> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-er-bu-fen-he-xin-ji-shu-jie-xi/08_new_architectures/8.5_deepseek_story.md).

# 8.5 DeepSeek 是什么：从小创业到 AI 独角兽

> 理解一个 AI 公司如何在不到 5 年内从无到有，挑战全球巨头

## 8.5.1 DeepSeek 的三个版本

要理解 DeepSeek，需要知道它不是一个“模型”，而是一个“产品系列”。

```
DeepSeek的演化：

DeepSeek V1（2023年底）
└─ 开源模型，初次亮相
└─ 性能：不错，但不突出

DeepSeek V2（2024年中）
└─ 升级版本
└─ MLA架构首次亮相
└─ 开始被关注

DeepSeek V3（2024-12）
└─ 最新基础版本，也是最强基础模型
└─ 多个新创新
└─ 官方报告中在多项基准与GPT-4 Turbo相当
└─ 一次代表性训练运行显示成本相对低廉

DeepSeek-R1（2025年01月20日）
└─ 推理模型版本
└─ 官方报告称在推理任务上与o1竞争
└─ 开源权重与托管API成本相对低廉
```

## 8.5.2 为什么叫“DeepSeek”？

名字的含义：

* **Deep**：深入思考和研究
* **Seek**：探求真理和最优方案

公司的理念就体现在名字里：不是最快推出产品，而是最深入地理解问题。

## 8.5.3 DeepSeek 公司的背景

### 创始人和融资

```
创始人：梁文锋
背景：
├─ DeepSeek 创始人兼 CEO
├─ 也是量化机构 High-Flyer 的联合创始人之一
├─ 公司早期发展与 High-Flyer 的团队和算力积累密切相关
└─ 以低成本高性能模型路线受到行业关注

融资历程：
└─ 公开资料未见清晰的种子轮 / A 轮融资披露
└─ 早期发展更常被描述为依托既有团队与资源积累
└─ 外部融资细节并非其公开叙事重点

总融资：公开口径有限，不宜与 OpenAI 直接按融资轮次类比
但足以支持AI研究
```

### 公司规模和位置

```
公司规模：
├─ 员工数：数百人（对比OpenAI的千人规模）
├─ 研究团队：专业的深度学习团队
└─ 工程团队：高效的实现和优化

位置：中国（杭州）
└─ 访问中国的算力资源
└─ 但也面临出口管制的挑战
└─ 创新性地在这些约束下工作
```

## 8.5.4 DeepSeek 的战略选择

### 选择 1：开源而非闭源

```
这是关键的战略决定：

闭源的好处：
├─ 可以完全控制产品
├─ 可以通过API收费
└─ 不担心竞争对手直接复制

开源的好处：
├─ 获得社区的信任和支持
├─ 加快创新（社区贡献）
├─ 建立品牌和影响力
├─ 长期的商业机会（企业版、咨询）
└─ 对抗"AI垄断"的叙事

DeepSeek的选择：
开放核心权重路线，同时保留官方托管 API。

这意味着：
- 研究者和开发者可以下载公开发布的模型或 Distill 版本做本地部署与二次开发
- 普通用户和企业也可以直接使用官方托管 API
- "是否免费"取决于你选择的是本地自部署，还是官方/第三方托管服务

为什么这很勇敢？
└─ 意味着无法通过模型本身直接获利
└─ 意味着竞争对手可以直接使用你的研究
└─ 意味着相信长期价值而不是短期收入
```

### 选择 2：专注于效率而非规模

```
大多数AI公司的策略：
更大的模型 = 更好的性能
不断增加参数和数据

DeepSeek的策略：
相同性能下，最小化成本和资源

这导致了一系列的架构创新：
├─ MLA（多头潜在注意力）
├─ MoE（专家混合）
├─ 高效的训练流程
└─ 智能的数据选择
```

### 选择 3：推理与基础模型并行

```
大多数公司：
先做基础模型（如GPT-4）
然后才考虑推理模型（如o1）

DeepSeek的速度：
V3和R1几乎同时推出
意味着：
├─ 强大的研究能力
├─ 快速的迭代周期
├─ 对推理问题的早期关注
```

## 8.5.5 DeepSeek 的成功指标

### 性能对标

```
更稳妥的结论应该是：

- DeepSeek 在官方技术报告披露的多项评测中进入了第一梯队
- 它在若干数学、代码和综合推理任务上，已经足以与当时的主流闭源强模型正面对比
- 但跨厂商横向分数很容易受到评测版本、采样设置、提示词和披露口径影响

因此，对入门读者来说，最重要的不是死记某个百分比，
而是理解：DeepSeek 证明了"高性能 + 高效率"可以在一次代表性训练运行中同时成立。
```

### 用户采纳

```
DeepSeek的关注度增长非常快：

- 技术社区对其论文、开放权重和推理能力高度关注
- 社交媒体与开发者社区的讨论在短期内迅速升温
- 但若没有统一、可核对的官方口径，不宜把月度用户增长曲线写成精确数字
```

## 8.5.6 DeepSeek 与中国 AI 生态的关系

### 中国 AI 的现状

```
中国的AI模型：
├─ 通义千问（阿里）：商用为主
├─ 文心一言（百度）：商用为主
├─ Kimi（月之暗面）：注重长上下文
└─ DeepSeek：注重开源和效率

DeepSeek的独特点：
└─ 采取更开放的权重与生态路线，国际导向明显
└─ 强调技术创新而非商业优先
└─ 获得国际研究社区的高度关注

这改变了国际社会对"中国AI"的认知：
从"本地化的模仿"
到"技术创新的领导者"
```

### 地缘政治的考量

```
DeepSeek面临的挑战：

芯片限制：
├─ 美国对中国实施芯片出口管制
├─ 限制高端GPU的使用
└─ DeepSeek必须在这些约束下创新

但DeepSeek的成功表明：
├─ 算法创新可以弥补硬件限制
├─ 高效的设计可以用更少资源做更多事
└─ 这对全球AI产业有深远影响
```

## 8.5.7 DeepSeek 的商业模式

### 如何盈利（虽然开源）？

```
短期收入：
├─ API服务（DeepSeek API）
│  └─ 在不少场景下价格明显低于头部闭源推理服务，但应以当期官方价格页为准
├─ 企业付费版本
│  └─ 高级支持、定制化、部署协助
└─ 研究和咨询

长期价值：
├─ 品牌和影响力
│  └─ 成为全球AI研究的参考
├─ 人才吸引
│  └─ 顶级研究人员想为这样的公司工作
├─ 技术积累
│  └─ 建立长期的技术领导地位
└─ 生态建设
   └─ 在开源模型上构建的整个生态
```

### 为什么这个模式可行？

```
与传统软件的对比：

传统模式：
├─ 开发私有软件
├─ 收费给用户
└─ 利润高但用户有限

开源模式：
├─ 开发开源软件
├─ 通过服务赚钱（支持、云托管、企业版）
└─ 利润可能更高（因为用户基数大）

例子：
└─ Linux：完全开源，但红帽靠支持赚数十亿
└─ Python：完全开源，但相关服务价值巨大
└─ DeepSeek：更接近"开放权重 + 托管服务 + 生态扩展"的组合路线

关键：制造极好的产品，然后围绕它提供价值
```

## 8.5.8 本节小结

DeepSeek 的成功不是侥幸，而是战略和执行的结果：

* **战略选择**：开源、注重效率而非规模
* **技术创新**：MLA、MoE 等突破性架构
* **快速迭代**：从 V1 到 R1 的快速发展
* **国际视野**：面向全球，而非仅国内市场

这开启了 AI 产业的新可能：

* 除了超大融资和闭源规模路线，也可以通过架构效率、工程优化和开放生态进入第一梯队
* 开源和闭源不必对立，可以共存
* 效率和创新可能比规模更重要

DeepSeek 证明了 AI 产业还有更多的玩法。

## 8.5.9 思考题

1. 为什么 DeepSeek 敢于完全开源？有什么长期风险吗？
2. 如果 DeepSeek 的模型可以本地运行（不需要云），这对 OpenAI 的商业模式意味着什么？
3. DeepSeek 的成功是否意味着“大公司的 AI 优势”消失了？