得同样的成绩。

这带来的问题，正如庄老师刚刚提到的：你怎么向投资人交代？你如何说服投资人继续投入？

如果你没有做到头部水准，用户更换产品似乎没有替换成本，用户可能一夜之间就跑光。这可能是现在仍然坚持做大模型的公司需要面对的问题。

用一句有点“站着说话不腰疼”的评论来说，大模型投资本来就是高风险投资。你要玩这场赌局，就要承担风险。

只不过在今天这个时间点，牌桌上出现了一个异类。这个异类的打法、策略、出身、看重的东西和拥有的资源，都跟牌桌上其他选手完全不同。

在这个时间点看，它可能是最适合做技术投入的选手。这个结论对所有其他参与者都是最大的挑战。

你的策略要不要改，要不要跟，还是调整，或者继续坚持？即使现在看起来它最适合，最后是不是它成功，也没有人知道。

我想再呼应一下，也呼应我们前几期节目。

去年三四月份，业内曾发生过一次冲突。朱啸虎当时说，这些大模型公司一个都看不上、一个都不投，他要投资真正有商业化能力的公司。当时大家对他的观点仍然有很多质疑。

但到了今年1月，包括零一万物的变化、Kimi和MiniMax对商业化的讨论，以及豆包通过投放获得了其他产品没有达到的日活数据，越来越多人开始接受朱啸虎的观点，认为这是某种程度上的“朱啸虎胜利”。

但不到一个月，DeepSeek R1出现后，我又看到有人说朱啸虎自己发朋友圈：“这是技术理想主义者的胜利。”

我觉得这个口碑完成了三重反转，确实非常有意思。

10. 推理模型走向Agent

两位对于DeepSeek R1可能带来的其他应用和行业发展，还有没有补充？

我觉得reasoning model对于绝大部分用户和从业者来说，仍然是一个新东西。

虽然OpenAI的o1已经出来两个多月，但我相信即使是从业者，也有很多人没有深度使用过o系列模型。所以如何驾驭reasoning model、找到更适合它的应用场景，大家都还没有形成best practice。

从用户角度来说，怎么给reasoning model写prompt，也还在探索中。这个过程很像2022年底ChatGPT刚出现的头几个月，大家都很有热情地探索。

现在在R1上也有很多有意思的尝试，比如R1和Claude结合、R1和GPT结合，以及R1和各种工具、Cursor结合。

所以我觉得现在谈未来还太早，可能需要给用户和从业者一个季度的探索时间。

我对未来非常乐观，尤其是R1这次提出的思路。它只是做了一个示范，说明这个方向是可行的。

回过头看，每一次范式创新出现之后，大家都会沿着这个范式继续探索，做出各种各样的变化。reasoning model的训练方法，对基础模型能力的提升，远远没有到顶。

接下来半年，大家可能会在这方面做出很多新的能力，打破过去的一些限制，在应用上开拓更多可能性。

所以我们会保持积极乐观的态度，持续观察有什么新能力、新应用场景可以被解锁。

第一点是我们开头说的，它对基础设施厂商的促进，会影响很长时间。这种影响今天还没有完全体现出来，可能需要很长时间发酵。

第二点是，OpenAI发布过一个从聊天机器人到AGI的L1到L5路径，类似自动驾驶的分级。

L1是我们看到的ChatGPT这样的聊天机器人，L2是推理模型，OpenAI认为o1以及今天的R1已经达到推理阶段。L3是Agent。

OpenAI认为，现在行业领先公司正在从L2走向L3。反过来说，如果它定义的L5路径是正确的，那么今天R1的出现也符合这个路径。

L3是Agent，这也是为什么很多人认为2025年会是Agent之年。大模型先解决初始问答，然后拥有推理能力，接下来要做的就是真正解决任务。

OpenAI自己也发布了Agent相关产品，只是现在还处于比较早期。2025年，我们希望看到更多真正意义上的Agent落地到企业和个人开发者生态中。

当然，这段话可能有一定自圆其说或者自欺欺人的成分。但如果在2025年初这个时间点，一定要对今年的AI行业有期待，那么既然推理模型的样板已经打好了，我们应该继续往下走。

我最后还有一个小疑问。

在AI技术快速发展的情况下，尤其是DeepSeek R1这一波，我有一个很明显的感受：如果不是大模型或AI应用原生创业公司，而是实体产业、律师行业或者传统企业，到底什么时候投入比较好？

ChatGPT和Llama刚出来时，模型成本、参数规模都非常高，能力相比现在也有很大差距。但不到两年，技术还在超快速发展。

实体企业应该什么时候投入？我有很强的不确定感。

比如法律行业，ChatGPT出来时，很多企业都说自己训练了法律大模型。但从现在看，那些模型和DeepSeek R1这样的顶级开源模型相比，能力已经有巨大差距。这些投入可能很多都白花了。

涛哥先说说看。

不要去投预训练了。预训练长期来看会变成一种commodity，也就是上游商品，直接购买就可以。

你只需要使用各种后训练best practice做后训练。在绝大部分场景里，甚至连后训练都不需要做，只要把RAG问题解决好，可能就够了。

那如果考虑私有化部署呢？

R1也可以私有化部署。它使用MIT协议，拿来商用完全合规，当然也可以私有化部署。

庄老师有什么补充？

我们今年开年会时，老大说过一件事。他参加过几乎所有主流商学院的课程，比如混沌、蚂蚁和青藤等，和他同学的人来自各行各业。

大家讨论时当然会涉及AI。很多偏传统行业的CEO会觉得还看不清楚，想让子弹再飞一会儿，等一等再介入AI浪潮。

但我们老大会说，鉴于过去两年AI行业变化非常快，如果今天这个时间点还不亲身深度参与，可能就没有机会了。

AI就是这样一个状态：需要笃定地认可、坚定地看好这个方向，并且真正去实施、去做该做的事情，才有可能得到不错的正反馈。

11. 谣言仍在继续

我这边暂时没有其他问题了。看看两位还有没有补充，比如市面上比较多、但我们还没有聊到的谣言，或者特别想发表的观点。

DeepSeek被各种访问量冲击、服务不可用的时候，有一条谣言被很多人转发，说中国几大安全厂商给它提供了各种帮助。

这个事情完全是假的，就是一个巨大的谣言。我特别想笑。

我第一次看到是在小红书上，一个看起来不是官方的账号，写了很多企业，包括360、华为云、腾讯等。我当时觉得有点离谱，怎么可能。

后来我又看到一个名字好像是DeepSeek的账号，也发了类似的内容，所以我有一点点相信。录节目之前我还想问问这个问题，结果原来完全不存在。

一点都不存在。我做过一段时间安全，这完全是战狼和小粉红们引发的一场符合情绪的谣言。

某种程度上，它缓解了大家用不上DeepSeek的焦虑。因为服务经常不在线，我也会去小红书搜索，看到这个说法时还觉得“好像提供了一点合理解释”。

我最近一周也在很多群里反复解释一个伪概念：在本地设备上运行R1。

现在小红书、抖音上会刷到很多教程，甚至是收费教程，教你如何在电脑、手机上运行R1。

但认真看会发现，他们运行的其实是R1蒸馏版，比如蒸馏自千问的32B、7B，甚至是1.5B。

首先要说明，完整命名是“DeepSeek R1 Distill Qwen 32B”或者“DeepSeek R1 Distill Qwen 7B”之类。一个词组有中心语和定语，最后面的是中心语。

它再怎么处理，也是一个千问，或者一个Llama。前面的定语才是“DeepSeek R1 Distill”，意思是用R1作为teacher model去训练student model。

所以你在手机或电脑上运行的，不是真正的R1，而是一个千问或Llama。这首先就是一个非常不准确的概念。

其次，仔细看R1论文会发现，DeepSeek这次放出几个蒸馏版本，主要是为了证明他们的训练方法对其他模型也有效。

但它的蒸馏过程根本没有使用强化学习，只是用R1生成的SFT数据，对千问和Llama做了一次微调。

也就是说，如果你真的要体验R1，它离不开两个点：一个是强大的基础模型V3，另一个是强化学习训练过程。

而现在各种教程里所谓在设备上运行的R1蒸馏版，基础模型不是V3，也没有经过强化学习。这是一个不能更假的概念。

所以大家千万不要在这种教程上花钱。当然，如果你从来没有在电脑上部署、运行过大模型，借这个机会学习一下，我觉得没问题。

但不要期待它和全尺寸、满血版R1有同样效果，两者差得非常远。这是我最近一周反复辟谣的事情。

好的，我们这期节目就先聊到这里。再次感谢几位嘉宾，我们也会继续关注AI领域的发展，期待之后还能请两位来跟我们分享。

感谢，感谢Lily邀请。

感谢Lily邀请。

感谢，感谢。

好，庄老师、张老师，谢谢大家交流。拜拜。

拜拜。

拜拜。

拜拜。