1️⃣DeepSeek无问西东！先行者早已趟平全国产之路

量子位｜阅读原文

DeepSeek太过火爆，整个国产AI产业都调动起来了！春节没过完，就已迅速适配多个国产芯片，并在各大云平台上线，好生热闹~

这一系列动向主要聚焦于以下三个方面：

• 平台层：像华为云、阿里云、腾讯云等云厂商先后接入DeepSeek相关大模型服务，价格不变甚至有的更便宜、性能与官方相当，直接零门槛部署API开发各种应用。
• 算力层：一些国产算力玩家，像昇腾、壁仞等，他们联合生态玩家完成了与模型的适配，也纷纷上线了DeepSeek R1模型服务。
• 应用层：AI应用厂商、手机助手也在接入和部署国产模型。像我们更日常的手机端，华为小艺助手已接入DeepSeek，只需升级至原生鸿蒙系统就可以体验。

除了模型本身的技术优势，还有一个关键因素，是应对国际算力供应链的不确定性，面对来自国际的压力，实现大模型自主可控愈发紧迫起来。

2️⃣70年AI研究得出了《苦涩的教训》：为什么说AI创业也在重复其中的错误？

机器之心｜阅读原文

人人都在做垂直 AI 产品，为什么要反其道而行？Scaling Laws 是否失灵，这个话题从 2024 年年尾一直讨论至今，也没有定论。

Ilya Sutskever 在 NeurIPS 会上直言：大模型预训练这条路可能已经走到头了。上周的 CES 2025，黄仁勋有提到，在英伟达看来，Scaling Laws 仍在继续，所有新 RTX 显卡都在遵循三个新的扩展维度：预训练、后训练和测试时间（推理），提供了更佳的实时视觉效果。

研究人员曾一次又一次试图通过精巧的工程设计来提升性能，但最终都败给了简单粗暴的「加大算力」方案。而今天，AI 产品的开发者们，似乎正在重走这条老路。

核心内容已经总结好了：

• 历史证明，通用方法总是在 AI 领域胜出；
• 当下 AI 应用领域的创业者正在重蹈 AI 研究者过去的覆辙；
• 更强大的 AI 模型将催生通用型 AI 应用，同时也会削弱 AI 模型「套壳」软件的附加价值。

3️⃣SemiAnalysis万字解析DeepSeek：训练成本、技术创新点、以及对封闭模型的影响

Founder Park｜阅读原文

这可能是迄今为止海外对 DeepSeek 最全面的一份分析报告，来自知名半导体研究机构 Semianalysis。从 DeepSeek 让训练成本大幅降低的 MLA 模式，R1 和 o1 等模型的性能对比，人均年薪千万的顶尖人才，还指出目前 DeepSeek 的成本估算是错误的，推测其拥有大约 5 万块Hopper GPU……关于 DeepSeek目前很多甚嚣尘上的传言，这篇文章依据现有信息给出了更客观的论述。

一些关键点：

• 推测 DeepSeek 大约有5万块 Hopper GPU，在 GPU 上的投资总额超过 5 亿美元
• 广为讨论的 600 万美元成本仅指预训练过程中 GPU 的花费，这只是模型总成本的一部分。
• DeepSeek 团队目前约 150 人，从北大浙大等中国高校招聘人才，年薪可达千万。
• 大多数架构上的成就都与 V3 相关，而 V3 也是 R1 的基础模型。
• 多头潜在注意力（MLA） 是 DeepSeek 大幅降低推理成本的关键创新，将每次查询所需的 KV 缓存减少了约 93.3%
• 在推理性能上 R1 与 o1 不相上下，而 o3 的能力明显高于 R1 和 o1。
• R1 并未削弱 o1 在技术上的优势，反而以更低的成本提供了相似的能力。

对此，你怎么看？

详情查看参与互动赢蚂蚁周边

---

支付宝开放平台-开发者社区

 「AGI 之路」 内容库

欢迎你的投稿！戳我进群

---

支付宝/钉钉扫码加入支付宝开发者钉组织，可了解支付宝开放能力最新动态，订阅文档更新消息，和同城同行业交流业务，与支付宝产研沟通交流。