熱議：為什麼DeepSeek出來後，國產其他大模型的集體失聲了，以前都號稱很強的？

MLNLP

社群是國內外知名的機器學習與自然語言處理社群，受眾覆蓋國內外NLP碩博生、高校老師以及企業研究人員。

社群的願景是促進國內外自然語言處理，機器學習學術界、產業界和廣大愛好者之間的交流和進步，特別是初學者同學們的進步。

來源 | 機器學習初學者

中國AI大模型的江湖，向來不缺“自吹自擂”的戲碼。從引數規模到融資額度，從對標GPT-4到“顛覆行業”，各家廠商的豪言壯語幾乎成了行業標配。然而，當DeepSeek在2025年橫空出世後，曾經的喧囂卻戛然而止——那些高調宣稱“技術領先”的玩家們，要麼沉默不語，要麼匆忙轉向，彷彿一夜之間被抽走了底氣。這背後，是一場技術與商業邏輯的終極審判：當技術革命撕開營銷泡沫，偽強者終將現形。

一、技術碾壓：從“引數崇拜”到“效率革命”，降維打擊的冷酷現實

中國大模型賽道曾深陷“引數內卷”的泥潭。動輒萬億引數的宣傳，配合“算力軍備競賽”的敘事，成了廠商們彰顯實力的核心話術。然而，DeepSeek的崛起卻直接掀翻了這張牌桌：它將引數規模削減至原有1/10，卻憑藉強化學習（RL）與模型蒸餾技術，在數學推理、程式碼生成等核心任務上力壓GPT-4o，甚至以超低成本實現效能突破。這種“以小博大”的技術路徑，徹底顛覆了“模型越大越強”的行業共識。

更致命的是，DeepSeek的極簡獎勵設計（僅依賴答案正確性和格式規範）與GRPO演算法，將算力消耗降低30%以上，同時擺脫了對標註資料的依賴。這意味著，傳統廠商引以為傲的“資料壁壘”和“算力霸權”被直接瓦解。當對手還在燒錢堆砌硬體時，DeepSeek已用技術實現了“四兩撥千斤”——這不是競爭，而是技術代差下的單方面碾壓。

二、成本屠夫：燒錢遊戲的終結者，商業邏輯的重構者

中國AI行業長期存在一個畸形現象：用資本泡沫掩蓋技術短板。無論是月之暗面旗下Kimi的瘋狂投流，還是某些廠商依賴政府補貼維持的“假性繁榮”，本質都是“燒錢換市場”的投機策略。然而，DeepSeek的橫空出世，直接戳破了這一泡沫。其訓練成本僅為行業平均水平的1/5，卻透過開原始碼和超低價API開放能力，將大模型從“奢侈品”變成了“日用品”。

這種“成本殺手”的特質，讓依賴高客單價專案的廠商瞬間陷入絕境。例如，某頭部廠商曾以“千萬元級”標價兜售定製化模型，而DeepSeek的同類方案成本不足其1/10。更諷刺的是，當對手還在為“使用者留存率不足1%”焦頭爛額時，DeepSeek上線20天日活突破2000萬，使用者直言“只有DeepSeek卡頓時才用其他產品”。商業世界的殘酷在於：當價效比懸殊到一定程度，情懷和營銷都會淪為笑話。

三、生態顛覆：從“金字塔壟斷”到“開源平權”，舊秩序的崩塌

OpenAI等巨頭曾構建了一個“金字塔式”的AI生態：頂層掌控基礎模型，中層企業依賴API呼叫，底層開發者淪為附庸。這種結構的本質是技術壟斷與創新壓制——巨頭透過“黑箱化”模型維持霸權，中小玩家則陷入“資料空心化”困境。DeepSeek卻選擇了一條截然不同的道路：開源核心模型、開放API定製能力，將技術紅利普惠化。

這一舉措直接改寫了行業規則。大廠可以轉型為“模型超市”，提供垂直領域的小模型；中小廠商則能基於開原始碼快速開發專用工具，甚至憑藉行業Know-how實現“彎道超車”。例如，一家醫療影像公司只需用普通伺服器即可部署DeepSeek最佳化模型，成本驟降80%。當技術壁壘被打破，那些依賴“封閉生態”收租的廠商，自然失去了話語權。這不是競爭，而是生態邏輯的徹底重構。

四、使用者覺醒：從“營銷幻覺”到“用腳投票”，市場理性的迴歸

Kimi的案例堪稱行業縮影。其2024年的爆紅，完全依賴B站投流製造的“虛假繁榮”，而非技術突破。使用者最初被營銷噱頭吸引，卻在體驗後迅速流失——30天后留存率不足1%的慘淡資料，暴露了“重營銷、輕技術”路線的致命缺陷。而DeepSeek的爆發，恰恰證明了使用者並非盲目：當一款產品能以更低成本提供更優體驗時，市場會毫不猶豫地“用腳投票”。

更深遠的影響在於，DeepSeek重新定義了使用者預期。其數學推理97.3%的準確率、程式碼生成的高效性，讓使用者再也無法忍受其他模型的“平庸表現”。當技術差距變得肉眼可見，任何誇大宣傳都會淪為“自欺欺人”。市場的沉默，實則是使用者對劣質產品的集體唾棄。