思考案例-关于 DeepSeek 和 OpenAI 的一些思考

Posted by 汤键|兔子队列 on January 27, 2025 禁止转载
本文总共 760 字 · 阅读全文大约需要 3 分钟
  • 1-首先得知道
  • DeepSeek
  • 不满足于传统的
  • 别人做技术创新,我做应用变现
  • 而是选择最艰难的技术创新
  • 并让应用变现也是行业领先

  • 2-其次得知道
  • DeepSeek 不是套壳或蒸馏模型
  • 而是基于 Transformer 架构进行了创新和工艺提升
  • 采用的是基于先进技术的整合与优化的实用创新策略

  • 3-不同于 Meta 和 OpenAI 的探索性尝试
  • DeepSeek 是后发模型
  • 可以通过吸取经验降低大量成本
  • 在API定价方面,比OpenAI便宜九成
  • 这种”四两拨千斤”的模式
  • 颠覆了人们对OpenAI”大力出奇迹”式的固有认知

  • 上面是
  • 技术层面的思考

  • 下面是市场层面的思考

  • 1-DeepSeek 代表开源对闭源的小胜利
  • AI 社区:
  • 开源代表-Meta 的 LLaMA 系列
  • 闭源代表-OpenAI 的 GPT 系列

  • 2-DeepSeek 让开源模型与闭源模型一样好
  • 开源模型的优势在于可定制性私有部署
  • 开源模型可以通过社区的协作推动进步
  • 但也有一些挑战
  • 比如可能会面临一定的安全性和质量控制问题
  • 闭源模型的优势在于商业化应用前沿探索
  • 闭源模型可以通过商业化战略实现长期的可持续性
  • 此外,闭源模型可能在数据和隐私安全上采取更严格的控制
  • 更有利于商业市场

  • 3-基础大模型终将商品化
  • 随着技术的成熟,基础大模型可能会逐渐商品化
  • 竞争的重点将转向
  • 如何将模型与具体应用场景结合(toB 领域)
  • 以及如何获取流量入口(toC 领域)
  • 这也是当前 AI 产业发展的趋势
  • 基础大模型的商品化
  • 将推动
  • 更多行业参与者
  • 在特定应用场景中进行优化和定制
  • 从 DeepSeek 的角度来看
  • 它的开源模型为不同行业提供了灵活的定制空间
  • 而 OpenAI 则更侧重于商业化应用
  • 提供现成的解决方案并通过 API 等方式进行服务

  • 4-对算力和数据的需求不会降低
  • 随着模型规模的扩大和应用场景的复杂化
  • 对算力和数据的需求只会增加
  • 类似 Jevons 悖论
  • 效率的提高可能会进一步推动算力需求的增长