返回主页

超越还是颠覆？DeepSeek 与 OpenAI 的差异解析

2025.02.21

在好莱坞动画工厂的流水线与硅谷 AI 实验室的算力霸权之间，2025 年的中国完成了两场寂静的爆破：一部动画电影与一个 AI 大模型，用各自的方式击穿了西方主流叙事的铁幕。《哪吒之魔童闹海》与 DeepSeek 的横空出世，是文化突围与科技攻坚的双重胜利，也像是一场宣言。

春节以来，关于 DeepSeek 的各种信息充斥网络，全民狂欢，有开课的，有接 API 的，还有使用 DeepSeek 写模型的。我在某播客听了技术大拿的分析后，试着借花献佛，回答一些问题。
AI智能巡检

01 DeepSeek 已经全面领先 OpenAI 了吗？

并没有，DeepSeek 目前在效率上领先没错，但局部领先并不代表整体领先。全网对 DeepSeek-R1 的吹捧有些过头了，R1 的出现固然值得欢呼，但也要保持清醒，只有正视 DeepSeek 和 OpenAI 之间的差距才能更好的进步。

DeepSeek 官方在 1 月 20 日推出的 DeepSeek R1 版本，只是在性能上对标 OpenAI o1 正式版。而 OpenAI 已经展示了远比 o1 更强的推理模型 o3，且它的护城河依然很牢固，他们有非常充沛的算力，「星际之门」计划未来几年内拿到几百万张 B100、B200 这样量级的显卡，这是 DeepSeek 很难追赶的算力。
AI巡检
DeepSeek 仍然有其自身的弱点，这种弱点可能是因为蒸馏自 o1-Pro 的副作用。作为使用者，对 DeepSeek 最明显的感受就是它的 AI 幻觉相当严重。用过 DeepSeek 的人都知道它会一本正经胡说八道，让人信以为真。且经过多种测试，ChatGPT 在回答的客观性和信息的全面性上，依然优于 DeepSeek。

02 DeepSeek 和其他 AI 大模型有什么区别，为什么它会引起如此剧烈的反响？

DeepSeek-R1、R1-Zero 和 Kimi k1.5 几乎同时发布，大家的注意力几乎全在 DeepSeek 上，为什么？是因为 k1.5 不够好吗？恰恰相反，k1.5 公开的一些技术细节相当漂亮，从两个大模型公开的工作报告中可以发现，它们的相似度其实非常高，有异曲同工之妙。
InfiSight智睿视界
开源传统的厚积薄发：造成这种国民度巨大差异的一大原因是 DeepSeek 团队在几年前就开始对外发布一些非常高质量的技术报告，同时一直保有开源传统，在各大技术社区中有比较高的知名度，这次的名声大噪属于厚积薄发。Kimi 团队则相反，一直专注于大模型本身，既没有长期发表论文，也没有开源传统，k1.5 是首次开源，在技术社区的群众优势上相对比较低。

Aha Moment（顿悟时刻）：R1-Zero 通过强化学习的方式自己涌现出了复杂的推理能力，这些能力中包括反思模型。什么意思呢？就是模型在回答问题的过程中，会自己回头看刚才的答案并对答案进行重新评估，然后修正。这是模型自然涌现出来的能力，并不是 DeepSeek 研究员自己写入模型内的，这是「神之一手」，是人类开发者没有想过的，意料之外的能力，也是整个文档中的高潮。
AI智能巡检
DeepSeek 破解了 OpenAI o1 留下的谜题：如果用「惊为天人」来形容 OpenAI o1 的首次登场，那么 DeepSeek-R1 的出现则可以用「颠覆想象」来描述。OpenAI o1 通过强化学习自己学会了各种奇妙的能力，比如说检查自己的错误以及改正自己的错误。为保护其核心技术不被其他厂商轻易破解，在发布时进行了精心的隐蔽工作。如今 DeepSeek-R1 展现出了类似的性质，成为最早揭开了 OpenAI o1 谜底的大模型，且找答案的过程非常漂亮。

打破了英伟达的神话叙事：真正导致讨论升温的是 DeepSeek 是在资源极其有限的情况下，用极低的算力资源和成本诞生的。过去的主流认知是谁囤的最先进英伟达显卡多，谁在大模型的胜算就高，但显然 DeepSeek 打破了这个规则。

低得让人难以置信的成本：V3 用了不到 10% 的资金实现了 GPT4 的训练。DeepSeek 公开表示，V3 的训练共耗时 2,788 千 H800 GPU 小时，按每小时$2/GPU 计算，总成本仅 $5.576 百万美元（约 5.6M 美元，请注意这里的 5.6M 美元仅指正式训练，并不包括前期研究、架构实验等费用。）同时由于 DeepSeek 的开源，企业无需向 OpenAI 付费，就可以获得类似 o1 的推理能力。在自己的服务器，甚至本地设备上运行 R1，成本远低于 OpenAI 提供的 API。

03 网传DeepSeek拥有5万张H100显卡是真的吗？

先放结论：假的！
首先，信源无法证实。这一消息是 2024 年 11 月，一个叫 semianalysis 的半导体分析公司老板 Dylan Patel 发推特，声称 DeepSeek 拥有「超过 50,000 颗 Hopper GPU」，然而 H800 本身就是 Hopper GPU，次日又发推疑似暗示 DeepSeek 有 H100，因为可以绕过制裁。
AI智能巡检
然后这个消息开始在业内传开，Scale AI 的 CEO Alexandr Wang 在接受 CNBC 采访时，不知是有意还是无意，描述的「包括了一些 H100 的五万张 Hopper GPU」在媒体传播链中就变成了「五万张 H100 GPU」。尽管 Dylan 后期有辟谣，但很多不明就里的网友就认定了「DeepSeek 拥有五万张 H100 GPU」。
InfiSight智睿视界
其次，DeepSeek 的 Paper 中并没有明确提到自家拥有 5 万张 H100 GPU。且 News Letter 的创始人，同时也是全球最懂技术的分析师之一的 Ben Thompson 所主持的关于 DeepSeek 的播客中提到，DeepSeek 很多技术上的创新，都是为了克服 H800 带来的宽带限制，比如工程师不得不直接使用 PTX（Parallel Thread Execution），一种类似于汇编语言的底层指令集。这种极端的优化，只有在被迫使用 H800 而无法使用 H100 时才有意义。进一步证实了 DeepSeek 并不像外界所传的那样拥有 5 万张 H100 GPU。

04 DeepSeek 适合做什么？

DeepSeek-R1 适合做逻辑推理，比如解答数学题、逻辑分析题、代码生成以及 Debug，应用在餐饮、烘焙、商超零售行业，能给用户自动生成巡检模板、员工培训试题、营销策略生成等。而 V3 是纯文本模型，适合做代码生成、文案生成、营销策略生成。

在当今数据驱动的商业环境中，DeepSeek 为企业提供了一系列创新的解决方案思路，以优化运营流程和提升顾客体验。

•自动化顾客反馈分析
通过分析顾客的在线评论、社交媒体帖子和直接反馈，DeepSeek 能够自动识别和分类关键意见和建议。具体实现上，该模型解析大量文本数据，提取有价值的信息，并生成报告，辅助管理层做出数据驱动的决策。

•智能客服系统的集成
DeepSeek 模型的集成使企业能够提供全天候的自动化客户支持，解答关于营业时间、产品信息等常见问题。此外，系统还能根据顾客的历史交互记录提供个性化服务，从而提升顾客满意度。智能助手利用 DeepSeek 理解复杂的自然语言请求，并给出准确的回答。

•内部文档管理和知识库的优化
DeepSeek 的文本处理能力在内部文档管理和知识库建设中发挥着关键作用。它能够快速检索和整理公司内部文档，提高工作效率，并根据最新的行业标准和技术动态自动更新员工培训材料。这使得员工能够迅速找到所需信息，保持知识的最新性。

•增强顾客互动和个性化营销
DeepSeek 模型还能够基于顾客的购买历史和偏好提供定制化的产品推荐，以及设计更具吸引力的营销文案，从而提升顾客参与度。通过生成针对不同顾客群体的个性化内容，DeepSeek 优化了营销活动的效果，增强了顾客互动。

InfiSight智睿视界的目标是通过技术赋能连锁门店AI智能巡检，DeepSeek 的多模态处理能力在 InfiSight 智睿视界中展现得尤为突出。该系统可同时解析视频监控画面、货架图像扫描数据和员工操作日志文本，自动识别门店安全隐患（如消防通道堵塞）、陈列合规性问题（如商品标签错位）及服务流程偏差（如未按标准清洁）。通过跨模态数据融合，生成包含可视化热力图与整改建议的巡检报告，帮助管理者精准定位问题，推动连锁门店实现智能化、标准化、合规化运营，管理效率提升超40%。

DeepSeek 很好，有它的明显优势，期待国内出现越来越多像 DeepSeek 这样的产品，也希望大家能对当前全网对 DeepSeek 的造神氛围保持警惕。







添加小助手

推荐阅读
订阅我们