自有歪果仁為DeepSeek「辯經(jīng)」：揭穿圍繞DeepSeek的謠言

圍繞 DeepSeek 的謠言實在太多了。

原標題：自有歪果仁為DeepSeek「辯經(jīng)」：揭穿圍繞DeepSeek的謠言
文章來源：機器之心
內(nèi)容字數(shù)：9642字

DeepSeek：與誤解

本文總結(jié)了Tanishq Mathew Abraham針對DeepSeek及其開源模型R1的諸多誤解進行的反駁，為讀者提供更清晰的認知。

1. DeepSeek并非突然出現(xiàn)

作者指出，DeepSeek并非一夜之間冒出的公司，早在R1發(fā)布前幾個月就已預告，并在2023年11月發(fā)布了第一個開源模型DeepSeek-Coder。其發(fā)展速度在AI領域?qū)儆谡７懂牐⒎强梢伞?/p>

2. 訓練成本并非虛報

關于DeepSeek僅花費600萬美元訓練模型的質(zhì)疑，作者解釋了該數(shù)字源自DeepSeek-V3的論文，而R1是在V3基礎上進行強化學習訓練，額外成本有限。作者認為，基于GPU成本、數(shù)據(jù)集規(guī)模和模型規(guī)模的分析，該估算結(jié)果合理。同時，其他AI實驗室在實驗和人員薪資方面的額外支出往往被忽略，導致比較不公平。

3. 成本低并不意味著浪費

DeepSeek的高訓練效率并不意味著其他美國AGI公司在浪費錢。作者解釋了AI領域的擴展定律(Scaling Laws)，即更多的計算資源通常會帶來更好的性能。高效的模型能用更少的資源達到相同效果，但更多的資源仍然能帶來更好的結(jié)果。AGI公司對擴展定律的長期有效性抱有信心，因此持續(xù)投入更多資源是合理的。

4. DeepSeek并非沒有創(chuàng)新

作者列舉了DeepSeek在模型設計和訓練方面的創(chuàng)新，包括Multi-latent注意力機制(MHA)、GRPO強化學習算法和DualPipe多GPU訓練方法。這些創(chuàng)新都已開源，對AI社區(qū)有益。

5. DeepSeek并非單純抄襲ChatGPT

關于DeepSeek從ChatGPT“蒸餾”知識的說法，作者認為這種說法過于簡單化，忽略了DeepSeek在工程、效率和架構(gòu)方面的實際創(chuàng)新。即使DeepSeek使用了ChatGPT生成的文本進行訓練，也并不意味著其成就因此被減損。

6. 中美AI競爭加劇

作者認為，DeepSeek的出現(xiàn)使得中國在AI領域的競爭力更加不容忽視，但美國頂尖AI實驗室仍保持領先優(yōu)勢。中美兩國都在AI研發(fā)上投入巨資，競爭將持續(xù)加劇。開源技術(shù)分享是否會帶來劣勢，目前尚不明確。

7. 結(jié)論

作者總結(jié)道，一部分人試圖淡化DeepSeek的成就，而另一些人則反應過度。OpenAI等公司仍處于領先地位，但DeepSeek的R1模型確實令人印象深刻，其成就值得肯定。

聯(lián)系作者

文章來源：機器之心
作者微信：
作者簡介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務平臺