报告核心观点 报告围绕DeepSeek展开，介绍其从ChatGPT发展而来的历程、优势及意义，阐述使用方法、原理和发展历程，认为其使AI走入寻常百姓家，生态即将爆发，还指出产业链各环节现状、问题及未来关注重点 [5][164][177] What is it：DeepSeek是什么 从ChatGPT到DeepSeek - R1的发展 - 2022年11月30日OpenAI发布ChatGPT，两个月用户破亿，其基于生成式人工智能和大语言模型，本质是文字接龙，这导致LLM常出现“幻觉” [10][11] - 2024年9月12日OpenAI宣布OpenAI o1推理大模型，其推理能力较GPT - 4o大幅提升，强调“思维链”过程和强化学习 [29] DeepSeek R1的优势 - 首个展示思维链过程的推理模型，在数学、代码、逻辑等领域优势明显，还有算力scaling方面独特优势 [40][44] - 价格“屠夫”，网页聊天免费，相比o1模型API价格大幅降低 [45][46] - 首个开源的推理模型，可下载本地安装使用 [47][48] - 纯国产，技术创新，训练和推理高效，性能领先 [49] - 让最前沿大模型技术走入寻常百姓家，7天用户破亿，包括海量本地部署用户 [52] DeepSeek基本概念（用户角度） - 使用场景包括各种网上服务和本地自己搭建，调用流程有普通调用（网页调用、程序API调用）和文件与联网搜索（RAG），普通调用回答来自训练数据，难以及时更新；RAG回答来自训练数据和外部数据，外部数据可及时更新 [54][57][60] - 介绍了一些术语概念，如Prompt、Token、上下文长度、训练、推理（inference）、推理（reasoning） [63] How to use it：我能用DeepSeek干什么 以小见大，掌握思维方法 - 通过案例展示DeepSeek功能，如写书、信息梳理、数据分析、咨询分析、写程序、做教辅等 [70][71][72] 正确理解，打开广阔天地 - DeepSeek不是AGI，不能“一步到位”，用户需具备问题拆解、信息整合、迭代调优能力 [79] - 有能力但常出错，预载知识不全面，用户要有判断筛选能力，擅用联网搜索和知识库 [81][82] - R1/V3是语言模型，不能直接处理多模态数据，需结合其他工具完成任务 [84] - 模型有上下文长度限制，一般128K tokens是目前通常最高水平，用户要学会拆分任务、总结规律 [88][89] - 不是唯一大模型，效果非一骑绝尘且会发展变化，用户要客观辩证看待、积极开放拥抱 [90] Why it works: DeepSeek背后的原理 Transformer——大模型基础 - Transformer是特殊神经网络，是主流大模型基础，主要介绍text - to - text transformer，输入文本输出预测下一个token [109] - 整体流程包括输入token编码（Embedding）、计算token之间关系（Attention）、理解每个token自己的含义（MLP）、编码还原成token并输出（Unembedding），Attention和MLP通常重复很多次 [111][125][127] - 训练是LLM通过数据学习文字接龙的过程，数据和参数规模越大越聪明，训练完可进行后训练对齐，如SFT和RL [129][132][138] DeepSeek模型的发展历程 - 2019年幻方量化成立AI公司，自研深度学习训练平台「萤火一号」和「萤火二号」 [142] - 2023年7月DeepSeek公司成立，11月开源DeepSeekLLM 7B和67B的Base和Chat模型，初期跟随LLaMA有微创新 [143][144] - 2024年5月开源DeepSeek - V2系列模型，对Transformer结构大胆改造，首创MLA，效果提升，训练成本减少42%，推理所需缓存空间减少93% [147][148] - 2024年12月26日开源DeepSeek - V3系列模型，基座模型SOTA，进入TOP梯队 [150][152] - 2025年1月20日开源推理模型DeepSeek - R1，继续创新，探索OpenAI说不行的路 [153] Next: 下一步要关注什么 生态爆发原因 - 根据梅特卡夫定律，DeepSeek使AI走入寻常百姓家，量变可能引发质变，生态即将爆发 [162][164] 关注环节 - 产业链环节包括算力底座、模型算法、系统软件、行业应用、公共平台 [166] - 现状与问题：国产AI芯片因DeepSeek焕发新生，但大规模训练是短板；高性能互连在多机多卡互连协同方面有需求，但NV一家独大；模型算法推理效率低；行业应用技术含量相对较低且无统一标准；公共平台需求大 [173][178][180] - 发展建议：开放很重要，包括模型、算法、训练数据、推理部署开放；注重培养相关人才；知识库服务平台可能成为创业集中赛道；扎实落地行业应用，让更多普通人感受LLM帮助 [177][180][182]