近年來，DeepSeek憑借其卓越的技術(shù)實力和創(chuàng)新應(yīng)用，迅速走紅于市場。本文從應(yīng)用場景、數(shù)據(jù)服務(wù)和研發(fā)成本三個角度，深入探討DeepSeek的獨特之處，供大家參考。

近期，DeepSeek真可謂火出天際，相關(guān)的文章和報道猶如雨后春筍。集中討論的方向主要包括：中美博弈、開源勝利、技術(shù)解析，投資價值……

然而，作為一個產(chǎn)品人，只想從以下三個方面說說我對DeepSeek的理解。

一、應(yīng)用場景：DeepSeek 解鎖高時效、高精度的復(fù)雜分析決策場景

DeepSeek 的進展有望解鎖更多對“響應(yīng)時效和精度要求極高”的復(fù)雜分析決策場景，例如投資決策、科研輔助、家庭教育、兵棋推演、具身智能、案件分析等。

小參數(shù)模型的優(yōu)勢不僅在于算力成本低，更在于其能夠顯著提升響應(yīng)速度，并支持邊緣計算。

通過強化學(xué)習(xí)（RL）和模型蒸餾技術(shù)，DeepSeek 使得較小參數(shù)的模型也能夠展現(xiàn)出長思維鏈和自我驗證的能力。

DeepSeek 為行業(yè)開啟了一個巨大的想象空間：

許多原本需要深度分析推理的“慢思考”場景，未來可能以“快思考”的速度完成。這并不是說 DeepSeek 已經(jīng)實現(xiàn)了這一目標(biāo)，而是它正在推動這一趨勢的發(fā)展。

回顧 2017 年，AlphaGo 已經(jīng)能夠在圍棋這種有限規(guī)則的封閉場景中快速落子，而大語言模型（LLM）則能夠應(yīng)對更加多變、開放的無限場景。

正如《有限與無限的游戲》一書所描述的，這兩種場景共同構(gòu)成了人類社會的全部行為模式。

以往，只有人類的認(rèn)知能力能夠在無限游戲中實現(xiàn)瞬時響應(yīng)，而未來 AI 也可能具備這種能力。

以馬斯克為例，他的每一句即興表達(dá)幾乎都遵循第一性原理，深度思考率接近 100%，這是一般普通人難以企及的。

類似地，福爾摩斯在第一次見到華生時，僅憑一眼就推斷出他是剛從阿富汗回來的軍醫(yī)。這種瞬間復(fù)雜推理的能力，即便給華生一年時間也難以完成。

B端产品经理的能力模型与学习提升

B端产品经理面临的第一大挑战，是如何正确的分析诊断业务问题。 这也是最难的部分，产品设计知识对这部分工作基本没有帮助，如果想做好业务分析诊断，必须具备扎实 ...

查看详情 >

通過大量強化訓(xùn)練，將原本需要“慢思考”的復(fù)雜邏輯推理問題，轉(zhuǎn)變?yōu)榻咏翱焖伎肌钡乃俣?。這種能力的人在專業(yè)領(lǐng)域內(nèi)幾乎無敵。

如果你讀過《思考，快與慢》，可能會更容易理解這一點。書中提到，人類有兩種思考系統(tǒng)：

系統(tǒng) 1 ——快速、直覺的“快思考”；

系統(tǒng) 2—— 是緩慢、邏輯的“慢思考”。

通過長期訓(xùn)練，某些系統(tǒng) 2 的行為可以逐漸自動化，接近系統(tǒng) 1 的運作方式。DeepSeek 帶來的最本質(zhì)改變，正是讓復(fù)雜決策能夠?qū)崿F(xiàn)瞬時響應(yīng)。

二、數(shù)據(jù)服務(wù)：高質(zhì)量專業(yè)數(shù)據(jù)成為稀缺資源

在復(fù)雜場景和垂直領(lǐng)域中，高質(zhì)量的專業(yè)數(shù)據(jù)比以往更加稀缺。

在 GPT-4 發(fā)布時，我曾提出一個觀點：通用訓(xùn)練數(shù)據(jù)已接近耗盡。

后來，Ilya 等業(yè)界大佬也表達(dá)了類似看法，印證了這一猜測。監(jiān)督微調(diào)（SFT）本身存在局限性，如果要進一步突破模型上限，強化學(xué)習(xí)是為數(shù)不多的可行路徑。

DeepSeek 的實踐表明，僅通過強化學(xué)習(xí)就能很好地完成模型的后訓(xùn)練（post-train），從而減少對標(biāo)注數(shù)據(jù)規(guī)模的依賴。

然而，這并不意味著不再需要標(biāo)注數(shù)據(jù)。如果希望大模型能夠解決更復(fù)雜的推理場景，就必須對數(shù)據(jù)結(jié)構(gòu)和標(biāo)注質(zhì)量提出更高要求——即提升評測標(biāo)準(zhǔn)。

具體來說，標(biāo)注評測標(biāo)準(zhǔn)的提升主要體現(xiàn)在兩個方面：專業(yè)化和擬人化。

那專業(yè)化需要達(dá)到什么程度？

我認(rèn)為，未來各行業(yè)的業(yè)務(wù)專家和領(lǐng)導(dǎo)者需要親自參與數(shù)據(jù)貢獻(xiàn)，將他們的認(rèn)知復(fù)刻到大模型中。通用場景數(shù)據(jù)和中低端數(shù)據(jù)外包服務(wù)將不再重要，因為開發(fā)者可以通過導(dǎo)師模型合成數(shù)據(jù)來訓(xùn)練小參數(shù)模型。真正稀缺的是經(jīng)過精心設(shè)計、篩選、標(biāo)注、核驗和優(yōu)化的高質(zhì)量專家數(shù)據(jù)。

擬人化需要達(dá)到什么程度？

每一輪對話都應(yīng)像真人交流，而非機械地“念稿”?！跋裾嫒恕边@一標(biāo)準(zhǔn)可以無限高，例如像 AGI（通用人工智能）那樣，或者像馬斯克、王陽明那樣的頂尖人類。

那什么樣的數(shù)據(jù)才能訓(xùn)練出如此擬人的模型？

僅僅依賴微信、抖音等平臺上的內(nèi)容數(shù)據(jù)是遠(yuǎn)遠(yuǎn)不夠的。如果這些數(shù)據(jù)足夠有效，互聯(lián)網(wǎng)大廠的大模型性能早已遙遙領(lǐng)先，但事實并非如此。目前，DeepSeek 在模型性能上表現(xiàn)出色，而 AI 領(lǐng)域的其他新興力量也并未被大廠拉開質(zhì)的差距。

當(dāng)前主流的訓(xùn)練數(shù)據(jù)混合模式是“人工數(shù)據(jù) + 合成數(shù)據(jù)”，但合成數(shù)據(jù)的質(zhì)量遠(yuǎn)不如人類專家。因此，專家們需要親自下場，參與數(shù)據(jù)構(gòu)建。

我認(rèn)為，2025 年將是 AI 數(shù)據(jù)領(lǐng)域的分水嶺，勞動密集型的數(shù)據(jù)服務(wù)將逐漸被淘汰，取而代之的是專家密集型的高質(zhì)量數(shù)據(jù)服務(wù)。

這也是為什么 Scale AI 的創(chuàng)始人會因 DeepSeek 的崛起而感到焦慮，甚至呼吁限制中國 AI 發(fā)展——本質(zhì)上是因為他們的商業(yè)模式受到了沖擊。

三、研發(fā)成本：頭部 AI 公司將控制算力成本與團隊規(guī)模，并提升人才密度

1）算力成本：DeepSeek 展示了低成本、高 ROI（投資回報率）的模型研發(fā)路徑，讓更多玩家看到了應(yīng)用場景落地的可能性。

這將吸引更多應(yīng)用端玩家入場，并促使資金投入更加堅決。同時，DeepSeek 的崛起也加劇了中美 AI 軍備競賽，使得英偉達(dá)芯片斷供問題更加嚴(yán)峻。國產(chǎn)替代芯片的需求因此變得更加迫切，市場對低成本高端芯片的渴望也將推動國內(nèi)芯片產(chǎn)業(yè)的發(fā)展，這對國運而言是一大利好。

2）人力成本：DeepSeek 的成功揭示了 AI 大廠組織精簡的拐點已經(jīng)到來。

不僅是硅谷，國內(nèi)大廠同樣難以避免這一趨勢。與此同時，低成本、高效率的大模型研發(fā)機會將刺激更多新老軟件公司加速布局 AI，從而導(dǎo)致 AI 人才呈現(xiàn)結(jié)構(gòu)化流動的趨勢。

優(yōu)秀的 AI 公司永遠(yuǎn)缺乏頂尖人才。無論是在算法、工程還是產(chǎn)品領(lǐng)域，100 個普通工程師的價值可能遠(yuǎn)不如 1 個頂尖人才。

這就像房地產(chǎn)和股市中的現(xiàn)象：自 2021 年以來，房價暴跌，但一線城市的豪宅明顯比剛需房更具抗跌性，因為豪宅有其獨立的價值邏輯。

同樣，在股市中，投資者偏愛龍頭股，表面上是人性使然，但更深層的邏輯在于：龍頭股漲得最早、漲得最多，也跌得最晚。