湖南大學的DeepSeek教程來了！（PDF免費下載）

我們之前已經分享了清華大學和北京大學出品的 DeepSeek 系列教程。今天接著分享一份湖南大學出品的 PDF，內容圍繞著：我們該如何看待DeepSeek——what, how, why, and next？

如果你對 DeepSeek 是什麼，能用它幹什麼，以及它背後的原理都有所瞭解，不防看看這份 PDF 介紹的下一步要關注什麼。

這裡我們仍然會從四個方面簡要介紹一下這份 PDF：DeepSeek是什麼，能用DeepSeek幹什麼，DeepSeek背後的原理，以及下一步要關注什麼。

DeepSeek是什麼？

PDF 首先提到了 ChatGPT 引爆了全球人工智慧的熱潮，它是一個生成式人工智慧（AIGC）和大語言模型（LLM 或大模型），透過 Transformer 這種特殊的神經網路結構來實現文字接龍。而 DeepSeek-R1更像是一個“推理模型”。

推理模型的關鍵在於它不僅僅是直接給出答案，而是能夠像人類一樣進行一步一步的推導（Reasoning）。這意味著 DeepSeek-R1 在數學、程式碼和邏輯等領域展現出更強的優勢。PDF認為，DeepSeek R1是首個展示思維鏈過程的推理模型。

DeepSeek R1還具有以下幾個重要的特點：

價格非常有競爭力，甚至提供了網頁聊天免費的功能，降低了使用門檻。

它是首個開源的推理模型，使用者可以下載並在本地安裝使用。
它在技術創新、訓練和推理效率以及效能方面都表現出色。
它的出現使得最前沿的大模型技術能夠被更多人直接體驗。

簡單來說，DeepSeek-R1是一個功能強大、價格合理且開放的人工智慧模型，它不僅能進行對話和生成文字，更側重於邏輯推理和問題解決。

能用DeepSeek幹什麼？

第二部分介紹了 DeepSeek 的各種應用場景，並強調掌握使用AI的思維方法。它透過一些案例展示了 DeepSeek 在不同領域的潛力：

寫書：例如，提供編譯原理書稿的案例片段.
資訊梳理：例如，對比整理不同AI模型的收費情況。透過DS-R1+聯網搜尋

，可以自動梳理資訊.

資料分析：例如，分析某地公務員錄用人員的學歷和專業構成.
諮詢分析：例如，分析專家特長並給出研究方向建議.
寫程式：例如，編寫抽籤小程式.
做教輔：例如，為幼兒園小朋友設計科普講稿.

同時，PDF也提醒我們應該正確理解 DeepSeek 的侷限性。它還不是通用人工智慧（AGI），不能“一步到位”地解決所有問題，需要使用者具備一定的問題拆解、資訊整合和迭代調優能力。DeepSeek 可能會出錯，並且不掌握所有的知識，因此我們需要利用其能力的同時，也要有判斷和篩選能力，善用聯網搜尋和知識庫來輔助. 此外，當前的 DeepSeek 模型主要是語言模型，不能直接處理圖片、影片等多模態資料，並且存在上下文長度限制，不能一次性輸入過多的資訊. 因此，我們需要學會組合多種工具一起使用，取長補短。

總的來說，DeepSeek可以幫助我們處理各種文字相關的任務，提高效率，但我們需要了解它的能力邊界，並掌握正確的使用方法。

DeepSeek背後的原理是什麼？

第三部分簡要介紹了DeepSeek背後的技術原理，核心是 Transformer。

Transformer 是一種特殊的神經網路，現在幾乎所有典型的大模型都採用這種結構. 它可以將輸入的文字（token）編碼成向量（Embedding），然後透過注意力機制（Attention）計算不同token之間的關係，理解每個token在上下文中的含義。接著，透過多層感知機（MLP）進一步理解每個token自身的含義。這個Attention和MLP的過程會重複多次，最終透過解碼（Unembedding）將向量還原成預測的下一個token並輸出. 這個過程就像模型在學習“文字接龍”.

模型透過“訓練”來學習這種能力，也就是將海量的訓練資料知識內嵌到模型中. 訓練過程需要調整模型中大量的引數.資料和引數的規模越大，LLM就越強大. DeepSeek R1/V3就擁有6710億引數. 此外，為了讓模型更好地服務於人類，還需要進行後訓練對齊，例如監督式微調（SFT）和強化學習（RL），以提高模型的可靠性.

簡單來說，DeepSeek 等大模型的核心技術是 Transformer 神經網路，它們透過學習大量的文字資料，掌握了預測和生成文字的能力，並且模型越大、訓練資料越多，效能就越好。