DeepSeek近期的一系列动作，尤其是其模型的发布，迫使OpenAI在深夜紧急推出了o3-mini。过去半个月里，中国AI公司在国内外媒体上频频亮相，影响力持续上升。关于DeepSeek的模型训练数据、GPU用量、成员构成以及强化学习算法等细节，成为了公众关注的焦点。
SemiAnalysis的一篇深度报道对这些方面进行了详细推测。报道指出，DeepSeek不是简单的副业项目，其在硬件上的支出远超5亿美元。论文中提到的600万美元仅是预训练阶段的GPU成本，而研发和硬件总拥有成本并未计算在内。据估计，DeepSeek拥有约5万块Hopper GPU，包括特供版H800和H20，并且有150名员工，其中不乏来自北大、浙大的顶尖人才，优秀候选人的年薪可高达934万元人民币。
DeepSeek的一个关键创新是多头潜注意力机制（MLA），这一技术显著降低了推理成本。V3模型性能超越了R1和o1，而谷歌的Gemini 2.0 Flash Thinking与R1不相上下。此外，H100的价格因V3和R1的发布而猛涨，体现了杰文斯悖论的作用。
幻方量化作为DeepSeek的主要投资者，早期就看到了AI在金融领域之外的巨大潜力。2021年，他们购入了1万块A100 GPU，随后在2023年成立了DeepSeek，专注于推进AI技术发展。目前，两家公司在人力资源和计算资源方面保持密切合作。
DeepSeek在人才招聘上注重实际能力和求知欲望，经常在北京大学和浙江大学举办招聘活动。公司提供极具竞争力的薪酬待遇，优秀候选人年薪可达130万美元以上。这种灵活的人才战略使得DeepSeek能够快速扩张。
DeepSeek的成功不仅在于资金充足，还在于高效的运营模式。相较于大公司的繁琐决策流程，DeepSeek能更快地将创新理念付诸实践。他们主要依靠自建数据中心进行技术创新，这为他们在整个技术栈上提供了更大的实验空间。
尽管论文中提到的600万美元仅指预训练阶段的直接成本，但高级分析师认为，DeepSeek在硬件方面的累计投资已远超5亿美元。例如，多头潜注意力机制的开发耗时数月，消耗了大量资源。随着算法优化，训练和推理同等性能所需的计算资源不断减少，这种趋势在行业内屡见不鲜。
R1在短时间内实现了与o1相当的性能水平，得益于新的“推理”范式。这种方法通过合成数据生成和后训练强化学习来提升推理能力，以更低成本获得快速进展。谷歌的Gemini Flash 2.0 Thinking也在基准测试中表现优异，但在市场策略和用户体验上有所欠缺。
DeepSeek的技术突破，如多Token预测（MTP）和混合专家模型（MoE），引起了西方实验室的关注。这些创新提高了训练效率并降低了推理成本。R1的成功还得益于强大的基础模型V3和强化学习的应用。
多头潜注意力机制（MLA）显著减少了每次查询所需的KV缓存量，降低了运营成本。这项创新特别受到美国顶级实验室的关注。此外，由于H20芯片具有更高的内存带宽和容量，DeepSeek在推理工作负载方面获得了更多效率提升。
R1虽然在性能上接近o1，但成本更低，这符合市场逻辑。率先突破新能力层次的公司将获得价格溢价，而追赶者只能获得适度利润。当前正处于技术快速迭代的周期，产品更新换代速度前所未有。未来，开源模型市场将在下一代技术中迅速商品化，计算资源的集中度仍将是关键因素。
主题测试文章，只做测试使用。发布者：火星财经，转转请注明出处：https://www.sengcheng.com/article/16592.html
