2025年深度解读DeepSeek：原理与效应

大语言模型发展路线图

生成式AI：2014 —— 2024

生成式AI：使用生成式模型生成各类数据（语言、语音、图片、视频等） 。 Attention：数据依存关系建模 。Transformer：数据生成的统一架构。 Scaling Laws：数据学习、生成的扩展法则 。 RLHF：生成与人类价值对齐的数据 。 o1/R1：生成式求解问题——生成问题求解的过程和答案（推理）。

DeepSeek V2-V3/R1技术原理

天边的两多云（国内外现状） ： 模型架构：大部分企业采用已验证架构（试错成本高昂）【不敢】 。 推理模型：大部分实验室仍在苦苦猜测摸索Q*/o1（OpenAI保密）【不知】。

DeepSeek：技术创新——模型架构 | V2

DeepSeekMoE o 稀疏激活：计算不随规模呈线性增长 o 相比传统MoE：细粒度专家（共享+路由）。路由&通信改造： Device-Limited Routing； Auxiliary Loss for Load Balance； Token-Dropping Strategy。

DeepSeek：技术创新——创新程度

DeepSeek V2-V3及R1在模型架构上选择稀疏MoE模型而非稠密模型，并进行和积 累了大量技术创新，包括MLA、FP8训练、MoE All-to-All通信瓶颈解决、MTP等， 这些技术并不是所有都是原始创新，但是能够进行如此多大模型架构底层创新的实 验室，在全世界可能也只有少数几个； DeepSeek所有模型架构上的创新均是围绕“降本增效”：在基本不损害性能前提 下，尽可能通过算法挖掘和提升硬件训练和解码效率。 美国采取芯片禁令（全球三级管控）策略维持自己的AI领导地位，DeepSeek算法 绕过了美国的算力护城河。

DeepSeek：技术创新——推理模型 | R1

DeepSeek R1主要创新。DeepSeek-R1-Zero：大规模RL训练，发现了RL训练的Scaling Laws，RL训练涌现“aha”时刻 。 推理模型训练技术框架：4步法，有效解决了R1-Zero存在问题，将推理与对齐合为一体 。强化学习训练框架：GRPO，来自DeepSeekMath，降低了强化学习训练成本 。推理模型蒸馏：将大模型推理能力蒸馏到小模型，优于小模型直接进行推理训练（规模效应）。

DeepSeek：技术创新——创新程度

DeepSeek R1是在探明方向（OpenAI o1引领和证实的方向）上进行0-1的创新突 破，独立探索出基于大规模强化学习的大语言模型推理技术路线，避开了过去一年 多（自OpenAI的Q*在社交媒体讨论）业内广泛思索的通过在训练中进行显式搜索、 过程奖励模型（即Search+PRM）实现推理的“误区”； 贡献： 独立探索出推理技术路线。将技术路线公开发布（解惑了业内的“不知”） 。 模型开源（MIT License） DeepSeek R1打破了美国第一梯队企业以闭源形成的技术护城河，进一步动摇 了美国的“AI Dominance”。

DeepSeek效应

DeepSeek：效应——认知误区

如果ChatGPT刷新了我们对AI的认知，那么DeepSeek在某种程度上颠覆了： 美国人对中国AI水平的认知：长久以来，美国认为中国在AI科技创新上更多是跟随者角色。 大模型研发成本的认知：大模型研发成本需要数千万乃至上亿美元。

DeepSeek：效应——创新&人才&Vision

DeepSeek V3和R1的创新，从技术上看，是在探明方向上的较大创新，相比别人同期做的1-100要 更创新，笔者将其定义为探明技术方向上的0-1创新（独立探索出技术路线），但不是颠覆了原有技 术框架或者开辟了新的方向。探明方向上的0-1创新，如果有足够多的第一类人才，加上足够多的算 力和高超的人才管理，是可以实现的，DeepSeek的成功正是得益于此； 技术方向已经被探明了的“追赶”相对容易，难的是在前面面向未知开路，即在未探明方向、未有概 念上进行0到1创新、或者进行概念形成和验证，这方面的创新是要更多胆量、更多vision、更多不 计成本投入才能做到的，同时需要第二类人才与第一类人才紧密合作，形成双反馈； 来实现AGI可能还需要3-5个在未探明方向上进行0-1的创新突破；我国如果要在2030年实现 “人工 智能理论、技术与应用总体达到世界领先水平”，需要更多企业、高校、研究机构开展探明方向和未 探明方向上的0-1创新；

报告节选：

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）