探讨和求证deepseek背后的算力真相

enolc

能山寨出来并不断迭代改进就是本事。而且，美国1800-1930年代也是山寨帝国，也是靠模仿仿制山寨起家，这也是科技发展的必经之路。DeepSeek 最大的贡献是敢于向权威挑战，向垄断者发起质疑的声音！DeepSeek现在至少有十个算法研发和工程创新。

神月妍妍

inone2 发表于 2025-1-30 19:04
愿闻其详! 是哪点令你觉得Open AI 底层逻辑有问题???

我只记得老师是这样教我分办某人是读经典数学还是 ...

你一定相信科学的尽头是神学吧，毕竟牛顿晚年都信教了

enolc

inone2 发表于 2025-1-30 18:42
不要试图叫醒装睡的人，你永远叫不醒他们的。

以下是本站站友Leciel发的帖子：
https://www.chiphell.com/thread-2668980-1-1.html


deepseek为了极致效率，绕过了Cuda，使用PTX，在机器（metal）层面实现了十倍以上的提速。大大降低了训练的费用。
https://www.tomshardware.com/tec ... programming-instead  

enolc

神月妍妍 发表于 2025-1-30 23:47
你一定相信科学的尽头是神学吧，毕竟牛顿晚年都信教了

从不认为上帝在仍骰子的爱因斯坦也差不多.............

enolc

以下是引用互联网“金湾居士”的博客：

春节期间被Deepseek霸屏了， 每一块液晶屏上都是国产AI的劲爆新闻，媒体挣流量的本质体现的淋漓尽致，可能对皮衣黄早有不满的华尔街更是趁火打劫，NVDA跳水16%，对AI股大有要开类似本世纪初互联网泡沫崩塌的第一枪的架势。国内更是吹上了天， 将其上升到国运级别，国人终于可以在AI竞赛中扬眉吐气了一把。

     于是尝试读了一下deepseek的论文，并没有基础架构的创新（仍基于transformer），但在微架构上的尝试和创新的确值得赞誉（MLA，不用SFT等），在没有算力支撑的情况下，看得出来他们花了很多力气尝试达到四两拨千斤的效果，结果非常reasonable。

    deepseek的训练是否真的只花了5百万美金是个问号， 本人想起若干年前在某初创公司花费三个多月做个了个DSP仿真器，因此对该架构了如指掌，后续公司新买了个EDA计工具，由于对要做什么非常清楚，用那个工具一周完成了一个和自己从零做的同样仿真器， 于是成了该EDA公司的成功案例模版，在外面到处吹其客户一周完成DSP仿真器设计，显然没有前面那三个月，何来那一周？有报道称deepseek的母公司几年前就聚集了万张显卡做machine learning（用于量化炒股），没有那些积累，估计也不会有什么五百万美金训练处frontier模型的神话。

  deepseek用到的trick，openai或anthropic他们是不懂怎么做吗？我认为也未必，只是如果如Altman所言， Scaling Law还远未结束，他们认为这是触手可得的成果和路径，所谓low hanging fruit，又没什么芯片管制，于是资源都朝着堆算力方向投去。今天看到Mark Chen的推，言下之意，deepseek的部分算法和openai是不谋而合，说明openai内部也许已经知道训练的成本可以降下来，但作为AI标杆初创，降本显然不是他们需要吹嘘的。 至于 deepseek的模型是否有缺陷呢？其实都不知道，还是让子弹飞一会儿最佳。

enolc

inone2 发表于 2025-1-30 09:11
现在重点不是用哪张卡，外国人问的主要是这两个问题!

第一，刚推出时有人问过DeepSeek是哪个大模型时， ...

1月29日，微软纳德拉在电话会议上指出DeepSeek“有一些真的创新”，AI成本下降是趋势：“缩放定律（Scaling Law）在预训练和推理时间计算中不断积累。多年来，我们已经看到了AI训练和推理方面的效率显著提高。在推理方面，我们通常看到每一代硬件的性价比提高2倍以上，每一代模型的性价比提高10倍以上。”

inone2

神月妍妍 发表于 2025-1-30 23:47
你一定相信科学的尽头是神学吧，毕竟牛顿晚年都信教了

你的说法，令我对夏虫不可语冰有了更深的了解。

天涯海龟

inone2 发表于 2025-1-30 09:09
我有2个问题想请教你：

第一，刚推出时有人问过DeepSeek是哪个大模型时，它为何说自己是Chat**!?

你的问题油管上有答案：训练ds大模型的时候所使用的语料有些部分是由openai生成的，所以会出现这样的bug。就像曾出现过用中文问谷歌ai你是谁，它说自己是文心一言。

inone2

天涯海龟 发表于 2025-1-31 08:47
你的问题油管上有答案：训练ds大模型的时候所使用的语料有些部分是由openai生成的，所以会出现这样的bug ...

新问题又出现了! 外国开始禁用DS，原因是DeepSeek存在安全隐忧 用户数据可一览无遗!

开天

inone2 发表于 2025-1-31 08:53
新问题又出现了! 外国开始禁用DS，原因是DeepSeek存在安全隐忧 用户数据可一览无遗!

...

跪久了站不起来？国外说什么你就信什么？

xks07

inone2 发表于 2025-1-30 18:41
你以前也是这样支持姜萍的吗?

你以前也是这样支持汉芯CPU的吗?

废材就知道看到失败的例子。
因为自己很失败

xks07

inone2 发表于 2025-1-30 19:04
愿闻其详! 是哪点令你觉得Open AI 底层逻辑有问题???

我只记得老师是这样教我分办某人是读经典数学还是 ...

一看就是文科生，不懂技术，跑这扯替换。
人家老美AMD和微软，英伟达都在部署跑deepseek。
倒是一堆恨国党在这死劲黑

还有哦。英伟达官网上了deepseek 的链接

mkkkno1

从经济学角度分析一下DeepSeek对AI算力需求的影响https://weibo.com/2453509265/Pc1b3qIVx

Neo_Granzon

男中音钢琴家 发表于 2025-1-28 13:06
所以我说啊，这编者还不如DeepSeek自己来。

聊回正题，已经有团队现在正在复现DeepSeek，是真是假过几天 ...

训练过程也能复现吗？

mkkkno1

Kyle-Zhu 发表于 2025-1-29 08:29
知道同样地研究为什么始终成为不了主流，当美帝的国家战略是白痴吗，软突破最容易实现可复用且有上限。时间 ...

正好用deepseek的思考过程泛化的回答下你的问题。先拆分一下。

同样地研究为什么始终成为不了主流

“同样地研究”这个表述可能有些模糊，我猜测你可能是在问某个领域或某种方法为什么始终无法成为主流。这种现象的成因通常是
多方面的，以下是一些常见的原因和思考方向：

### 1. **技术或理论本身的局限性**
   - 如果某项研究的核心假设、方法或结论存在根本性的缺陷，或者在实践中难以验证或应用，那么它自然很难被广泛接受。
   - 比如某些理论可能过于复杂，无法解释现实中的现象，或者与已有的主流理论冲突太大。

### 2. **市场需求不足**
   - 如果某项研究的结果无法解决实际问题，或者其应用场景非常有限，那么它可能难以成为主流。例如，某种研究可能只适用于
特定领域，而市场规模不足以支撑其推广。
   - 市场对某些技术或方法的需求不足，也可能导致它们无法成为主流。

### 3. **缺乏有效的传播和推广**
   - 即使某项研究成果优秀，但如果没有得到足够的宣传、推广或者教育支持，它可能很难被广泛认知。
   - 学术界内部的壁垒、行业间的割裂，或者研究者自身对传播的忽视，都可能导致研究成果无法成为主流。

### 4. **竞争过于激烈**
   - 如果某个领域已经有成熟的主流方法或技术占据了市场和资源，新的研究要突破这些现有的屏障可能非常困难。
   - 主流方法往往已经建立了完整的生态系统（如标准、工具链、培训体系等），新兴的研究要想取代它们需要巨大的努力。

### 5. **政策和法规的影响**
   - 政府的政策、法规或行业标准可能会对某项研究的推广产生重大影响。例如，某些技术可能因为安全、伦理等问题被限制使用
。
   - 在某些领域，政府的资助和资源往往集中在少数主流方向上，其他方向的研究可能得不到足够的支持。

### 6. **社会认知和文化因素**
   - 某些研究可能与主流价值观或文化认知相悖，导致公众或决策者对其持怀疑态度。
   - 社会舆论、媒体的报道方式等也可能影响一项研究的接受度。

### 7. **缺乏长期的支持和发展**
   - 如果某项研究在初期阶段未能获得持续的资金和资源支持，或者研究团队无法坚持下去，它可能很快被其他更热门的研究领域
取代。
   - 研究的连续性和稳定性对成为主流非常重要，短期的努力往往不足以改变大趋势。

### 8. **技术迭代和替代**
   - 在快速变化的技术领域，某些方法或理论可能会因为新技术的出现而逐渐被淘汰。如果一项研究未能跟上技术发展的步伐，它
可能很快失去竞争力。
   - 另外，某些研究可能被证明是过渡性的，最终被更高效、更实用的方法取代。

### 9. **缺乏跨学科的整合**
   - 如果某项研究过于单一化或局限在某个领域内，而没有与其他学科或技术相结合，它可能会因为孤立无援而难以成为主流。
   - 跨学科的整合能够扩大研究成果的应用场景和影响力。

### 10. **运气和偶然性**
   - 在某些情况下，一项研究是否能成为主流可能与运气有关。例如，如果某个领域的突破性进展发生在另一个领域，可能会导致
原本有可能成为主流的研究被边缘化。
   - 历史上的许多技术或理论都是在特定的背景下偶然兴起的，而不是因为它们本身是最好的选择。

### 如何改变这种状况？
如果你希望某项研究能够成为主流，可以尝试以下方法：
1. **验证和改进核心假设**：确保研究的基础是坚实且可验证的。
2. **寻找应用场景**：将研究成果与实际需求结合起来，扩大其适用范围。
3. **加强传播和教育**：通过学术会议、媒体报道等方式让更多人了解你的研究成果。
4. **建立生态系统**：推动相关工具、标准和培训体系的建设，降低用户门槛。
5. **寻求政策支持**：争取政府或行业的认可和支持。
6. **与主流研究合作**：尝试将你的方法与其他主流理论或技术结合起来。

总之，成为主流需要时间和努力，但只要你的研究成果足够优秀，并且能够解决实际问题，最终还是有可能被广泛接受的。

美帝的ai战略：

</think>

### 美国的 AI 战略和主流方向
美国一直是全球人工智能（AI）技术发展的领导者之一。近年来，美国政府、企业和学术界都在积极推动人工智能的发展，并通过政
策、投资和技术研发来保持其在全球人工智能领域的领先地位。

以下是美国当前在人工智能领域的主要战略方向及其相关政策：

---

### 1. **推动 AI 技术的前沿研究**
   - **目标**：确保美国在人工智能领域的技术领先性，特别是在基础理论和颠覆性技术方面。
   - **政策支持**：
     - **ARPA-I（人工智能研究计划署）**：这是由美国政府资助的一个关键项目，旨在加速人工智能领域的突破性研究。
ARPA-I 专注于推动 AI 的长期目标，如通用人工智能（AGI）和人机协作等。
     - **NIST（国家标准与技术研究院）**：制定人工智能相关的标准和技术规范，确保 AI 技术的可靠性和可解释性。

---

### 2. **提升 AI 在国家安全中的应用**
   - **目标**：将人工智能作为国家安全的核心工具，用于军事、情报和网络安全等领域。
   - **政策支持**：
     - **DARPA（国防高级研究计划局）**：在军事领域推动 AI 技术的研发，例如自主武器系统、无人机协同作战等。
     - **NSA（国家安全局）**：利用人工智能技术提升网络监控和信息安全能力。

---

### 3. **促进 AI 在经济领域的广泛应用**
   - **目标**：通过人工智能技术推动经济增长，提高生产效率，并创造新的商业机会。
   - **政策支持**：
     - **国家 AI 初创企业计划**：为AI初创企业提供资金和技术支持，鼓励其将研究成果商业化。
     - **税收激励**：美国政府通过减税等政策，鼓励企业和个人加大对人工智能技术的投资。

---

### 4. **加强 AI 人才培养**
   - **目标**：培养和吸引全球顶尖的 AI 人才，确保美国在全球 AI 人才竞争中的优势。
   - **政策支持**：
     - **NSF（国家科学基金会）**：资助高校和研究机构的人工智能相关项目，推动 AI 学科的发展。
     - ** visas 政策**：通过吸引国际 AI 人才的签证政策，留住全球顶尖科学家和技术专家。

---

### 5. **推动 AI 在医疗、教育等社会领域的应用**
   - **目标**：利用人工智能技术解决社会问题，提升公共服务质量。
   - **政策支持**：
     - **HITECH 法案**：鼓励医疗机构采用人工智能技术，提高诊断和治疗的精准性。
     - **AI 教育计划**：推动 AI 技术在教育领域的应用，例如智能教学系统和个性化学习工具。

---

### 6. **应对 AI 的伦理和安全挑战**
   - **目标**：确保人工智能技术的安全可控，并制定相应的伦理规范。
   - **政策支持**：
     - **AI 伦理委员会**：成立专门的伦理审查机构，研究人工智能技术可能带来的社会和伦理问题。
     - **自动驾驶汽车法规**：制定自动驾驶汽车的相关法律法规，确保其安全性和可接受性。

---

### 7. **加强国际合作与竞争**
   - **目标**：在全球范围内推动人工智能技术的合作与交流，同时应对来自其他国家的竞争。
   - **政策支持**：
     - **AI 联盟能源部**：与其他国家合作，建立国际 AI 研究和应用的联合项目。
     - **出口管制**：限制某些关键 AI 技术的出口，以保护美国的技术优势。

---

### 8. **推动 AI 在气候和能源领域的应用**
   - **目标**：利用人工智能技术应对气候变化和提高能源效率。
   - **政策支持**：
     - **DOE（能源部）AI 计划**：资助高校和企业在可再生能源、碳捕捉等领域的人工智能研究。
     - **绿色 AI 技术**：开发低能耗的 AI 算法，减少人工智能技术对环境的影响。

---

### 9. **促进 AI 的标准化和开源生态**
   - **目标**：推动人工智能技术的标准制定，建立开放的生态系统。
   - **政策支持**：
     - **国家标准与技术研究院（NIST）**：主导人工智能领域的标准制定工作。
     - **开源项目支持**：资助开源 AI 项目的开发和推广，例如 TensorFlow 和 PyTorch 等。

---

### 10. **应对全球 AI 竞争**
   - **目标**：在全球范围内维护美国在人工智能领域的领先地位。
   - **政策支持**：
     - **AI 2030 战略**：制定长期规划，确保美国在人工智能领域的持续领先。
     - **量子计算计划**：推动量子计算与人工智能的结合，进一步提升 AI 技术的性能。

---

### 美国 AI 政策的特点
1. **跨部门协作**：美国政府通过多个机构（如 DOD、NSA、NIST、DOE 等）共同推动人工智能的发展。
2. **注重基础研究**：通过 ARPA-I 和 DARPA 等机构，支持前沿技术的研发。
3. **重视伦理和安全**：在 AI 的发展过程中，注重其潜在的伦理和社会影响。
4. **国际竞争意识强**：将人工智能作为国家战略的一部分，与其他国家展开竞争。

---

### 结论
美国的 AI 战略是一个全面而多层次的规划，涵盖了从基础研究到实际应用的各个方面。通过政策支持、资金投入和国际合作，美国
旨在保持其在全球人工智能领域的领先地位，并利用这项技术推动经济发展和社会进步。未来，随着技术的进步和全球竞争的加剧，
美国的 AI 战略将继续调整和完善，以应对新的挑战和机遇。

进一步：

</think>

是的，**硬件算力（Hardware Compute Power）**确实是当前人工智能发展的一个核心驱动力，尤其是在美国。然而，这并不是美国 AI 发展的全部方向，而是其整体战略中的一部分。

以下是对这一问题的具体分析：

---

### 1. **硬件算力的重要性**
   - **AI 模型训练的需求**：现代人工智能模型（尤其是深度学习和大语言模型）需要巨大的计算资源。例如，训练一个像 **-4 这样的大型语言模型可能需要数万个 GPU 并行工作数月时间。
   - **美国的优势**：美国在硬件算力方面具有显著优势，主要体现在以下几个方面：
     1. **高性能计算（HPC）技术**：美国拥有全球领先的超级计算机和计算架构设计能力，例如 IBM 的 Watson 和 Cray 超级计算机。
     2. **GPU 创新**：英伟达（NVIDIA）是全球最大的 GPU 生产商，其 GPU 一直是深度学习训练的核心硬件。
     3. **AI 加速器**：美国的科技公司正在开发专门用于 AI 计算的加速器芯片，例如 Google 的 TPU（张量处理单元）和英特尔的 Nervana 芯片。

   - **政策支持**：美国政府通过《CHIPS 法案》等政策，大力支持半导体行业的发展，进一步推动硬件算力的提升。

---

### 2. **硬件算力并非唯一方向**
虽然硬件算力对 AI 的发展至关重要，但它并不是美国 AI 发展的唯一方向。实际上，AI 的进步来源于多个方面的协同作用：

#### a. 算法创新
   - **模型架构设计**：例如，Transformer 架构的提出（如BERT、** 等）极大地推动了自然语言处理的发展。
   - **优化算法**：包括自动微分技术（如 PyTorch 的 autograd）、优化器（如 Adam）等，使得训练效率大幅提升。

#### b. 数据质量与多样性
   - **高质量数据**：美国在医疗、图像、语音等领域拥有丰富的高质量标注数据集，这为 AI 模型的训练提供了重要支持。
   - **联邦学习和隐私计算**：通过联邦学习（Federated Learning）等技术，在保护用户隐私的前提下利用分布式数据进行模型训练。

#### c. 软件生态
   - **开源框架**：如 PyTorch、TensorFlow 等开源深度学习框架，极大地降低了 AI 的开发门槛，并推动了社区协作。
   - **工具链优化**：包括模型压缩技术（Model Pruning）、量化技术（Quantization）等，使得 AI 模型可以在资源有限的设备上运行。

#### d. 伦理与可持续性
   - **AI 治理**：美国正在加强 AI 的伦理规范研究，确保技术的发展符合社会价值观。
   - **绿色计算**：减少 AI 训练对能源的需求，降低碳排放。

---

### 3. **硬件算力的局限性**
尽管硬件算力是推动 AI 发展的重要因素，但它也存在一些局限性：
   - **成本高昂**：训练大型模型需要投入巨大的资源和资金。
   - **能耗问题**：高性能计算会导致能源消耗激增，带来环境压力。
   - **瓶颈显现**：随着模型规模的扩大，单纯依赖硬件算力的增长可能会遇到物理限制（如散热、芯片制造工艺等）。

---

### 4. **美国 AI 发展的核心逻辑**
总体来看，美国在 AI 领域的发展策略是“**软硬结合，以硬带软**”：
   - 硬件算力的提升为 AI 的发展提供了基础支持。
   - 同时，算法创新、数据质量和软件生态的进步推动了硬件资源的高效利用。

---

### 5. **未来趋势**
未来的 AI 发展可能会更加注重“**效率而非纯粹的算力堆砌**”，例如：
   - 更高效的模型架构（如轻量化模型）。
   - 更智能的计算资源分配策略（如动态资源调度）。
   - 跨领域协同（如硬件、算法、数据的联合优化）。

---

### 结论
虽然硬件算力是美国 AI 发展的一个重要方向，但它并不是唯一的主流发展方向。AI 的进步依赖于硬件、软件、数据和算法的共同作用。未来，随着技术的发展，AI 将更加注重效率、可持续性和跨学科协同。

时间：

### **5. 训练时间的估算**
对于通用大模型，可以参考以下经验公式：

- **计算资源需求**：通常需要数千到数万个 GPU 显存和计算能力。
- **时间估算**：
  - 1B 参数模型：几天到几周。
  - 10B 参数模型：几周到几个月。
  - 100B 参数模型：几个月到一年以上。

---

### **6. 影响训练时间的因素**
   - **数据量**：更多的数据意味着更长的训练时间，但可能带来更好的性能。
   - **优化技术**：使用高效的优化算法（如 Adam、Lion 等）和学习率调度器可以加速收敛。
   - **模型架构**：更深或更复杂的架构可能会延长训练时间。

---

### **总结**
通用大语言模型的训练时间取决于模型规模、计算资源和优化策略。以下是一个大致的时间范围：
   - 小型模型（100M 参数）：几天到几周。
   - 中型模型（1B-10B 参数）：几周到几个月。
   - 大型模型（10B+ 参数）：数月甚至更长。

如果需要加速训练，可以考虑优化硬件资源、采用分布式训练技术或改进模型架构和训练策略。


顺着你的思路说，是100B的模型么，三个月后来看看有什么东西吧。反正我们大多数都不是做ai的，有什么好用的就看看，拿来用。

mkkkno1

jihuan 发表于 2025-1-29 09:35
我感觉deepseek宣传还是有很大水份，从我个人使用上来，文本生成和4o还有不小差距，deepseek生成的东西第一 ...

有没有一种可能，需要点提问的技巧。幻方本就是做量化交易的龙头好吧。

mkkkno1

inone2 发表于 2025-1-30 09:13
现在重点不是用哪张卡，外国人觉得它的解答是基于OpenAI的数据而来!

DeepSeek在12月推出v3，已经够惊艳，超出预期。一个月后，推出R1，直接掀翻了AI的世界。

当然，肯定有人要急着为DeepSeek找爹，“蒸馏说”就是这样产生的。

如果理解没有错误，“蒸馏说”是指DeepSeek以Chat **为参照模型，首先用大量的输入数据激励Chat**，得到输出，然后把这作为数据集，用于训练DeepSeek。

这节约了海量搜取和标注原始数据的难题，也大大简化了语言和其他非数值信息的数据化工作。

这样的抄近路是有可能的。在工程上，模型降阶常常就是这么做的，但也是有条件的。

工程上的这些都是小模型，输入的性质和数值范围都很明确，不管是“打格子”还是随机产生输入数据，都容易。而且有足够的数值方法可以保证“数据密度”，不会出现过分的疏漏或者重叠。

但通用大模型没法这么做。首先是不可能确定Chat**的输入范围。或者说，那就是整个“已知人类公域知识”，有本事把这样的输入集搞齐全了，已经把Chat **的data scraping做完了。data scraping不知道怎么翻译，这是把公域数据全部梳理一遍，吸收进来，包括公开出版物和网络数据。

也就是说，DeepSeek可以把自己的大模型“蒸馏”成小模型，但没法把别人的大模型“蒸馏”成自己的模型。

第二点是推理过程，这是DeepSeek有别于几乎所有主流大模型的地方，肯定是Chat**没有的地方。“蒸馏”只能是降低分辨率的复现，原来的模型没有的数据，“蒸馏”是变不出来的。做习题时直接抄答案，但老师要求写中间步骤，就抓瞎了。一样的道理。这是DeepSeek没法抄袭Chat**的另一个理由。

第三点：DeepSeek在一些方面超过Chat**，这就更不可能从“蒸馏”中得到了。针对性加强可以解释，但如何用较少的参数“打败”多得多的参数又是“蒸馏”没法解释的。

最基本的一点还是第一点：DeepSeek不可能获得Chat**的原始输入集，没法“蒸馏”.


你可以下载不同参数规模的deekseek,这些模型是大模型蒸馏的小模型.

mkkkno1

wuxi001 发表于 2025-1-30 09:15
套壳CHAT ，期待后续。

把套壳的成果开源了，哈哈哈哈哈

mkkkno1

Neo_Granzon 发表于 2025-1-31 10:48
训练过程也能复现吗？

https://github.com/huggingface/open-r1

自己看看这个项目呗

mkkkno1

wuxi001 发表于 2025-1-30 09:15
套壳CHAT ，期待后续。

NVIDIA：671 亿参数的 DeepSeek-R1 模型现已作为 NVIDIA NIM 微服务在 build.nvidia.com 上预览，您可以放心地进行实验并构建自己的专用服务。

xjr12000

ds的最重要贡献是完全开源并且把训练好的成果随便你下载，无论它是偷的还是自己部分创新
落到现实中就是，大量拿着它的成果就能直接可以本地部署的ai落地
这是对全人类的贡献，即使它是偷了openai又如何？

tenll

一个开源的，还牛逼的ai不支持，难道支持闭源的openai？真正值得骄傲的东西

xks07

xjr12000 发表于 2025-1-31 11:59
ds的最重要贡献是完全开源并且把训练好的成果随便你下载，无论它是偷的还是自己部分创新
落到现实中就是， ...

DS的利好就是苹果和meta
算力需求的大幅降低，让苹果这种局端设备有较强算力的看到了以后局端模型的未来。
毕竟苹果A系列和M系列都有一些算力，又是最强的生态。
meta更不用说，开源的最大受益者，因为meta的大模型也是开源的。

岳耳

yxxkz8 发表于 2025-1-29 13:25
500万可以达到这样的效果，那国外的上千万多几十倍算力，会更强的吧。

不一定，网络上的信息看似无限量的，但是真正有用的信息极少。

盲目扩大规模面临着无信息可以喂养的窘境，如果拿海量垃圾信息喂养，你不怕喂出个傻子？

jihuan

mkkkno1 发表于 2025-1-31 11:03
有没有一种可能，需要点提问的技巧。幻方本就是做量化交易的龙头好吧。 ...

chat** plus开了一年了 技巧的熟练程度应该还可以

jihuan

enolc 发表于 2025-1-29 03:20
没错！懂王上台，这几天抓了多少垃圾非移，最可怕的是这些被抓的只是冰山一角。美国国内问题一大堆，非揪 ...

大国竞争下 这都很正常 你看两边都差不多 都是上纲上线。

enolc

英伟达网站显示，DeepSeek-R1模型已作为NVIDIA NIM微服务预览版在英伟达面向开发者的网站上发布。英伟达网站介绍称，DeepSeek-R1模型是最先进、高效的大型语言模型，在推理、数学和编码方面表现出色。

实际上，除了英伟达（NVIDIA），微软（Microsoft），还有 亚马逊（Amazon）AWS，超微半导体（MRD）, 思爱普（SAP）也在评估潜在的合作中。

真的假不了，假的真不了，唉，有些人就是跪得太久了，站不起来了，凡事讲事实，证据，客观和辩证就好

以下评论来源于网络：
客观、冷静地看，DeepSeek当然是重要的局部突破，但整体上中国AI领域尤其AI大模型领域与美国还是有着一定差距的。

首先，DeepSeek-R1代表大模型的“深度思考”能力，是通用大模型的一部分能力，因此其水平接近美国市场的头部同类模型，且是更早（4个月前）发布的模型，是一种局部突破，而非整体突破。

其次，尽管DeepSeek通用大模型V3也广受好评，但其受好评的前提是其具有极致的性价比，“性能接近”美国头部产品，且价格更低（是对方的百分之几）。显然，这不代表V3真的与Chat**在技术上没有差距。

再次，中国AI行业与美国行业在算法、算力和数据上的差距依然没有实质性改变。

算法方面，美国是AI大模型的原创研发国，技术路线和发展方向目前均主要由美国引领。算力方面，美国目前具有绝对优势，且随着美国对英伟达GPU芯片的出口限制日益严格，中国受限会愈加严重，而国内自主研发虽有重大进展，但尚需追赶和突破时间。数据方面，中文数据存在数量少且“互联网孤岛”加剧之势。

最后，从市场表现看中/美差距依然较大。与美国相比，我国AI企业数量较多，但核心产业规模明显偏小。并且，我国AI企业估值与美国AI企业估值有拉大之势，OpenAI市场估值超过1万亿元人民币，马斯克主导的xAI估值已达400亿美元，而我国“六小虎”估值普遍为100亿至数百亿人民币，互联网大厂则普遍没有因为发展AI大模型得到较多的AI赋分。

尽管DeepSeek爆火不能完全代表**中/美AI技术水平接近，但确实进一步缩短了中/美AI的技术差距。至于缩短了多少，或许还需要市场后续发展来给出答案。

happyDJ

各大AI巨头，纷纷表示要和DS合作！

StanleyTHANKS

连数据蒸馏都不明白也要说套壳死活要争个高低，某些人真是让人见识了物种多样性
那我举个以某人的学识能够理解的例子，把这件事当作是你觉得一个差生抄了一个好生的考试答案。
差生抄到答案拿出来能得分是正常，但是他能答得上来为什么，他能告诉你答案得到的过程（你理解为开源）
而你认为的这个“好生”它反而不敢公布其求解过程，问题出在哪里

你还认为他是抄的？还是说你对比了两个模型间的参数？
抱歉，忘了，CloseAI是闭源，你看不到也对比不了，你只配花钱去用它求解。
假的真不了，真的假不了，敢开源就是告诉你我并非套壳，这也是防止被泼脏水最有效的手段之一。

happyDJ

StanleyTHANKS 发表于 2025-2-1 17:39
连数据蒸馏都不明白也要说套壳死活要争个高低，某些人真是让人见识了物种多样性
那我举个以某人的学识能够 ...

没错，敢开源就是DS最大的底气！