关于报告的所有内容，公众号『行业报告智库』阅读原文或点击菜单获取报告下载查看。
2023年11月，DeepSeek V1首次亮相，标志着这一项目正式启航。随后，技术团队不断探索和优化，于2024年5月推出了DeepSeek V2，引入了多项关键创新，包括DeepSeekMoE和MLA技术。这些技术不仅提升了模型的性能，还显著降低了计算成本。
2024年11月，DeepSeek R1-Lite和DeepSeek V3相继发布，进一步巩固了DeepSeek在大语言模型领域的领先地位。V3版本引入了Multi-Token Prediction（MTP）和高效的基础设施优化，如FP8训练和低精度存储，使得模型在大规模训练时更加高效。这些技术的集成使得DeepSeek V3在性能和成本之间达到了前所未有的平衡。
DeepSeek V2采用了稀疏激活的MoE（Mixture of Experts）模型架构。与传统的稠密模型相比，稀疏激活使得计算资源不再随模型规模线性增长，极大地提高了训练和推理的效率。DeepSeekMoE通过细粒度专家共享和路由机制，进一步优化了模型的并行化能力。
MLA（Memory-efficient Layer Attention）技术通过低秩压缩，显著降低了KV cache的占用空间，使得模型能够处理更长的上下文窗口。这一技术不仅提升了模型的性能，还为处理复杂的自然语言任务提供了可能。
DeepSeek R1是该项目在推理模型领域的重大突破。R1通过大规模强化学习训练，发现了RL训练的Scaling Laws，使得模型在推理任务中表现出色。R1还引入了推理能力蒸馏技术，将大模型的推理能力高效地转移到小模型中，进一步提升了推理效率。
DeepSeek的出现，标志着大语言模型领域进入了一个新的竞争阶段。通过技术创新，DeepSeek在性能和成本之间找到了最佳平衡点。与传统的高成本大模型相比，DeepSeek不仅在推理速度上表现出色，还在训练成本上实现了大幅降低。这一技术突破引发了算力价格战，使得性价比成为大语言模型竞争的关键因素。
DeepSeek R1的开源发布，是大语言模型发展史上的一个重要里程碑。在GPT-3选择闭源之后，开源与闭源的争论一直存在。DeepSeek R1的开源，不仅打破了美国第一梯队企业对前沿技术的封闭，还为全球AI研究者提供了宝贵的学习和研究资源。开源与闭源的博弈，不仅涉及技术的公开性，更关乎AI安全治理的未来。
DeepSeek的成功在某种程度上颠覆了人们对AI的认知。一方面，它改变了美国人对中国AI水平的传统认知，证明中国在AI科技创新上不仅能够跟随，还能实现超越。另一方面，DeepSeek也改变了人们对大模型研发成本的认知。传统观念认为，大模型的研发需要数千万乃至上亿美元的资金支持，但DeepSeek通过技术创新，显著降低了研发成本，使得更多研究机构和企业能够参与到大语言模型的研发中来。
从技术角度看，DeepSeek为实现AGI（通用人工智能）和ASI（超级人工智能）提供了新的思路。当前，DeepSeek已经在推理和逻辑推理任务中表现出色，但要实现真正的AGI，仍需在多个关键领域取得突破。
目前，DeepSeek R1主要聚焦于数学、代码和逻辑推理领域。未来，通过在更多领域进行强化学习训练，如自然语言处理、图像识别等，DeepSeek有望成为一个通用的问题求解器。
DeepSeek R2的发布或将开启智能驱动科学研究的新篇章。通过大模型和智能体的结合，DeepSeek有望在自动化科学研究、科学发现和技术创新等领域取得重大突破。
随着DeepSeek技术的不断发展，AI安全和可解释性将成为未来研究的重点。如何在提升推理能力的同时，确保模型的安全性和可解释性，将是DeepSeek团队面临的重要挑战。
DeepSeek的成功不仅是中国AI技术的一次胜利，更是全球AI格局的一次重塑。通过开源和技术创新，DeepSeek打破了美国在AI领域的技术垄断，为其他国家和地区的AI研究提供了新的机遇。
