DeepSeek的原罪在于打破了一个神话_新浪财经

　　来源：人机与认知实验室

　　最近，美国各大公司研究了DeepSeek的开源代码，先是惊讶、赞赏，接着OpenAI指控其“盗窃”知识产权，美政府开始调查其是否危害美国国家安全，最近使用大量的网络攻击使其瘫痪……是什么能使堂堂世界最强AI大国对一个区区一百多人的小公司下如此狠手呢？一时间众说纷纭、莫衷一是，究其因不外乎是DeepSeek动了人家的看家绝活——“AI巨蛋糕”吧？！

　　俗话说：“打人不打脸，骂人不揭短”，可惜DeepSeek既打脸又揭短，还颠覆了传统“大模型需要大算力”无可匹敌的美国主流地位，进一步挑战了“巨型数据集”作为人工智能成功的唯一途径的普遍认知，更重要的是打破了美国股市AI的神话。DeepSeek等创新技术的出现，提供了新的思路，证明了通过其他方式（如“小模型”或“高效算法”）也可以实现同样，甚至更好的效果。

　　打破“大模型”、美国股市的神话并不意味着彻底否定“大模型”的优势，而是让我们更加理性地看待不同模型的应用场景和优缺点。DeepSeek通过有效的创新，推动了AI在资源、效率、透明度等方面的多维发展，它不仅是对“大模型”神话的挑战，更是对人工智能领域技术多样化的推动。未来，我们或许会看到不同规模、不同策略的AI模型相互融合——在需要高复杂性、海量数据(16.320, -0.28, -1.69%)的任务中，依然会有“大模型”的存在，而在需要高效、透明、节能、低延迟的场景下，“小模型”和“高效算法”将发挥重要作用。

　　一、DeepSeek涉及的中文逻辑就是“人机环境系统”，即人琢磨小算法，机处理小算力，环境提供小数据，小数据+小算法+小算力=大智力、大智能、大智慧(8.820, -0.25, -2.76%)

　　人机环境系统可以理解为人类与机器、环境之间的协同互动，这种合作产生出大智力、大智能和大智慧。这个逻辑中的核心是通过“小算法”、“小算力”和“小数据”的结合，能够实现更大的智能效应。这一思想暗示了DeepSeek通过适当的小规模元素，能够产生出超出各自能力之和的效果。

　　小算法指的是相对简单、精确的算法，这些算法设计得足够高效和灵活，能够在资源受限的情况下有效运作。

　　小算力可能指的是计算能力较低的硬件（如华为昇腾910芯片），或在特定环境下的计算资源，如在边缘计算设备上，可以运行一些轻量级的计算任务，而不需要强大的数据中心支撑。

　　小数据，即相较于传统大数据，更小规模的数据集，这些数据依然能够提供有用的洞察力，并通过良好的算法处理得到精准的结果。

　　通过将这三者结合，可以实现一种智能效果：尽管单个组件的能力有限，但通过合适的搭配和配合，能够产生出强大的智慧和智能。这种方式不仅高效，还能在资源有限的情况下提供高效的智能服务。

　　二、人机环境系统智能作为人类智能的本质，可以从这个角度理解智能的形成。这个模型强调了人类智慧不仅仅来自于大规模的资源投入，而是通过精妙的小算法、小算力和小数据的结合，产生强大的智能效应。

　　1、人琢磨小算法

　　人类的大脑具有强大的创新和抽象思维能力。通过思考和设计小巧而高效的算法，能够解决复杂的问题。这种“简洁而高效”的思维方式是人类智能的一大特点。小算法并不意味着简单，而是指优化过、经过深思熟虑的算法，它们通常更能适应复杂的实际环境。

　　2、机处理小算力

　　机器可以承担大量的计算任务，但不一定需要强大的计算能力。随着技术的进步，机器可以在低功耗、低算力的条件下完成高效的任务，尤其是在边缘计算、物联网和分布式计算等领域，小算力设备已经能够进行有效的运算。这与人类的处理方式类似，我们往往可以通过有限的思考和经验做出快速反应，而不是依赖庞大的计算资源。

　　3、环境提供小数据

　　环境中的数据并不一定要庞大复杂才能产生智能，事实上，在很多情况下，小规模的数据反而更有用。关键是如何通过合理的算法从这些“小数据”中提取有价值的信息，洞察规律。许多智能应用，如深度学习和强化学习，已经在有限数据下展现出了令人惊叹的能力。

　　4、智能组合效应：小数据 + 小算法 + 小算力 = 大智力、大智能、大智慧

　　这个组合效应体现了协同作用，即使是看似不起眼的小元素，通过精心设计和合理组合，可以超越各自的局限性，创造出超出预期的大智慧，许多人工智能系统并不依赖庞大的数据集，而是通过小样本学习

　　或迁移学习等技术，在有限数据的基础上也能获得高水平的表现。许多智能家居设备通过低算力的芯片和简单的数据流，实现了自动调节、预测用户需求等功能。通过高效的小算法、传感器提供的小数据和实时的小算力，逐步构建起高精度的自动驾驶系统。现代智能手机通过小算力的处理器和精巧的算法，不仅能提供高效的计算，还能支持复杂的人工智能功能，如人脸识别、语音助手等。这种“简而精”的思路不仅在人工智能领域能得到应用，在自然界中的许多智能现象中也有类似的体现。比如人类的大脑虽然是由有限的神经元和连接构成，但却能产生出无穷的智慧。从这个角度看，智能的本质确实不在于资源的庞大，而在于如何巧妙地利用有限资源进行优化与整合。

　　三、美国大模型的逻辑是大数据+大算法+大算力=大智能

　　相比之下，美国大模型的逻辑往往强调“大数据 + 大算法 + 大算力 = 大智能”的框架，这也是现代人工智能特别是深度学习领域的主流思路之一。这个框架强调通过海量数据的积累，强大的算法设计以及巨大的计算能力，来驱动和实现更为复杂、更为强大的智能系统。

　　1、大数据

　　美国的人工智能研究常常依赖于海量的数据作为基础。无论是图像、文本还是其他类型的数据，越多的样本就能提供更丰富的特征和模式，帮助模型更好地学习和预测。大数据不仅是训练模型的源泉，还能揭示潜在的规律和趋势，推动智能技术的进步。大数据的另一个优势在于它的多样性，跨领域的数据可以被用来训练更加全面的智能系统，如结合自然语言处理、计算机视觉、语音识别等多种数据类型，形成跨领域的深度理解。

　　2、大算法

　　大模型往往伴随着复杂的算法，特别是深度学习算法。深度神经网络（DNN）、卷积神经网络（CNN）、循环神经网络（RNN）等算法，可以捕捉到数据中的复杂非线性关系。这些算法能通过反向传播等技术，自我优化和提高准确度。随着算法的不断创新，越来越多的前沿算法被提出，如变换器（Transformers）架构、强化学习等，它们让人工智能能够在更复杂的任务中表现出色，如GPT系列、大型视觉模型等，都依赖于复杂的算法设计来进行语言理解或视觉识别。

　　3、大算力

　　现代人工智能特别是深度学习的一个重要特点是它对算力的极大依赖。训练一个大型神经网络模型，尤其是像GPT这种大规模语言模型，需要极为强大的计算资源。高性能的图形处理单元（GPU）或张量处理单元（TPU）是支撑这一过程的核心硬件。为了支持这种大规模的训练，计算通常采用分布式系统，将大量的计算任务并行处理。这样可以大幅度缩短训练时间，提高效率。

　　美国大模型的优势在于，它能够通过大数据为模型提供丰富的学习材料，再通过大算法对这些数据进行有效的处理和模式挖掘，最终依靠大算力来完成大规模的计算任务。这种三者的结合能够让人工智能在许多领域展现出惊人的能力，从自然语言处理到图像识别，再到机器人(19.530, -0.34, -1.71%)控制等。不过，这种“大智能”模式也带来了一些挑战，比如资源消耗，需要巨大的计算资源，这对企业或国家来说可能形成门槛。大数据的应用可能面临用户隐私泄露的风险。可持续性，巨大的算力需求带来了环境和能耗的挑战，如何平衡这些也是一个值得关注的问题。

　　相比于美国的大模型逻辑，“人机环境系统”模式强调通过小数据、小算法和小算力也能产生大智能，提倡的是高效和精确的计算方式，更加注重资源的优化利用。这两种模型代表了人工智能的不同发展方向——一个侧重于大规模和大资源的优势，另一个则关注如何在有限资源下实现最大效益。

　　四、中文逻辑的“小”智能打破了人工智能大模型的神话

　　中文逻辑中的“小”智能，或者说是“小数据、小算法、小算力”的智能体系，逐渐在挑战并且突破了传统的“大模型”理论。大模型的核心思想是通过海量数据、复杂算法和强大算力来驱动人工智能，而“小”智能则更加注重高效、精简和灵活性，打破了“大模型”的神话，提出了更具可操作性和可持续性的新方向。

　　小智能不依赖于海量的数据，而是更多地依靠数据的精度和质量，追求高效的学习方式。例如，少量的标注数据加上精巧的算法设计，也能够训练出高效的模型。这种方式可以避免大数据背后的隐私和伦理问题，且数据的采集和存储成本较低。通过迁移学习等技术，智能系统能够在较少的数据下进行有效的学习。这种方式模仿人类的学习方式，能够通过已有知识迁移到新的任务中，减少数据依赖。相比于庞大的深度神经网络，小智能更倾向于使用轻量级模型，这些模型计算资源消耗少，适用于边缘设备和移动设备等场景。通过精简算法和减少网络层数，可以保证模型在保持一定准确性的同时，提升效率。

　　如量化、剪枝等技术，能够让大规模的神经网络模型变得更加高效，适应更低算力的设备和场景。小智能更加注重在低算力环境下的应用，如物联网设备、嵌入式系统等。在这些场景中，传统的大模型由于对算力要求过高，往往无法胜任。而“小”智能则依托边缘计算技术，能够在设备端进行处理，减少对云端计算资源的依赖，极大地降低了延迟和成本。数据在本地进行处理和决策，从而避免了大量数据上传到云端，这样不仅能节省带宽，还能减少隐私泄露的风险。“小”智能突破“大模型”神话的几个方面：

　　高效性与可持续性：大模型的训练需要大量的计算资源、能源和资金，而“小”智能在这方面则更加灵活和节能。这种“节俭型”的人工智能将更加可持续，尤其在全球关注环保和碳排放的背景下，这无疑是一个更为现实的方向。

　　本地化与应用场景的多样性：小智能更注重满足特定应用场景的需求，比如智能家居、医疗健康、自动驾驶等领域。相较于大模型需要通用性和广泛的适用性，小智能更能根据实际需求进行精准优化，应用更具针对性。

　　去除“黑箱”问题：大模型常常因为其复杂性和巨大的参数量，容易产生“黑箱效应”，即用户难以理解其决策过程。而“小”智能的模型通常较为简洁透明，其决策过程相对容易解释和理解，有助于提高系统的可解释性和信任度。

　　语音识别与处理：很多语音助手（如小米的小爱同学、百度的DuerOS）并不依赖于巨大的深度学习模型，而是通过轻量级的算法和精简的模型实现语音识别和自然语言处理。这些系统能够在移动设备或边缘设备上高效运行，不需要依赖云端的庞大计算资源。在许多智能硬件设备中（如智能门锁、智能摄像头等），往往采用的是轻量级的人工智能模型，这些设备能在本地快速处理数据，做出决策，而无需将数据上传至云端。

　　“小”智能并不否定大模型的价值，而是提出了一个更加灵活、高效且适应性强的路径。随着技术的进步，越来越多的应用场景和需求开始更倾向于“小”智能，因为它不仅能解决传统大模型无法应对的问题，还能在可持续性、效率和安全性方面表现出色。未来的人工智能很可能是大模型与小智能的结合体，即在特定领域使用高效小模型，在资源允许的情况下结合大模型的能力，从而实现技术的优势互补。

　　这次，DeepSeek既打脸又揭短，还颠覆了传统“大模型需要大算力”无可匹敌的美国主流地位，进一步挑战了“巨型数据集”作为人工智能成功的唯一途径的普遍认知，更重要的是打破了美国股市AI的神话。DeepSeek等创新技术的出现，提供了新的思路，证明了通过其他方式（如“小模型”或“高效算法”）也可以实现同样，甚至更好的效果。