DeepSeek的崛起，其實並不意外

顛覆理論預測了DeepSeek及其同類產品的出現和發展。事實上，未來幾個月內其他顛覆者的出現並不會令人意外。特別是小型語言模型（SLM），它們使用的資料更少、資源更少，可能會在未來幾個月內成為挑戰美國和中國LLM的另一種技術。

中國人工智慧初創公司DeepSeek近期引發了廣泛關注。1月20日，該公司釋出的新模型在效能上足以與美國領先人工智慧公司（如OpenAI和Meta）的模型競爭，其規模更小、效率更高且訓練和執行成本低得多。

然而，從管理理論特別是“顛覆性創新”理論來看，DeepSeek的成功或許本可以預見。顛覆性創新的核心在於提供低成本的替代方案，這些方案雖非尖端技術，但足以滿足許多使用者的基本需求。DeepSeek正是憑藉這種模式，衝擊了美國人工智慧行業的傳統認知，並引發了科技和能源股的波動。

如果管理理論能夠解釋這一現象，那麼它同樣可以為未來的發展提供啟示。基於技術變革理論，我們探討了這一顛覆對全球企業的影響，尤其是它們的領導者在選擇授權使用中國還是美國的大型語言模型（LLM）時所面臨的抉擇。

中美LLM的差異

中國LLM與美國LLM在兩個關鍵方面存在顯著差異：首先，中國LLM通常使用更便宜的硬體，並藉助開放架構降低成本；其次，許多中國LLM專注於特定領域的定製化應用，而非通用任務。不過，像DeepSeek-R1這樣的模型正在逐漸向通用推理模型轉變。

美國LLM通常依賴最先進的GPU叢集進行訓練，這些叢集包含數萬個英偉達的高階晶片，需要鉅額資本投入和強大的雲基礎設施支援。相比之下，由於先進晶片的出口管制，中國LLM更多地依賴於在多個較弱的GPU上進行分散式訓練。儘管硬體條件有限，但透過高效的架構設計，中國LLM仍能實現具有競爭力的效能。例如，DeepSeek的多頭潛在注意力（MLA）和專家混合（MOE）架構透過減少記憶體使用，提高了計算資源的利用效率。

開原始碼庫的廣泛應用也是中國LLM發展的重要推動力。DeepSeek-V3（其最新推理系統的基礎模型）和DeepSeek-R1均在麻省理工學院（MIT）開源許可下發布。這種寬鬆的許可方式允許使用者自由使用、修改和分發軟體，包括用於商業目的，從而極大地促進了技術的普及和應用。這種高效架構和開源策略在訓練成本上的優勢尤為明顯：DeepSeek報告的V3訓練成本為560萬美元，而美國公司如OpenAI和Alphabet的LLM訓練成本則高達4000萬至2億美元。

此外，美國LLM側重於基於全球資料集的通用查詢訓練，而許多中國LLM則專注於特定領域的精準應用。中國的科技巨頭（如阿里巴巴、騰訊、百度和字節跳動）以及新興初創公司（如DeepSeek）都透過LLM開發了深度融入中國數字生態系統的行業特定應用。

總結來說，中國LLM依賴於不太先進的硬體，並專注於低端、特定領域的應用，這些應用對計算能力的要求較低，成本也更低。例如，阿里巴巴的通義千問和字節跳動的豆包1.5pro的每100萬輸出標記的成本不到0.3美元，而OpenAI和Anthropic的高階模型則超過60美元。

這正是經典的顛覆理論在發揮作用。這與幾十年前美國小型鋼廠顛覆綜合鋼鐵廠的情況如出一轍。顛覆理論預測，一種在初始階段劣於現有技術（如電弧爐）的技術，針對特定低端任務（如生產低質量鋼筋）進行定製，最終將對專注於高階客戶（如高階鋼板客戶）並提供更高利潤的高階生產商（如綜合鋼鐵廠）構成威脅。慢慢地、穩步地，顛覆者提升其產品的質量，而現有企業則在市場細分領域一個接一個地向顛覆者讓出市場份額。

顛覆理論預測了DeepSeek及其同類產品的出現和發展。事實上，未來幾個月內其他顛覆者的出現並不會令人意外。特別是小型語言模型（SLM），它們使用的資料更少、資源更少，生成的內容質量也較低，可能會在未來幾個月內成為挑戰美國和中國LLM的另一種技術。

未來展望：全球企業如何應對？

DeepSeek的崛起引發了全球企業的一個關鍵問題：是選擇授權使用美國LLM，還是中國LLM，亦或是兩者都選？在此，管理理論中的技術多樣化策略提供了重要的參考。

在企業內部部署多種LLM模型的一個顯著優勢是風險分散化。對於LLM而言，這意味著可以降低供應商端停機帶來的影響。例如，如果OpenAI的服務因故中斷，企業可以迅速切換到其他供應商的模型，確保業務的連續性。

使用多種模型的另一個好處是聚合優勢。不同的模型基於不同的演算法，對同一問題可能給出不同的答案。研究表明，透過聚合多個模型的預測結果（即“整合”方法），通常能夠獲得更高質量的輸出，尤其是在處理複雜、模糊的任務時。事實上，像Openrouter這樣的平臺已經提供了一個整合介面，允許使用者即時比較180多個模型的效能和成本，從而實現更優的選擇。

然而，與單一供應商合作也有其優勢，例如降低管理成本和增強雙方對彼此能力的理解。使用多個模型可能會增加資料隱私和安全風險，因為資料需要在多個供應商之間共享。儘管這種風險在所有LLM中都存在，但跨國家/地區（如美國和中國）的資料使用和監管框架差異，會進一步增加複雜性，尤其是在醫療保健等敏感領域。

管理理論還提出了第三種策略：多元治理。這種策略結合了外部供應商和內部開發人員的力量，以充分利用新興技術。研究表明，那些在內部培養特定技術人才的公司，往往更能從新技術的出現中受益。在LLM領域，這意味著企業可以利用美國LLM處理通用任務（如為專業服務公司開發輔助研究的聊天機器人），同時利用中國LLM開發公司特定的應用（如人力資源培訓機器人）。

進一步來看，低成本、開源的LLM模型（即使其能力稍弱）將使企業能夠開發出適合自身需求的定製化模型。隨著時間推移，這些低成本、低質量的模型可能會逐步顛覆高成本的高階模型，就像小型鋼廠曾經顛覆綜合鋼鐵廠一樣。

儘管存在資料隱私和安全問題（近期TikTok事件引發了關注），美國LLM如果忽視中國LLM帶來的顛覆性威脅，將面臨巨大風險。他們至少應該警惕那些利用小型語言模型（SLM）等技術的美國本土顛覆者。大型美國人工智慧公司也可以嘗試自我顛覆（例如，通用電氣開發手持超聲裝置以顛覆傳統超聲業務），但研究表明，自我顛覆極為困難。前期對昂貴晶片、硬體和訓練資料的投資（這些已成為沉沒成本）以及對高利潤解決方案的依賴，可能會使大多數美國人工智慧公司繼續專注於高階LLM，而非轉向更便宜但“足夠好”的LLM。

對於全球企業而言，LLM領域的顛覆為投資內部技能和開發定製化模型提供了機遇，這將有助於實現更有針對性的應用、降低成本並提高投資回報率。

關鍵詞：DeepSeek

普里特維拉傑·喬杜裡（Prithwiraj Choudhury）、納塔拉賈恩·巴拉蘇布拉馬尼安（Natarajan Balasubramanian）、徐明弢（Mingtao Xu）| 文

普里特維拉傑·喬杜裡是哈佛商學院的Lumry家族副教授，也是《管理科學》雜誌的副主編。納塔拉賈恩·巴拉蘇布拉馬尼安是雪城大學惠特曼管理學院的阿爾伯特和貝蒂·希爾講席教授。他的研究聚焦於技術、人力資本、組織學習和創新如何推動商業價值創造。徐明弢是清華大學經濟管理學院創新創業與戰略系副教授。他的研究專注於創新中的產權問題以及人工智慧的戰略意義。

Kimi | 譯周強 | 編校