出品丨AI 科技大本营（ID：rgznai100）
还记得前年 ChatGPT 刷屏的时候吗？
全球科技圈疯狂吹捧，但问问身边的普通人，十个里有八个都在说“太难用了”：注册要国外手机号，充值要美国信用卡，界面全是英文，想用还得翻墙……后来的 Claude、Gemini 和 Llama，都是“只在新闻标题见过”的名字。
这两年来，整个 AI 界的酸甜苦辣和风云变幻，在真正的蓝海市场面前，都像是一场自嗨。大家都在头疼同样的问题：怎么推广出去？怎么让普通人知道 AI 有什么用？反过来再问问自己——现在的 AI 应用真的有用吗？
但这个春节，情况突然不一样了。
打开微信，朋友圈被 DeepSeek 的对话截图刷屏。服务器从年前就在崩溃的边缘反复横跳。打开界面永远都是：“不好意思，和 DeepSeek 聊天的人有点太多了，请过一会儿再提问吧。”
不再是科技圈的自嗨，而是 AI 真正第一次走进了中国普通人的生活。
突如其来的“全民 AI 狂欢”背后，是一家中国团队完成的惊人技术突破。1 月 20 日，DeepSeek 发布了推理模型 DeepSeek-R1，这款完全开源的模型在多项第三方测试中超越了 OpenAI 最新的 o1 模型，同时 API 价格仅为后者的 3.7%。
这几乎相当于免费送你一个顶配版 ChatGPT。用户疯狂涌入，直接把 DeepSeek 送上了中美应用商店双榜第一。更刺激的是，这个“低成本平替”的玩法直接把华尔街也干懵了。英伟达一夜暴跌 6000 亿，创下史上最大单日跌幅，股民们人都看傻了：原来 AI 不一定要堆算力？
紧接着在除夕夜，他们又推出了多模态大一统开源模型 Janus-Pro（目前还没上网页端）。仅用 16 个计算节点（每节点 8 张 A100）训练一周，1.5B 版本就达到了惊人的效果。而配备 32 个节点训练两周的 7B 版本，更是在多模态理解基准 MMBench 上拿下 79.2 分，超越了包括 TokenFlow（68.9 分）和 MetaMorph（75.2 分）在内的所有现有统一多模态模型。
这一系列事件背后，折射出的是整个 AI 行业面临的根本性问题：技术发展究竟是否一定要与巨额投入挂钩？Windows 部门前总裁 Steven Sinofsky 在最新发布的分析中指出，当前 AI 行业的发展高度依赖资本投入。
OpenAI 每年支出 50 亿美元，Google 在 2024 年的 AI 预期支出更是将超过 500 亿美元，而微软对 OpenAI 的投资已达到 130 亿美元。这种发展模式形成了一个看似合理但可能存在隐患的逻辑：砸钱就能搞出好 AI。更多的投入必然带来更强的算力，进而产出更好的模型。
而 DeepSeek 走出了一条截然不同的道路。他们的发展轨迹令人惊叹：2023 年 7 月 17 日成立，2024 年 1 月 5 日发布第一个 AI 大模型 DeepSeek LLM，5 月 7 日发布 DeepSeek-V2 正式打响中国大模型价格战，12 月 26 日开源 DeepSeek-V3。
我们 CSDN 编辑部其实也是从 DeepSeek-V2 时期就开始买他们家的 API 了，不为其他原因：当时送了 500 万 tokens，到过期了也没用完；后面充了 10 块钱又买了几百万 tokens，到现在 R1 出来了还是没用完。
在训练成本方面，DeepSeek-V3 仅用了 557.6 万美元就完成了训练。这个投入对比一下 Meta 的数据就格外刺眼：Llama 3 系列的计算预算高达 3930 万 H100 GPU Hours，这样的算力足够训练 15 个 DeepSeek-V3。
这一下子问题就来了：Meta 的员工要咋跟领导解释呢？就在模型发布后不久，一位 Meta 员工在美国匿名职场社区 teamblind 爆料：整个生成式 AI 团队已经陷入恐慌。“工程师们正在疯狂地分析 DeepSeek，试图从中复制任何可能的东西。这一点都不夸张。”
更让管理层头疼的是，当生成式 AI 组织中每一位“领导”的薪资都比训练整个 DeepSeek-V3 的成本还要高，而公司有好几十个这样的“领导”时，他们要如何向高层解释这些开支？
在算法层面，DeepSeek 在混合专家模型（Mixture of Experts）训练中解决了不规则损失峰值问题，实现了 8 位浮点训练以显著降低内存占用。这些创新使他们将通常需要数月的训练时间缩短到了 60 天。这些成就甚至得到了 OpenAI 首席研究官 Mark Chen 的认可，他承认 DeepSeek 独立发现了一些与 o1 相同的核心理念。
而 OpenAI 首席执行官 Sam Altman 终于没憋住气，正式回复并承认了 DeepSeek 的成功，重点感叹了它的便宜。
这里可以回顾一下 DeepSeek-V3 刚发布时 Sam Altman 的反应，态度可谓是 180 度大转弯了：
我们可以简单地把 Sam 对一件事的态度分为三级：
-
释然了：不藏着掖着，正面坦然回应各种事情；
-
破防了：连名字都不提，阴阳怪气一波；（对谷歌经常这么干）
-
高度重视：规范大小写，不再打全小写的英文；
当然，对于 DeepSeek，硅谷也存在各种不同的声音。图灵奖得主、Meta AI 首席科学家 Yann LeCun（杨立昆）指出，人们常常误解了 AI 基础设施投资的重点。他认为大部分资金其实用于推理而非训练，随着 AI 能力的增强，维持服务运行的成本会变得更高。
立昆还发表了一个更具全局视野的观点：“与其说是中国在人工智能上超越美国，正确的看法应该是开源代码正在超越私有模式。”
这句话倒不一定需要过度解读，因为我们往期整理的数篇杨立昆采访都显示，他其实就是想借着这个机会再次拉踩一下 OpenAI，醉翁之意不在中美，而在于开源闭源之争：《图灵奖得主杨立昆：统治欲望源于生存需求，而非智能水平，AI 不会有这种想法 | AI 2025》
总之，如今这场风波背后的核心问题在于：DeepSeek 展示的高效路线是否预示着 AI 发展的新范式？砸钱买显卡以后还会管用吗？
美国科技巨头们的担忧显然不是没有根据的。近日，美国财经媒体 CNBC 推出了一期长达 40 分钟的专题节目，深入探讨 DeepSeek 对美国 AI 主导地位可能带来的冲击。
CNBC 邀请了硅谷新锐 AI 创业公司 Perplexity 的 CEO Aravind Srinivas 进行深度对谈，此人相当能侃，AI 科技大本营上一次整理他的文章还是一篇四万字的采访，尽显他对于拿下谷歌的决心：《Perplexity CEO 最新四万字访谈：杀死谷歌，成为 AI 时代的搜索皇帝！》
以下是访谈全文，由 CSDN 精编整理：
主持人：请跟我们描述一下中美之间的 AI 竞赛，以及其中的利害关系。
Aravind Srinivas：首先要说明，中国在与美国的竞争中面临很多不利因素。最主要的是他们无法获得我们这里能用的所有硬件资源。他们基本上在使用比我们低端的 GPU，几乎就是在用上一代的设备。由于更大的模型通常意味着更强的智能，这自然让他们处于劣势。
但另一方面，这些限制反而成就了创新。因为他们必须寻找变通方案，最终反而打造出了更高效的解决方案。这就像是在说：“嘿，你们必须开发一个顶级模型，但我不给你们资源，你们得自己想办法。”
除非从数学上能证明这是不可能的，否则你总能找到更高效的解决方案。这可能会让他们比美国找到更高效的方法。当然，他们已经开源了模型，所以我们也可以采用类似的技术，但他们培养的这种人才和能力将逐渐成为他们的优势。
目前，美国最好的开源模型是 Meta 推出的 Llama 系列。它非常出色，基本可以在普通电脑上运行。虽然它在发布时声称自己接近 GPT-4 性能，但事实上只有那个巨大的 405B 参数模型才符合宣传水平，而不是你能在电脑上运行的 70B 模型。所以，此前一直没有一个既小巧便宜，又快速高效的开源模型能与最强大的闭源模型相媲美。
然后这些中国团队突然推出了一个令人震惊的模型，API 价格比 GPT-4 便宜十倍，比 Claude 便宜十五倍。速度极快，而且在某些基准测试中与 GPT-4 不相上下，有些甚至更好。他们只用了大约 2048 个 H800 GPU，相当于 1500 到 2000 个 H100 GPU，这比 GPT-4 通常训练时用的 GPU 数量少了二三十倍。总共只花了 500 万美元的计算预算，就做出了这么惊人的模型，还完全开源并发布了技术论文。
主持人：当你理解他们所做的一切时，最让你惊讶的是什么？
Aravind Srinivas：我的惊讶在于，当我阅读他们的技术论文时，发现他们提出了很多聪明的解决方案。
首先，他们成功训练了一个混合专家模型（Mixture of Experts），这本身就不容易。人们之所以很难跟上 OpenAI 的步伐，特别是在 MoE 架构上，主要是因为存在很多不规则的损失峰值。数值不稳定，经常需要重新启动训练检查点。他们提出了非常巧妙的解决方案来平衡这个问题，而且没有使用额外的技巧。
他们还实现了 8 位浮点训练，至少在部分数值计算上做到了。他们巧妙地确定了哪些部分需要高精度，哪些部分可以用低精度。据我所知，8 位浮点训练在美国并不普遍，大多数训练仍然在用 16 位精度，虽然有些人在探索这个方向，但很难做到正确。正是因为他们没有那么多内存和 GPU，所以他们找到了很多数值稳定性的方法，使他们的训练能够顺利进行。他们在论文中说，大部分训练都很稳定，这意味着他们可以随时重新运行这些训练，用更多或更好的数据。整个训练只用了 60 天，这真的非常惊人。
主持人：你最惊讶的是哪个部分？
Aravind Srinivas：通常人们认为中国人只会复制，认为只要在美国停止发表研究论文，停止描述基础设施架构的细节，停止开源，他们就追不上来。但事实是，DeepSeek V3 中的创新确实令人惊艳。我相信 Meta 在开发下一代 Llama 模型时，一定会借鉴他们的一些技术突破。DeepSeek 是真正的创新 —— 而一旦你做出了真正的突破，其他人自然会跟进。
主持人：我们并不完全了解他们训练用的数据是什么。虽然它是开源的，我们知道一些训练方式，但不是全部。有观点认为它是基于公开的 ChatGPT 输出训练的，这意味着只是复制品，但你说它超越了这一点，有真正的创新。
Aravind Srinivas：没错。他们训练了 14.8 万亿个 token。互联网上确实有大量 ChatGPT 生成的内容，如果你现在去看任何 LinkedIn 帖子或 X 帖子，大多数评论都是 AI 写的。就连 X 上都有 Grok 推文增强器，LinkedIn 上有 AI 增强器，Google Docs 和 Word 里也有 AI 工具来重写内容。
如果你用 AI 写了点什么然后复制到网上，自然会带有一些 ChatGPT 式的训练痕迹。很多人甚至在复制的时候懒得删掉“我是一个语言模型”这样的字眼。在这个领域很难控制这些。所以我不会因为它对某些提示（比如“你是谁”或“你是哪个模型”）的回应而否定他们的技术成就。在我看来，这根本不重要。
主持人：长期以来，我们认为中国在 AI 领域落后。这场竞赛现在情况如何？我们能说中国正在赶上，还是已经赶上了？
Aravind Srinivas：如果我们说 Meta 正在赶上 OpenAI 和 Anthropic，那么同样的说法也适用于中国赶上美国。实际上，在 o1 发布后，我看到中国出现了比美国更多试图复制它的论文。值得注意的是，DeepSeek 能使用的计算资源大概和美国的博士生差不多。顺便说一句，这不是在批评其他人。就拿我们 Perplexity 来说，我们决定不训练模型是因为觉得这太贵了，而且我们认为不可能追上其他人。
主持人：你会将 DeepSeek 整合到 Perplexity 中吗？
Aravind Srinivas：我们已经开始使用它了。他们有 API，而且开源了，所以我们也可以自己部署。使用它很有意义，因为它实际上让我们能以更低成本做很多事情。但我在想的不止这些。这些人真的能用一个好团队训练出如此优秀的模型，这意味着美国公司，包括我们在内，已经没有借口不去尝试类似的事情了。
主持人：在公共场合，我们经常能够听到很多生成式 AI 领域的意见领袖，无论是研究还是创业方面，比如 Elon Musk 等人都说中国追不上。
Aravind Srinivas：首先，我不确定 Elon 是否说过中国追不上。我不了解这一点。
主持人：Sam Altman 也说过类似的话。
Aravind Srinivas：你必须区分开像 Sam 这样的人说的话和他自身的利益关系。我的观点是，无论你做什么来阻止他们追赶都无关紧要。他们最终还是追上来了。需求是发明之母，就是这样。
更危险的是，他们现在拥有最好的开源模型，而所有美国开发者都在基于此构建。这才是更危险的，因为这样他们就能掌握开发者心智和生态系统。一般来说，历史已经证明，一旦开源赶上或超越了闭源软件，所有开发者都会转向开源。这是历史规律。
主持人：当 Llama 被开发并广泛使用时，人们在问“我们应该信任扎克伯格吗？”但现在的问题变成了“我们应该信任中国吗？”
所以，“开源的是谁”这件事，本身重要吗？
Aravind Srinivas：从某种意义上说这并不重要，因为你仍然可以完全控制它。你可以在自己的计算机上运行自己的权重，你来掌控模型。但是，让我们自己的人才依赖别人开发的软件看起来并不太好，即使它是开源的。开源模型也有一天可能不再开源。对吧？现在的许可证很宽松，但是随着时间推移，他们随时可能改变许可证。
所以我们在美国也需要有人在建设，这就是为什么 Meta 如此重要。我认为 Meta 最终会建造出比 DeepSeek-V3 更好的模型并开源它，不管他们叫它 Llama 4 还是 3 点几都不重要。我认为关键是我们不要把所有精力都放在禁止他们、阻止他们上面。相反，应该努力竞争并战胜他们。这才是美国的方式。做得更好。
主持人：看起来我们现在听到越来越多关于这些中国公司的消息，他们正在以更高效、更低成本的方式开发类似的技术，对吗？
Aravind Srinivas：如果你筹集了 100 亿美元，并决定将其中 80% 用于计算集群，那么你很难去想出和那些只有 500 万美元的人一样的解决方案。而且也没必要去批评那些投入更多的人。他们只是在试图尽快完成目标。
主持人：当我们说开源时，有很多不同的版本。有些人批评 Meta 没有公布所有内容，就连 DeepSeek 本身也不是完全透明的。
Aravind Srinivas：当然。你可以把开源的定义推到极致，说我应该能完全复制你的训练过程。但首先，有多少人真的有资源去做这件事？而且，比较一下，他们在技术报告中分享的细节已经比其他公司多得多了。顺便说一句，Meta 也是这样，他们的 Llama 3.3 技术报告非常详细，对科学非常有价值。他们分享的细节已经比其他公司现在做的要多得多了。
主持人：当你想到 DeepSeek 只花了不到 600 万美元就做到这一点，再想想 OpenAI 在开发 GPT 模型上花了多少钱，这对闭源模型生态系统的轨迹、发展势头意味着什么？对 OpenAI 意味着什么？
Aravind Srinivas：很明显，我们会在今年看到一个开源版本的 GPT-4，甚至比它更好、更便宜的版本。完全开源。
主持人：由 OpenAI 开发的？
Aravind Srinivas：很可能不是。我不认为他们会在意是不是由他们开发的。我认为他们已经转向了新的范式，就是 o1 系列模型。Ilya Sutskever 已经说了，预训练正在遇到瓶颈，他明确表示预训练时代已经结束。很多人都这么说。这并不意味着 Scaling Law 遇到了瓶颈。我认为我们现在正在不同维度上进行扩展。模型在测试时花在思考上的时间、强化学习，就像是在尝试让模型在遇到新提示时，能够进行推理、收集数据并与世界互动，使用各种工具。我认为发展正朝着这个方向前进，我感觉 OpenAI 现在更专注于这方面。
主持人：那我的问题是，现在 OpenAI 的护城河在哪里？
Aravind Srinivas：嗯，我仍然认为，目前还没有其他人做出类似 o1 那样的系统。我知道有人在争论 o1 是否真的值得，可能在一些提示词上它确实更好，但大多数时候它的输出并没有比 Claude 好多少。但至少他们在 o3 中展示的结果，比如在竞争性编程方面的表现，已经接近 AI 软件工程师的水平了。
主持人：但这不就是时间问题吗？互联网上很快就会充满推理数据。
Aravind Srinivas：确实有可能。现在还没人知道。所以在它真正实现之前，这种不确定性就是他们的护城河。就是说，还没有其他人拥有同样的推理能力。但到今年年底，推理领域会有多个玩家吗？我绝对认为会的。
主持人：所以我们正在看到大语言模型及其能力的商业化吗？
Aravind Srinivas：我认为我们会看到类似的轨迹。就像在预训练和后训练那种系统中，今年会有更多商业化的类 GPT-4 模型。我觉得推理类模型也会经历类似的轨迹，一开始只有一两个玩家知道怎么做，但随着时间推移……（可能越来越多）因为 OpenAI 可能会在另一个方向取得突破。现在推理是他们的护城河。但如果突破一直在发生，一次又一次，那么“突破”这个词本身可能也会失去一些价值。
主持人：说得对。即使现在也很难区分，对吧？因为有预训练的突破，然后我们又进入了不同的阶段。
Aravind Srinivas：是的。可以肯定的是，今天存在的任何模型，无论是这种程度的推理还是多模态能力，都会出现成本降低 5 到 10 倍的开源版本。这只是时间问题。不确定的是，像在测试时进行推理的模型，是否能便宜到我们都能在手机上运行。我觉得这一点还不清楚。
主持人：DeepSeek 展示的这些能力，你觉得可以称之为中国的 ChatGPT 时刻吗？
Aravind Srinivas：有可能。我是说，这肯定给了他们很大的信心，让他们意识到自己并没有落后，而且无论你如何限制他们的计算资源，他们总能找到解决方案。我相信团队对他们的成果感到非常兴奋。
主持人：这如何改变投资格局？那些每年在基础设施上花费数百亿美元的超大规模公司，还有为了 GPU 筹集数十亿美元的 OpenAI 和 Anthropic，但 DeepSeek 告诉我们，你不一定需要这些。
Aravind Srinivas：是的。我认为很明显，他们会在推理方面投入更多，因为他们明白，他们在过去两年构建的东西现在变得如此便宜，已经很难证明继续投入那么多资金的合理性了。
主持人：推理的成本主张还一样吗？他们需要同样数量的高端 GPU，还是可以像 DeepSeek 那样用低端的？
Aravind Srinivas：再说一次，除非被证明不行，否则很难说不可能。但我猜想，为了快速前进，你会想用高端芯片，想比竞争对手走得更快。我认为最优秀的人才仍然想在率先实现突破的团队工作。总是会有一些荣誉属于真正的先驱者，而不是快速跟随者。
主持人：这有点像 Sam Altman 的推文，他曾经暗示说 DeepSeek-V3 只是在复制，任何人都能复制，对吧？
Aravind Srinivas：但在这个领域，每个人都在复制别人。你可以说 Google 最先提出了 Transformer，不是 OpenAI，OpenAI 只是复制了它。Google 构建了第一个大语言模型，他们没有产品化，但 OpenAI 以产品的方式做到了。所以你可以从很多角度来说这个问题。这都不重要。
杨立昆：统治欲望源于生存需求，AI 不会有这种想法
库兹韦尔：科技每年为人类加一岁寿命，2032 实现倒流
施密特：AI 今年会获得永久记忆，2028 美国耗尽能源储备
IBM：现代语言是为人类设计的，AI 需要汇编这种原生语言
年度盘点：99% 不懂 AI 的人和剩下 1 % 产生了鸿沟
奥特曼：很快搞定核聚变，第一批智能体在今年开始劳动
黄仁勋：英伟达引领机器人行业革命，未来人人都能有超算
罗素：AGI 让地球上所有人达到西方中产阶级的生活水平
马斯克：三年造 50 万机器人，让金钱彻底失去意义
扎克伯格：今年 AI 将能替代中级工程师
（文：AI科技大本营）