技术层面
- 1-对于
DeepSeek的简介 - DeepSeek不满足于传统的
- “别人做技术创新，我做应用变现”
- 而是选择了最艰难的技术创新
-
并在方面应用变现也是行内领先
- 2-
DeepSeek技术 - 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
市场层面
- 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和私有部署
- 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和前沿探索
- 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Ai的不断进步，Ai的应用场景将不断拓宽
- 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
PS：本篇文章转载于好朋友
