本文整理自 InfoQ 策劃的 DeepSeek 系列直播第 10 期節目。在直播中，極客邦科技創始人 &CEO 霍太穩對話騰訊雲開發者 AI 產品首席架構師林強，解讀了 DeepSeek 成功背後的市場影響、技術優勢與創新，以及 AI 將改變什麼，我們又該如何為 AI 時代的到來做好準備。
林強認為，AI 始終會作為一種工具存在，主要服務於提高效率和便利性，原創性和創造性的東西仍然會來自人類。但 AI 的能力可能會導致人與人之間的分化，未來智力崗位會越來越多，整體社會的智力水平也會被抬高。
下文為直播部分內容精選，完整直播回放 & 最新直播預約可關注“AI 前線影片號”檢視
以下為林強的分享實錄部分（經編輯）：
DeepSeek 在國內的熱度非常高，甚至街邊的大爺和樓下的保安都在找我幫忙安裝，但其實早在一年多前，ChatGPT 在美國就已經火到這種程度了。國內沒有達到這種熱度，主要是因為訪問受限，介面是英文的，以及國內模型在預訓練和超級對齊方面做得不夠好。超級對齊是讓模型像人一樣運用知識，而不是僅僅記住知識。以前的模型雖然知識儲備豐富，但不會運用，所以給人的感覺並不智慧。
DeepSeek 的的成功可以歸結為天時、地利、人和。技術方面，DeepSeek 確實非常出色，DeepSeek 一直堅持自己的技術理想，包括在國內很多人還沒搞懂 o1 的時候，科普了推理模型，並且效果炸裂。此外，很多大佬對 DeepSeek 的認可也起到了關鍵作用，他們不僅支援 DeepSeek 這家公司，更是看好整個領域的發展。
DeepSeek 在論文中提到的 500 萬美元訓練成本，雖然我們不確定是否準確，但它確實成為了傳播中的一個噱頭。如果在經濟低迷的時期，這種說法可能會受到很多理性聲音的反對，但在當前的中美關係背景下，它迅速傳播開來。從技術角度看，DeepSeek 極致地應用了強化學習，這在國內很少見。比如，國內的千問 2.5、騰訊開源的混元 MoE 等，大多采用預訓練加 SFT，很少強化學習。這種技術上的突破也為其傳播助力。傳播過程中，DeepSeek 的破圈效應非常關鍵。對於業內人來說，DeepSeek 只是國內在對齊技術上追趕美國的一個代表，但對普通使用者來說，它是一個從 0 到 1 的突破。對業內來說，很多人並不開發模型，但本地化部署讓很多人覺得可以自己嘗試。
為什麼是 CoT（Chain of Thought，思維鏈）引爆了這一波，而不是 Agent 呢？ 儘管 OpenAI 和矽谷在 DeepSeek 火起來之前一直強調 Agent 的重要性，甚至說今年是應用年，但為什麼最終是 CoT 火了呢？我們可以從一個具體的例子來看，這個例子非常極端，是一個標準的 CoT 測試題：
在地面上方垂直於太陽光的入射方向，放置一半徑 R=0.10m、焦距 f=0.50m 的薄凸透鏡，在薄透鏡下方的焦面上放置一黑色薄圓盤 (圓盤中心與透鏡焦點重合)，於是可以在黑色圓盤上形成太陽的像，已知黑色圓盤的半徑是太陽像的半徑的兩倍. 圓盤的導熱性極好, 圓盤與地面之間的距離較大, 設太陽向外輻射的能量遵從斯特藩一玻爾茲曼定律；在單位時間內在其單位表面積上向外輻射的能量為 W。T，式中 o 為斯特藩一玻爾茲曼常量，T 為輻射體表面的的絕對溫度，對太而言，取其溫度 t5.50X10’℃, 大氣對太陽能的吸收率為 a=0.40. 又設黑色圓盤對射到其上的太陽能全部吸收，同時圓盤也按斯特藻一玻爾茲曼定律向外輻射能量, 如果不考慮空氣的對流，也不考慮雜散光的影響，試問薄圓盤到達穩定狀態時可能達到的最高溫度為多少攝氏度?
對於普通人來說，這類題目包含很多概念和推導過程，解答起來非常痛苦。Agent 在處理這類問題時也面臨挑戰，因為如果沒有強大的推理能力，它很難完成複雜的推導。但 CoT 的出現改變了這一點。它透過思維鏈的方式，讓大模型能夠更好地組織知識並進行推理。
以前，大模型很難深入特定領域。領域專家的頭腦中已經固化了很多知識，可以直接運用而無需查閱資料。但大模型之前做不到這一點。CoT 的出現讓大模型能夠更好地組織和推理這些知識，從而在特定領域表現出色。此外，CoT 還與指令跟隨能力密切相關。以前，國內的大模型在執行任務時，比如為 200 行程式碼寫註釋，往往會在中途停止，無法完整完成任務。但 CoT 能力強的模型可以完整、認真地完成任務。這種能力對於實際應用非常重要，比如在開發中為程式碼寫註釋或進行邏輯抽象。
DeepSeek 的出現重新定義了 CoT，並在國內普及了這一概念。這種普及有兩層含義：一是 CoT 在國內出圈了，讓更多人瞭解和使用；二是國內的大模型也開始具備這種能力，比如騰訊在過年期間加班開發了 T1。這說明國內已經具備了與矽谷相媲美的技術能力，不再依賴 OpenAI 的壟斷。
DeepSeek 目前只有 V3 和 R1 兩個正式的產品模型，但最早引起關注的卻是幾個蒸餾模型。這背後其實有一個“正本清源”的問題。現在，很多政府機構甚至要求公務員至少安裝 DeepSeek APP。這股熱度在政府內部興起後，很多公安局等機構也紛紛跟進，但很多時候無法全面部署，於是開始嘗試從 74B 蒸餾出的 13B 等模型。
DeepSeek 的 V3 是一個預訓練模型，透過 80 萬條資料進行強化學習，最終得到了 R1 版本。這 80 萬條資料其實是非常少的。通常，我們自己做模型時，即使是 6B 或 7B 的模型，訓練資料量也至少是 80 萬的 100 倍甚至更多。但 DeepSeek 的 V3 只需要 80 萬條資料就能透過強化學習得到 R1，這才是它真正用心打磨的核心產品。這 80 萬條資料並不是簡單的資料量，而是經過精心篩選和最佳化的。DeepSeek 透過這種方式，證明了即使在資料量有限的情況下，也能讓模型具備強大的推理能力。“超級對齊”的能力一直是矽谷領先於國內的關鍵，甚至被視為一種技術壁壘。DeepSeek 只需要 80 萬條資料就能訓練出強大的模型，這讓矽谷和 OpenAI 都感到震驚。OpenAI 甚至專門發論文論證 DeepSeek 的方法是否真的有效，但最終結果表明，DeepSeek 確實透過 80 萬條資料訓練出了強大的模型。
開源也是 DeepSeek 火爆的核心原因之一。現在，你可以透過搜尋引擎找到很多關於 DeepSeek R1 的訓練過程和程式碼，甚至有人開始還原其訓練過程併發布相關資料集。
在 DeepSeek 的發展過程中，其訓練方式和推理能力的演變值得關注。最初，DeepSeek 透過少量的“冷啟動”資料進行預訓練，並嘗試進行 CoT 推理。然而，早期的推理非常簡短且效果有限。隨著時間的推移，模型的推理步數不斷增加，思維鏈的長度和深度也在逐步擴充套件。這種從簡短到長鏈的推理能力提升，類似於人類在思考複雜問題時的逐步深入。機器不會疲勞，可以持續最佳化推理能力，甚至在某些問題上超越人類的深度思考。DeepSeek 的這種能力不僅提升了模型的效能，還為使用者提供了學習思維方法的機會，幫助人們提升自身的思考能力。
從技術創新角度看，DeepSeek 的多項技術值得關注。例如，DeepSeek 是全球大力推廣 MoE（Mixture of Experts，多專家混合模型）技術的公司。儘管 Meta 等公司也在研究 MoE，但 DeepSeek 在這一領域的技術細節披露最多，對行業影響深遠。此外，DeepSeek 的多 Token 預測技術和 GRPO 技術也在強化學習領域具有重要意義。這些技術的發展不僅提升了模型效能，也為行業樹立了新的標杆。
2024 年是 AI 應用的元年，真正走向應用的核心在於商業化的邏輯。只有當 AI 應用的產出價值超過成本時，才能實現大規模的商業化落地。目前，大廠對 AI 的補貼使得開發者能夠以較低的成本接入 API，構建自己的應用。未來，隨著技術的成熟和成本的降低，AI 應用將更加普及，甚至可能像在手機、筆記型電腦上執行。開源的 DeepSeek 為小公司提供了自主開發類似產品的可能性，進一步推動了行業的創新和發展。
4 篇必看論文：
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs viaReinforcementLearning(https://arxiv.org/abs/2501.12948)
DeepSeek-V3 Technical Report(https://arxiv.org/abs/2412.19437)
DeepSeek LLM: Scaling Open-Source Language Models with Longtermism(https://arxiv.org/abs/2401.02954)
DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-ExpertsLanguageModel(https://arxiv.org/abs/2405.04434)
以下是交流環節實錄，經編輯。
林強： 我認為未來的結合形態並不是簡單地在微信裡多一個入口，而是微信的許多功能細節會融入相應的能力。比如，當有人給你發了很長的語音訊息，你不想花時間逐條聽，未來微信可能會有一個功能，讓 AI 幫你總結對方到底說了什麼，用 10 個字或 20 個字說清楚，這就是一種融合。再比如，微信現在有很多功能入口，比如支付、設定等，藏得很深，你可能記不住怎麼進入。未來，你可以直接發一條訊息，讓 AI 幫你一鍵完成操作，比如備份聊天記錄。甚至在工作中，你需要給同事或老闆發總結，AI 也可以根據你的引導幫你完成。這些可能性都可能出現在微信中，未來的想象空間非常大。
目前，業界對微信作為超級 APP 的潛力感到興奮，因為它的所有環節都可以透過 AI 得到增強。所以，最終的形態不是產品的簡單融合，而是能力的融合。AI 應用將深入到騰訊的所有產品中，不僅僅是微信。比如，現在騰訊的一些遊戲已經接入了 DeepSeek，角色對話等功能已經可以體驗到，但目前這種接入還比較生硬。未來，隨著業態的發展，AI 會與產品融合得更加緊密。
林強： 嚴格來說，像 GPT-5、GPT-6 這些未來的模型，我覺得比較懸。如果你用過國外的 Claude 和 GPT-o1，就會覺得現有的能力已經夠用了。現在核心命題是降低成本，應該進入應用階段了。 畢竟，直奔 AGI（通用人工智慧）並不是大家的終極目標。大家真正想要的是一種新業態和新的產品機會，這才是我們真正能立足的領域。從技術上講，我覺得 GPT-5 可能很難產。
林強： 答案是肯定的。早在前年，騰訊總辦就有一個大膽的預測，他們不知道未來的使用者互動介面會是什麼樣的，但一定不會是像微信這樣的傳統介面。現在，我們可以明確地說，未來的互動介面一定會帶有 AI 屬性。
林強： 我覺得這個問題可以從成本和開源的角度來看。之前提到 DeepSeek 開源的價值，開源意味著你可以擁有完全自主的智慧財產權，能夠自主掌控。隨著成本的下降，未來企業完全可以自主地使用這些技術，就像 Kubernetes 統治開源領域一樣，AI 的未來也一定是開源的。騰訊也會積極擁抱開源，透過開源實現完全自閉環，從而更好地保護智慧財產權。
但同時，企業還需要做好知識品控，防止別人暴力挖掘或透過技術手段提取你們的核心知識。我相信隨著 AI 產業鏈的發展，相關的安全工具也會逐漸完善。騰訊雲的安全部門已經在開發相應的工具，當安全真正成為核心問題時，這些工具會以很低廉的價格提供給大家。所以，大家可以放心暢想未來如何開發應用，安全問題會有相應的工具和產品來兜底，不用擔心。
林強： 現在 Google 和 AI 搜尋幾乎各佔我一半的時間。以前我主要用 Google 搜尋，然後憑藉自己的總結能力去篩選和過濾資訊。現在，AI 搜尋在很大程度上輔助了我的工作，其質量並不遜色於 Google。
在寫程式碼方面，AI 程式碼助手的體驗也在逐步提升。至少，你應該嘗試一下像 Cursor 這樣的工具，它真的會徹底改變你的開發方式。簡單拓展一下，以前“AI 程式設計師”聽起來還很遙遠，但目前可以實現的兩個功能確實能幫到你。
第一是程式碼補全。 我們平均一天的程式碼產出可能有 200 行，但如果有 AI 幫助補全，你寫了一行，它能接著寫出後面的幾行，這會極大地加速你的開發效率。我們在騰訊內部做過實驗，AI 補全能 讓程式設計師每天的編碼時間從 2 小時縮短到 20-30 分鐘，效率提升非常明顯。
第二是基於當前檔案的編輯。你可以要求 AI 對當前檔案進行修改，比如生成一個新版本，然後你可以選擇接受其中一部分修改。這種基於上下文的補全和編輯功能準確率很高，它將極大地改變開發者的工作方式。
再往後看，AI 程式設計師可能會根據你的命令建立一二十個檔案，並在這些檔案中進行各種調整和編輯。但目前這還不是很實用，因為如果你需要審查幾百行程式碼，可能會花費大量時間，甚至不得不放棄這些修改。不過，基於當前檔案上下文的控制和變數編輯，這種業態一定會改變程式設計師的未來工作方式，對你的開發效率提升會非常顯著。
林強： 我們正在開展軟體測試工作，老闆常提到，如果 AI 程式碼助手能夠出色完成單元測試和 API 測試，我們是否就能在競爭激烈的市場中脫穎而出？過去，模型的能力還不足以支援這些複雜的測試任務。但隨著 DeepSeek 自研模型的推出，我們已經能夠達到與 Claude 相當的思維鏈水平。測試編寫通常包含明確的背景資訊和較長的推理邏輯，而被測程式碼本身的邏輯也較為複雜。如今，藉助鏈式推理（CoT）和指令加強技術，我們有望快速提升測試能力。
許多團隊此前一直難以有效推進單元測試。但如果 AI 能夠完成 80% 的單元測試工作，開發者只需進行少量編輯即可完善，那麼單元測試的推廣或許將變得更加容易。同樣，API 測試的覆蓋率一直難以在低成本下有效提升，但有了 AI 的助力，這一局面可能會得到改觀。我可以明確地告訴你，測試領域的生態將在一年內發生顯著變化。
林強： 只要你學好 Prompt Engineering（提示工程），就能做出各種花裡胡哨的 APP。未來，Apple 的 iOS 和安卓系統會越來越深入地在系統級接入 AI 應用，提供 AI 能力。
現在，爆款 APP 越來越少了，客戶端工程師的崗位需求可能會受到嚴重壓縮，大家更多地轉向做 H5，而不是專注於客戶端開發。相反，AI 領域的開發機會可能會越來越多。就像移動網際網路對網頁的替代一樣，AI 移動應用對傳統應用的替代將成為新的戰場。
但要抓住這個機會，你需要做好幾個關鍵點 ：一是掌握 Prompt Engineering；二是解決大模型的延遲和端到端耗時問題，這需要你進行深入研究和了解。你不僅要熟悉各種 API，比如百度的 API、Claude 的 API，還要深入瞭解其中的技術細節，比如 Tokens per Second（每秒生成的 Token 數）和首次響應時間等概念。
除了技術和工程能力，業務理解也很重要。未來的應用開發，尤其是客戶端開發，需要真正結合行業業務，比如能源、光伏等產業。你可能現在對這些領域不瞭解，但有人正在做這些領域的工作，他們結合客戶端知識和大模型，就能創造出新的業態，這就是你的機會。如果你能在公司裡做好某個賽道，年薪可能達到 50 萬到 100 萬，雖然不算特別刺激，但也是一個很好的崗位。
林強： 我覺得大家其實根本不用焦慮，有了 AI 之後，它可以幫助程式設計師減少搬磚的時間，加速實現已知的程式碼編寫過程，從而讓程式設計師有更多時間去思考和發揮創造性。這對程式設計師來說是好事，但同時也對計算機專業的學生提出了更高的要求。
以前，計算機專業的學生剛進大學時，需要學習指標、棧等概念，這些內容一開始都很難理解，需要跨過一個門檻。而現在，合格的程式設計師不僅要跨過計算機體系架構理解的門檻，還要跨過工程能力的門檻，學會如何組織程式碼和專案來解決問題。如果你沒有這種工程能力，AI 雖然能幫你做事，但你得告訴它怎麼做。如果沒有這種能力，你很難成為未來的合格程式設計師。這就要求學生連跨兩個臺階，但其實不用焦慮。因為雖然臺階更高了，但路線卻更清晰了，未來的工作會更注重智力創造。
林強：AI 是為醫生賦能的，而不是替代醫生。醫生的工作不僅僅是掌握書本上的知識，這些知識我們都可以透過查閱獲得。但真正的醫生是透過接觸大量病例，憑藉經驗在大腦中完成強化學習和總結，從而理解書本知識在真實患者身上的細微差別。因此，AI 只能賦能醫生，而不可能替代醫生，這是我個人的判斷。
對於律師行業，AI 確實帶來了很大的挑戰，但我們對律師行業的理解往往是抽象的，而非真實的行業全貌。實際上，律師對法律的熟悉和應用只佔其工作技能的 5%。律師的核心價值在於處理法院流程、與不同社會階層的人溝通，以及與高階人士建立信任關係。這些能力才是律師行業的核心價值所在。AI 的出現肯定會帶來行業工具的變革，但律師行業的本質是與人打交道，這種社會網路的建立是 AI 無法替代的。
林強： 我覺得我的技術背景不足以給出確切答案。就像 2000 年的人幻想 2025 年的手機會是什麼樣子一樣，我當年也很難想象出觸控螢幕手機會如何改變生活。所以，我只能基於我的理解來談談看法。
我認為 AI 始終會作為一種工具存在，主要服務於提高效率和便利性。原創性和創造性的東西仍然會來自人類。但 AI 的能力可能會導致人與人之間的分化。比如，就像美國副總統萬斯寫的《鄉村的悲歌》中描述的那樣，許多美國人滿足於一種簡單的生活方式：體面的工作、穩定的收入和安穩的生活。這種現象可能會加劇社會分化，就是智力形式的階級分化可能會變得更加嚴重。然而，這種分化也會對社會產生導向作用。
未來，智力崗位會越來越多，整體社會的智力水平也會被抬高。人們將更多地依賴智力勞動，智力能力也會得到加強。但這裡的關鍵在於 AI 的發展速度和人口替代的節奏。如果 AI 替代人類工作崗位的速度過快，可能會導致社會失調，因為前一代人可能還來不及適應智力創造的要求，他們仍然需要收入和體面的生活。但如果這個替代過程足夠長，比如延續一兩百年，每一代人都會逐漸適應更高的智力要求，那麼社會將更自然地迴歸創造力，人們也會更快樂。作為 38 歲的我，已經有一些固化的觀念。如果變革來得太快，比如明年工程師的工作都被取代了，我可能也很難跟上節奏。這其實是一個國家層面需要考慮的問題，但這種向前發展的趨勢是無法阻擋的。