Det verkliga värdet av DeepSeek är underskattat!
DeepSeek-R1 har utan tvekan fört en ny våg av entusiasm till marknaden. Inte nog med att de relevanta så kallade förmånstagarmålen ökar kraftigt, utan vissa människor har till och med utvecklat DeepSeek-relaterade kurser och mjukvara i ett försök att tjäna pengar på det.
Vi tror att även om dessa fenomen har ett visst kaotiskt inslag, och vi måste vara medvetna om riskerna, är det obestridligt att de speglar allmänhetens nyfikenhet och entusiasm för DeepSeek.
Tidigare analyserade jag betydelsen av uppkomsten av DeepSeek-R1, men idag skulle jag vilja diskutera på djupet den verkliga möjligheten bakom det, som är att främja populariseringen och välståndet för AI-applikationer. På den strategiska nivån har jag alltid betonat att kontinuerliga investeringar för att förbättra prestanda är avgörande.
När tekniken har nått ett visst utvecklingsstadium bör prestandajustering och energieffektivitet stå i fokus för att sänka kostnaderna och förbättra konkurrenskraften. DeepSeek har orsakat sådan uppståndelse eftersom den har tränat en DeepSeek-R1 modell med prestanda jämförbar med OpenAI o1-modellen till en kostnad som är mycket lägre än den för amerikanska AI-jättar som OpenAI, Meta och Anthropic. Detta har visat alla möjligheten att Kinas teknikindustri kan bryta igenom USA:s inneslutning.
Dessutom trodde många experter för en tid sedan att skalningslagen var på väg att misslyckas. I takt med att storleken på AI-modeller ökar kommer det att bli svårare och svårare att få fram högkvalitativ data, och marginaleffekten av prestandaförbättring kommer gradvis att försvagas.
Dessutom kommer den kraftiga ökningen av efterfrågan på datorkraft för stora AI-modeller också att medföra allvarlig energiförbrukning och miljöproblem. Detta får folk att känna att DeepSeek:s tillvägagångssätt har stort hopp om att nå toppen av stora AI-modeller.
Men jag håller fortfarande med Huang Renxuns uppfattning att skalningslagen fortfarande är giltig. Att öka investeringarna i kapital och datorkraft kan fortfarande kontinuerligt förbättra modellens prestanda, och taket för denna typ av förbättring är definitivt mycket högre än prestandajustering och energieffektivitet. Med andra ord, när vi har optimerat alla detaljer som kan optimeras, och sedan vill förbättra prestandan ytterligare, kan vi bara lita på att öka investeringarna.
Därför, i det långa loppet, kanske enbart förlita sig på prestandajustering kanske inte kan hänga med konkurrenter som fortsätter att ösa pengar på att förbättra prestanda.
Därför tror jag att vi fortfarande måste ta en kallsinnig titt på DeepSeeks banbrytande konkurrenskraft. Men å andra sidan kan det faktiska värdet på DeepSeek ha underskattats.
Ledande AI-företag som OpenAI har investerat mycket resurser i utbildning och optimering av modeller, men har inte löst problemet med applikationer och utvecklat applikationsmarknaden för att stödja utvecklingen av dessa modeller.
Höga driftskostnader, komplexa datorprocesser och datasäkerhets- och integritetsfrågor har resulterat i en kontinuerlig hög efterfrågan på finansiering, vilket också begränsar den fortsatta expansionen och tillämpningen av dessa företag inom AI-området.
Kan DeepSeek lösa detta problem? Detta kräver a noggrann insikt i den känsliga balansen mellan öppen källkod och sluten källkod, prestandaförbättring och marknadsapplikation.
Å ena sidan skiljer sig DeepSeek:s tillvägagångssätt med öppen källkod från andra modeller.
I traditionell mening betyder öppen källkod att koden är helt öppen, och vem som helst kan fritt använda, modifiera och distribuera den, medan utvecklaren av öppen källkod inte kan tjäna på det. Men inom AI-området handlar öppen källkod inte bara om att öppna upp koden, utan ännu viktigare, om modellträning och optimering.
DeepSeek gör modellstrukturen offentlig och tillhandahåller modeller med öppen källkod som är fullt utbildade och optimerade, vilket inte bara sänker tröskeln för användarna, utan också säkerställer modellens prestanda. Samtidigt samlar DeepSeek också kontinuerligt in användarfeedback och data via onlinetjänster för att kontinuerligt optimera modellens prestanda.
I framtiden kan det till och med vara möjligt att justera modellparametrar i realtid baserat på användaranvändning, och därigenom ge effektivare och personligare tjänster.
I framtiden, i likhet med Meta, kommer DeepSeek:s strategi för öppen källkod också att locka utvecklare och forskare från hela världen att delta och bilda ett större samarbetande ekosystem. Denna samarbetsmodell kommer i hög grad att främja innovation och tillämpning av AI-teknik. Samtidigt kommer DeepSeek också att få mer teknisk support och affärsmöjligheter från detta samarbete, vilket uppnår en win-win-situation.
Å andra sidan förväntas DeepSeek lösa problemet med inkludering i den nuvarande AI-ansökningsprocessen. För närvarande har många företag som använder AI-applikationer redan uppnått betydande intäkter, vilket visar att AI-tekniken redan är mogen nog.
Till exempel har Palantir, vars aktiekurs har skjutit i höjden den senaste tiden, i hög grad förbättrat sin operativa effektivitet och därmed sina vinstmarginaler genom att bygga en egen AI-plattform. Inte nog med att dess intäkter under fjärde kvartalet nådde 800 miljoner US-dollar, vilket vida överträffade marknadens förväntningar och chockerade många människor, utan antalet användare ökade också avsevärt med 43%.
Dessa framgångar verkar dock fortfarande bara tillhöra stora mjukvaruföretag. När vi tittar på mindre företag och privatpersoner är möjligheterna för entreprenörer och startups fortfarande begränsade.
Framväxten av DeepSeek har brutit detta dödläge. Genom innovativ arkitektur och utbildningsmetoder har DeepSeek framgångsrikt minskat kostnaderna för att utveckla och använda AI-modeller, vilket gör det möjligt för fler att prova och använda AI-teknik. Detta tillvägagångssätt kommer inte bara att främja populariseringen av AI-teknik, utan också hjälpa till att upptäcka nya applikationsscenarier och behov.
Många företag har redan utvecklat lågkostnadsapplikationer med DeepSeek:s modeller med öppen källkod, vilket ytterligare bevisar genomförbarheten och det kommersiella värdet av DeepSeek-modellen. Fler nya upptäckter eller applikationer kan fortsätta att dyka upp när DeepSeek utvecklas, medan modellen med öppen källkod tillåter fler användare att implementera lokal distribution, vilket ytterligare tar itu med frågan om datasäkerhet.
I framtiden, med framväxten av billiga, högpresterande AI-lösningar, kommer fler och fler människor att börja använda AI-teknik, och nya behov och applikationsscenarier kommer att fortsätta att dyka upp, vilket främjar utvecklingen av hela AI-branschen.Oavsett om det är AI-agenten eller jämnt mer avlägsen framtid kommer utvecklingen av AI aldrig att sluta.
Sammanfattningsvis kommer DeepSeek att hjälpa till att främja uppkomsten av några nya trender i den nuvarande AI-industrin, det vill säga utvecklingen av allmänt brukade tekniker har mognat, och utvecklingen av stödjande tekniker och tillämpningen och kommersialiseringen av teknologier kommer att bli ännu viktigare.
I framtiden, med utvecklingen av multimodala teknologier och den kontinuerliga expansionen av applikationsscenarier, kommer AI-tekniken att spela en viktig roll inom fler områden, och den kommer också att ge fler utvecklingsmöjligheter och utrymme för framväxande AI-företag som DeepSeek.
