为什么要学习 DeekSeek

李继刚老师在一次分享中提出了关于人与 AI 认知的“乔哈里窗”模型，将人和 AI 的认知分为四个象限。这个模型非常有启发性，它将人脑中的“认知宇宙”与 AI 中的“认知宇宙”进行对比，指出两者逻辑可能相同也可能不同，关键在于找到连接这两个宇宙的“钥匙”。具体来说：

• 人知道且 AI 知道：在这个象限中，人和 AI 都对某个问题有清晰的认知，交流时无需过多提示，直接沟通即可。
• 人知道但 AI 不知道：此时需要通过详细的提示和框架指导 AI，这通常是大模型应用开发中开发者需要做的工作，涉及提示工程和 RAG。
• AI 知道但人不知道：需要通过提问 AI 来获取知识。
• 人和 AI 都不知道：这种情况下需要共同探索。

随着像 DeepSeek 和 OpenAI 的 O3 这样强大的推理模型出现，AI 的认知边界发生了变化。AI 知道的内容更多，使得与 AI 交流时，人们无需过多展开问题，交流变得更加简单。这降低了提示工程和 RAG 的门槛，是大模型发展带来的直接好处。然而，这种技术进步也引发了关于人类认知边界变化的思考。如果大模型变得越来越强大，人类的认知边界可能会有两种走向：一种是依赖 AI，导致认知范围缩小；另一种是与 AI 共同进化，使认知边界得到拓展。这种分化可能使未来只有 20% 的人选择进化，而 80% 的人可能会退化。

DeepSeek 的出现为人们提供了强大的工具。从使用者角度看，DeepSeek 的部署和调用相对简单。其开源生态使得开发者可以快速构建 RAG 框架。例如，通过工具如 Cursor，开发者可以一边编码一边调试，大大缩短了开发时间。DeepSeek 的文档也非常详尽，从 DeepSeek LLM 到 DeepSeek Math，再到 V3 R1，用户可以通过研究其开源论文来深入了解。关于 DeepSeek R1 和 V3 的区别，R1 版本通过将人类偏好融入训练过程，进化为更安全、更有效、更可靠的人工智能助手。而 V3 版本对 MoE 框架进行了创新，包含细粒度多数量的专业专家和更通用的共享专家。

DeekSeek 有哪些核心创新

DeepSeek 的核心创新可以从其研究历程和关键成果中得到清晰的体现。从 2024 年 1 月发布第一版论文开始，DeepSeek 就展现出强烈的长期主义倾向，其目标是通过持续的研究和开发逐步攻克一系列技术难题。这种长期规划和逐步推进的策略使得 DeepSeek 在短短一年内取得了显著的进展，并最终在 2025 年 1 月完成其 r1 版本，实现了最初设定的目标。DeepSeek 的创新主要体现在以下几个方面。

1、长期主义与开源理念

DeepSeek 从一开始就强调长期主义和开源。其第一篇论文《DeepSeek LLM：通过长期主义扩展开源语言模型》明确了这一理念。与 OpenAI 的封闭开发模式不同，DeepSeek 选择开源其研究成果，让其他研究者和开发者能够直接利用其成果，避免重复劳动。这种开源策略不仅加速了技术的传播，也为 DeepSeek 赢得了广泛的社区支持和合作机会。

2、 混合专家语言模型（MoE）

DeepSeek 在 2024 年 5 月发布了基于混合专家系统（MoE）的语言模型 V2，这是其技术创新的重要一步。MoE 架构通过将多个领域专家模型组合在一起，并通过门控网络动态分配查询请求，使得模型能够更高效地处理多样化的任务。这种架构不仅提升了模型的性能，还降低了资源消耗，使得 DeepSeek 在硬件资源有限的情况下也能实现高性能表现。

3、 推理能力的强化

DeepSeek 的推理能力是其核心竞争力之一。从 2024 年 2 月开始，DeepSeek 就专注于提升模型的推理能力，尤其是通过代码和数学问题的训练。代码和数学问题的解决需要复杂的逻辑推理和逐步思考，这使得模型能够学习到更深层次的思维模式。相比之下，普通的问答任务往往缺乏推理细节。DeepSeek 通过这种方式训练模型，使其在处理复杂问题时表现出色，其 r1 版本的推理能力甚至超过了 V3 版本。

4、 高性价比的软硬件协同设计

在资源有限的情况下，DeepSeek 探索了高性价比的软硬件协同设计。这意味着 DeepSeek 不仅在算法上进行了优化，还在硬件适配和资源管理上进行了创新。这种策略使得 DeepSeek 能够在没有像 OpenAI 那样庞大硬件资源的情况下，依然能够实现高效运行和快速迭代。

5、 持续的技术演进与生态建设

从 2024 年 1 月到 2025 年 1 月，DeepSeek 通过一系列论文和版本迭代，逐步完善了其技术体系。每一步的研究成果都为后续的开发奠定了基础，最终形成了一个强大的技术生态。例如，DeepSeek Coder 在 2024 年初就已经展现出强大的代码生成能力，比其他同类工具提前了约 9 个月。这种前瞻性使得 DeepSeek 在技术竞争中占据了优势。

DeepSeek 的技术成果并非一蹴而就，而是通过持续的研究和优化逐步积累而成。其 r1 版本的推出标志着 DeepSeek 在技术上的成熟，其背后是深厚的技术积淀和长期的规划。这种长期主义和技术积累使得 DeepSeek 在 AI 领域脱颖而出，成为值得关注的研究方向。

DeepSeek 的开发始于对“规模法则”（Scaling Law）的研究。规模法则描述了模型大小、数据量和计算资源之间的关系，以及这些因素如何影响模型性能。DeepSeek 团队通过大量实验，分析了不同参数配置下的模型能力，试图回答“多大的模型能在特定数据集上达到何种性能水平”这一问题。这一研究为 DeepSeek 模型的训练提供了理论基础，并指导其在代码、数学和推理领域的优化。例如，DeepSeek 在 67B 模型大小时，性能超过了 LLAMA2 的 70B 模型，尤其是在代码和数学推理方面表现出色。

为何是强化学习？

为什么需要强化学习来训练大模型？在实验室中，我们经常搭建基于 Transformer 架构的模型，但这些模型的能力往往非常有限，无法像人类一样进行推理和聊天。那么，从基础模型到具备高级推理能力的模型，最关键的跃迁发生在哪个环节呢？答案是强化学习。

强化学习提供了一种基于反馈驱动的方法，通过反馈让大模型能够自主地、自驱地进行目标驱动的优化。这就是为什么很多人说 r1 模型的训练过程像是“左脚踩右脚”一样不断提升的原因。强化学习的核心在于：

• 自我检查与改进推理质量：强化学习帮助模型更擅长自我检查，并改进推理质量。人类思维中最重要的推理过程，很大程度上是在强化学习的最后一步中诞生的。
• 优化长远推理过程：强化学习鼓励模型学会从长远角度优化推理过程。例如，人类在面对复杂问题时，往往需要逐步推理，而不是简单地快速回答。大模型也需要学会这种“慢思考”，通过逐步推理来提高准确性和可靠性。

DeepSeek 的创新与混合专家模型（MoE）

DeepSeek 在 2024 年 2 月就意识到推理能力的重要性，并将其作为研究的核心方向。其成功的关键在于早期发现了推理的重要性，并在模型架构上进行了创新。

在 2024 年 1 月，DeepSeek 发表了一篇论文，提出了混合专家语言模型（MoE）的两个重要思想：更细粒度的专家分割和共享专家的隔离。MoE 架构的核心是将模型划分为多个“专家”，每个专家负责处理特定的任务。这种架构早在 1991 年就已提出，但在深度学习时代得到了新的发展。

DeepSeek MOE 架构的核心是将输入的 token 通过一个路由器（Router）分配给多个专家网络。这些专家网络并不是单层结构，而是由多层组成，每一层都包含多个专家。例如，早期的 Misture 模型可能每层有 7 个专家，而 DeepSeek MOE 已经扩展到每层有 200 多个专家。这种架构通过稀疏激活机制，使得每个 token 只激活一小部分专家，而不是整个网络，从而显著降低了计算负担。

DeepSeek MOE 的训练机制与 Transformer 架构类似，通过不断的训练优化，模型能够自动学习如何将不同的 token 分配给合适的专家。这种动态分配能力是通过门控网络（Gating Network）实现的，它可以根据输入 token 的特征，决定哪些专家参与计算。这种设计不仅提高了计算效率，还增强了模型对不同输入的适应性。

MLA（Multi-Head Latent Attention，多头潜在注意力）

MLA 是一种技术，旨在通过优化模型的推理效率和性能，同时保持较低的内存占用。具体来说，MLA 利用 KV Cache（键值缓存）来优化推理过程。它将 KV Cache 中的数据压缩成低维的潜在向量，这些向量占用的资源较少。在需要时，系统会动态重构键值矩阵，从而减少内存占用，优化推理过程。这种技术特别适用于资源有限的场景，例如没有大量 GPU 资源的公司或研究机构。MLA 的核心价值在于，它能够在资源受限的情况下，帮助完成与资源充足条件下相同水平的任务。相比之下，像 OpenAI 这样的公司由于拥有大量计算资源，可能不需要这种优化技术。

未来展望

随着技术的不断进步，RAG 和 DeepSeek 的未来充满无限可能。从感知智能到认知智能，从语言智能到具身智能，AI 的发展正在不断拓展其应用边界。未来，我们可能会看到更多机器人和智能系统的出现，这些系统将具备更强的自主学习和决策能力。

DeepSeek 在资源有限的情况下，通过非凡的创造力和准确的判断力，创造了令人瞩目的成就。这不仅展示了中国在 AI 领域的强大实力，也为全球 AI 的发展提供了宝贵的经验和启示。未来，我们有理由相信，DeepSeek 和 RAG 将继续引领 AI 技术的发展，为人类带来更多的可能性。

我的DeepSeek部署资料已打包好（自取↓）
https://pan.quark.cn/s/7e0fa45596e4

但如果你想知道这个工具为什么能“听懂人话”、写出代码 甚至预测市场趋势——答案就藏在大模型技术里！

❗️为什么你必须了解大模型？

1️⃣ 薪资爆炸：应届大模型工程师年薪40万起步，懂“Prompt调教”的带货主播收入翻3倍

2️⃣ 行业重构：金融、医疗、教育正在被AI重塑，不用大模型的公司3年内必淘汰

3️⃣ 零门槛上车：90%的进阶技巧不需写代码！会说话就能指挥AI

（附深度求索BOSS招聘信息）

⚠️警惕：当同事用DeepSeek 3小时干完你3天的工作时，淘汰倒计时就开始了。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？老师啊，我自学没有方向怎么办？老师，这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！当然这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈

我们这套资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！