这个春节，无论你是不是科技爱好者，大概率都逃不过关于DeepSeek的资讯刷屏。
除夕前夜，DeepSeek在中国区和美国区苹果App Store免费榜上同时冲到了下载量第一，这是国产App史无前例的佳绩，更是在全球范围内，首次有产品超越OpenAI的ChatGPT。
此前，深度求索宣布其推出的DeepSeek-V3仅花费558万美元，不到国外公司十分之一的GPU芯片和训练时长，就实现了与GPT-4o和Claude Sonnet 3.5等花费数亿美元训练的顶尖模型相当的性能。1月20日，深度求索推出推理模型DeepSeek-R1，仅用OpenAI十分之一的成本就达到其最新模型GPT-o1同级别的表现。这个消息，不啻于在科技界投下一枚重磅炸弹。
自从AI竞赛存在以来，这是第一次，焦虑给到美国科技公司。中国互联网和科技公司的角色始终是追随者，只能寄希望于用更多的资源投入追赶对手，但风向由OpenAI、Meta为代表的美国公司牢牢掌握。2022年起，美国政府宣布升级芯片出口管制，此后多次更新出口限制清单，限制高算力芯片出口，中国AI企业普遍陷入算力焦虑。
DeepSeek最新模型的出现，打破了大模型发展沦为巨头与资本游戏的行业共识，为业内追赶美国大模型的中国公司们提供一条新的思路，向业界证明了可以把大语言模型的训练成本降低1到2个数量级。业界此前普遍认为的训练成本是1亿美元甚至更多，说这是一场“军备竞赛”并不为过。几百万美元，令下场逐鹿者的门槛低了很多。现在比拼的，不再只是GPU数量，更应考虑的是哪个团队具备技术和产品上的创新能力。
相比OpenAI和它的中国效仿者们用数亿美元训练大模型，DeepSeek选择了一条更抠门也更极致的路线。
研究人员提出的一种新的MLA（多头潜在注意力机制）架构，与DeepSeek MoESparse (混合专家结构)结合，把显存占用降到了其他大模型最常用的MHA架构的5%-13%。
行业通常用数万亿token（文本单位）训练模型，但DeepSeek通过“数据蒸馏”技术，即用一个高精度的通用大模型当老师，而不是用题海战术来更高效训练学生“模型”，把数据计算最大程度降低，仅用1/5的数据量达到同等效果，促成了成本的下降。
一个通俗的举例可帮助我们理解这种变化：传统大模型每次处理问题都需激活全部参数，而普通用户提出的问题一般并不需要如此大的资源投入，这如同让一家医院的全部科室去会诊一个普通感冒；而DeepSeek-R1会先判断问题类型，再精准调用对应模块——数学题交给逻辑推理单元，写诗则由文学模块处理。这种设计让模型响应速度提升3倍，能耗也更低。
更快速度和更低能耗，建立在“低成本、高性能”的初始规划上。DeepSeek通过算法优化显著降低训练成本。R1的预训练费用只有557.6万美元，在2048块英伟达H800 GPU（针对中国市场的低配版GPU）集群上运行55天完成。此前，OpenAI等企业训练模型，都需要数千甚至上万块高算力的A100、H100等顶级显卡，花费数亿美元的训练成本。
当资源受到限制时，往往会激发创新，而资源过于充沛，创新却未必会如期而来。DeepSeek的出现是又一力证。
DeepSeek选择从垂直场景切入，从all in特定领域开始，追求在部分领域（如数学、代码）的表现更优，再逐步分阶段完善其他领域的能力。
这种另辟蹊径也意味着更高难度，更高风险。若路由错误（例如将诗歌创作误判为数学题），输出质量将会暴跌；模块间的知识隔离（如用数学公式写情书），可能导致跨领域任务失败。如果未能开发出足够优异的模块化模型，前期的投入可能浪费。大多数公司受限于路径依赖或资源约束，难以接受all in这一高风险路线。能把这个极致的路线走通，勇气与能力缺一不可。
早期DeepSeek的MoE模型误判率普遍在15%以上，团队通过引入强化学习优化路由决策，长期训练后模型在测试中将误判率控制在个位数的低位。多位行业人士将DeepSeek的脱颖而出理解为“模块化特种兵”，在与OpenAI等“通用巨兽”的比赛中，在部分领域展现出同等能力甚至略微领先。尽管DeepSeek的整体技术与OpenAI等美国企业存在差距，但其已经足以被视为一个实力逐渐接近的竞争对手。
DeepSeek引起轰动，除了模型本身的优异表现，还来自其坚持的免费开源主张，公开模型的源代码、权重和架构。无论是个人、开发者，还是企业用户，都可以免费使用其最新模型，并在此基础上开发更多应用，这也出于DeepSeek对自身发展情况的考量。通过开源策略，可以快速建立生态，获得更多用户和开发者支持。
在DeepSeek创始人梁文锋看来，DeepSeek未来可以只负责基础模型和前沿创新，其他公司在DeepSeek的基础上构建To B、To C的业务，如果能形成完整的产业上下游，就没必要自己做应用。
DeepSeek的模块化模型设计，如同精密的钟表——单个齿轮的工艺或许可复制，但整体协同需要长期试错与生态积累。竞争对手并不能依靠简单照搬就能复制其原始模型，越多用户和开发者使用，就意味着模型得到更多训练。
DeepSeek在引发科技界巨震同时，也引爆了价格战。日前，OpenAI发布了全新的o3大模型，免费对外开放。上周微软也向所有的Copilot用户免费发布了o1推理模型。
北京时间2月6日凌晨，OpenAI宣布向所有用户开放ChatGPT搜索功能，且无需注册。使用界面很简单，打开“搜索”按钮就行，旁边的“推理”选择是否展示整个推理过程。
谷歌DeepMind的Gemini 2.0系列全家桶也终于正式上新，不仅在性能上有进一步的提升，还挥舞起AI性价比的大旗，同时拥抱多模态能力。
Gemini 2.0 Flash支持多模态输入和文本输出，具备100万tokens的上下文窗口，并支持结构化输出、函数调用和代码执行等功能。定价方案也已确定，文本、图像和视频输入每百万tokens收费0.10美元，音频输入则为0.70美元（2月20日起正式生效）。文本输出每百万tokens收费0.40美元。轻量版Gemini 2.0 Flash-Lite的文本、图像和视频输入每百万tokens仅需0.075美元，几乎比标准版便宜了三分之一。音频输入也为0.075美元，文本输出为0.30美元，文本/图像/视频缓存为每百万tokens仅需0.01875美元，音频缓存为0.175美元。
作为对比，DeepSeek-V3模型现在的价格是每百万tokens需要0.014美元。2月8日起，其价格将恢复到每百万tokens 0.07美元的水平。这一调整或许也是促使Google制定当前价格策略的重要因素之一。
DeepSeek的成功打破了之前国内科技领域对于大语言模型的既定发展范式，接下来还会引发一系列涟漪效应。
今天的AI竞争格局之下，对于一家创业公司，开源不仅是技术策略，更是参与制定行业规则的关键落子。在模型能力逐渐透明的未来，真正的竞争优势将来自构建数据反馈闭环的能力，以及将技术影响力转化为商业生态的能力。奥特曼在Reddit上提到，要学习DeepSeek，将推理模型的思考过程公开。OpenAI的闭源策略使他们站到了历史错误的一边，他们将重新思考OpenAI的开源策略，同时他坦言OpenAI的领先优势已经不如之前大了。
这本质上是一场关于“标准制定权”的争夺——谁的开源协议能成为行业事实标准，谁就能在下一代AI基础设施中占据核心位置。中国科技公司与美国科技公司之间的差距，不是时间维度，而是创新和模仿的差别。
相关链接：中国区支持的其他支付方式名单
