當西方還沉浸在聖誕節的狂歡中時，一位中國碼農，站在巨大的落地窗前，遠眺著窗外的京杭大運河。

幾分鐘後，他做了一件令矽谷震驚的事。

“一種新的模式，讓整個山谷都嗡嗡作響！”

美國CNBC電視台在報導這件事對矽谷的影響時，這樣評價。

12月26日，杭州一家名為「深度求索」的中國初創公司，發佈了全新一代大模型：

在多個基準測試中，DeepSeek-V3的性能均超越了其他開源模型，甚至與頂級的閉源大模型GPT-4o不相上下。

尤其在數學推理上，DeepSeek-V3更是遙遙領先。

令人驚訝的是，DeepSeek-V3在性能比肩GPT-4o的同時，研發卻只花了558萬美元，訓練成本不到後者的二十分之一。

在此之前，Google和Open AI花了幾年時間，耗資數億甚至數十億美元，呼叫了幾萬塊最先進的GPU，才幹成同樣的事情。

強烈的對比，讓美國人反思：大模型和算力，是否還值得投資？

許多矽谷大佬在紛紛點讚的同時，也體驗到中國科技帶來的苦澀：當美國人休息時，他們在奮力追上我們！

有趣的是，這件事與中國空軍六代機現身，幾乎前後腳都發生。

不少美國人認為，這比六代機更像上世紀50年代，蘇聯搶先發射第一顆人造衛星的斯普特尼克時刻。

然而，真正讓美國矽谷感到震撼的，還不是DeepSeek-V3的高性能、低成本，而是中國人展現的首創精神。

中國AI公司過去幾乎都在照搬矽谷，以致人們普遍認為：美國擅長從0到1的技術突破，而中國只擅長從1到100的應用落地。

DeepSeek-V3打破了這種成見，它以MLA、DeepSeekMoE等多項開創性技術，大幅提升了模型的性能和訓練效率。

美國人驚訝地發現，原來中國公司也可以作為創新貢獻者，在他們的遊戲之外，自定遊戲規則。這在過去是極其罕見的。

因為表現太過優越，DeepSeek在矽谷被譽為來自東方的神秘力量。

這股神秘的東方力量，令人稱奇的地方在於，它幕後的資方並不是騰訊、阿里這樣的網路巨頭，而是一家低調的私募基金——幻象量化。

目前，國內擁有萬卡GPU的企業不超過5家，幻方就是其中之一。

它在2023年成立子公司“深度求索”，開始DeepSeek大模型的研發，整個團隊只有139名成員，遠少於OpenAI的1200人。

執掌這支戰隊的，是一個叫梁文峰的80後，也是幻方量化的創始人。

梁文峰與幻方的故事，始於2008年。

那一年，從浙大畢業、主修軟體工程的他，沒有像同齡人一樣，進入大廠當碼農，而是一個人跑到成都，蝸居在出租屋裡。

在那裡，梁文峰開始研究電腦賺錢的各種路子。

幾番折騰下來，他決定下場做量化投資。但這個決定並不容易，畢竟當時量化在國內還是個新事物。

很多人不相信，量化可以賺錢。

每當困難時，梁文峰總會想起量化投資之父西蒙斯的一句話：一定有辦法對價格建模。

在這個信念支撐下，梁文峰苦苦熬了兩年，終於柳暗花明。 2010年，滬深300股指期貨推出，量化投資迎來了春天。

乘著這股東風，梁文峰和他的團隊大賺一筆，自營資金超過5億元。

也就是同一時期，隨著深度學習演算法的突破，人工智慧大爆發。早年在浙大就研究人工智慧的梁文峰，燃起雄雄鬥志。

2015年，他和浙大校友，共同創立了幻方量化。

幾個意氣風發的年輕人，試圖用數學和人工智慧，在中國打造一個像文藝復興那樣世界頂級的量化避險基金。

僅僅一年後，他們就上線了第一筆由AI驅動的實盤交易，並在隨後，將所有交易策略都AI化。

新技術的加持，讓幻方量化旗下基金回報率，遠超同期滬深300指數。

這推動幻方量化基金規模持續攀升，2021年一度超千億元大關，位列國內量化四大天王之一。

然而，基金規模膨脹的同時，梁文峰卻面臨一個棘手問題。

AI交易策略需要算力支援，尤其是，隨著模型參數的激增，對GPU算力的需求也不斷成長。

如何破解這一難題？梁文峰的選擇是：堆算力！

從2019年開始，幻方量化大規模佈局AI算力。

當年就投資2億元，建成「螢火一號」AI算力叢集，搭載1100塊GPU算卡。而彼時的特斯拉，才剛提出Dojo超算概念。

幾個月後，當輝達發佈最新A100晶片時，梁文峰再次搶跑，成為亞太地區第一批拿到此卡的人。

緊接著2021年，他又投資10億元，建成“螢火二號”，搭載1萬A100算卡，算力相當於76萬台個人電腦。

其佔地面積，比10個籃球場還要大。

在AI大模型還沒有爆發的年代，梁文峰的舉動，讓很多人感到瘋狂。

一家私募基金囤這麼多算力，究竟意欲何為？甚至有媒體抱怨：幻方量化把A股散戶嚇壞了。

外界對幻方量化的想像，仍停留在資本市場。

但梁文峰的目光，早已望向星辰大海。

2017年，Google研究團隊在一篇開創性的論文中，首次提出Transformer架構。這是一種完全基於注意力機制的神經網路，它顛覆了過去的傳統演算法。

一家名為OpenAI的美國初創公司，基於新架構不斷訓練自己的大模型。最終在2022年以ChatGPT引爆AI大模型時代。

此後，全球網路巨頭，沿著OpenAI的路線推進，很少有人質疑。

但一群初生牛犢的年輕人，在梁文峰的帶領下，幹了一件極其瘋狂的事：他們試圖改進Transformer架構。

事實上，從2023年創立深度求索，進軍大模型的第一天起，梁文峰及其團隊對演算法架構的反思就開始了。

當別人陷入簡單模仿OpenAI的慣性中時，這群年輕人不走尋常路。

他們冒著失敗的風險，大膽嘗試了MLA（多頭潛在注意力機制）、DeepSeekMoE（混合專家模型）等多種開創性技術。

幾年前囤下的海量算力晶片，為他們的夢想，插上了翅膀。

最終，這群年輕人創造了歷史：DeepSeek-V3橫空出世，一夜震驚了矽谷。

對比中美科技產業，我們常感嘆：

中國為什麼出不了像賈伯斯、馬斯克、黃仁勳一樣偉大的企業家？

賈伯斯生前只有一個目標：活著，就是為了改變世界。

黃仁勳早在青年時，就立下雄心壯志：要做不一樣的事，要徹底改變計算。

馬斯克更是瘋狂地喊出：要殖民火星，為人類尋找第二個家園。

相較之下，中國企業家似乎把更多的目光，放在了賺錢和生存上，很少抬頭仰望星空，對創新的重視也不夠。

事實上，過去30年，我們已經習慣摩爾定律從天而降，躺在家裡18個月就會出來更好的硬體和軟體。

這使得我們在一輪又一輪的IT浪潮中，基本上沒有參與到真正的技術創新。

但這種局面，在近幾年悄悄改變，中國新生代企業家正以突破性創新，在西方的遊戲之外另起爐灶。

「中國也要逐步成為創新貢獻者，而不是一直搭便車。」梁峰表示。

早在上大學時，梁文峰就篤定：AI一定會改變世界。畢業後，他在量化投資上，賺了足夠的錢。

這使得他，有足夠的資本，聽從內心的聲音，去做自己喜歡的事情，而不是先權衡利弊得失。

DeepSeek創立之初，就確立了核心使命：探索通用人工智慧的本質！

在中國AI界，還很少有企業敢提出如此瘋狂的目標。

於是，過去幾年，當很多大模型廠商忙著搶使用者，做商業化變現時，梁文峰卻苦哈哈搞起了看似不賺錢的基礎研究。

「創新不完全是商業驅動的，還需要好奇心和創造欲。」他說。

在梁文峰看來，中國企業在過去被商業驅動的慣性束縛了。他希望DeepSeek能擺脫這種束縛。

這樣的經營理念，在當下的中國企業界，顯得有點離經叛道。

曾經有不只一位業內人士表示：

梁文峰是中國AI界非常罕見的人，他擁有恐怖的學習能力，兼具強大的infra工程和模型研究能力，又能調動資源。

在內部員工看來，梁文峰則完全不像老闆，更像是極客。

時至今日，他依舊延續著低調的作風，和公司其他研究員一樣，每天看論文，寫程式碼，參與小組討論。

這個低調的大佬，連選人、用人的方式也跟主流格格不入。

當許多大模型公司熱衷於去海外挖人時，梁文峰卻反其道而行之，堅持從本土招人，並放出豪言：

“世界前50名頂尖人才可能不在中國，但也許我們可以自己打造這樣的人。”

不僅沒有海外人才，也沒有產業大佬。梁文峰更喜歡沒有經驗的年輕人，因為他們不受條條框框的束縛。

在DeepSeek，選人的標準一直都是熱愛和好奇心。

事實上，這家初創公司並非外界傳言的，有一群高深莫測的奇才，而都是一些畢業才幾年的年輕人。

甚至，很多是北大、清華等Top高校還沒畢業的博四、博五實習生。

因為工作太前沿，這些年輕人在開展工作時，幾乎沒有參考資料。但也正是這種空白，讓他們敢於突破傳統。

例如，DeepSeek-V3最重要的創新之一MLA架構，就來自於一個年輕人的突發奇想。

DeepSeek內部，也沒有上下級分工。

“善攻者，敵不知其所守；善守者，敵不知其所攻。這基本就是美國和中國了。”

站在匯金國際大廈，透過巨大的落地窗，京杭大運河一覽無餘。樓下的環城北路，是杭州最繁忙的主幹道之一。而在這座被嘈雜聲包圍的冷色調建築裡，誕生一家被美國矽谷稱為“東方神秘力量”的公司。

如今恐怕都不能用“火熱”“震驚”來形容它了。年末的時候，它迭代推出大語言模型DeepSeek-V3，報導稱“訓練消耗的算力僅為最強大的開源模型Llama 3 405B的1/11”，轟動了全球AI圈。

這家“神秘”的公司便是“深度求索”，大模型產品叫DeepSeek，如今更新到第三代，手機註冊帳號，個人就能免費使用。創始人叫梁文鋒，80後，浙大高才生，也是深度求索母公司——私募巨頭幻方量化的創始人。

梁文鋒很低調，平時“看論文，寫程式碼，參與小組討論”，甚至連DeepSeek機器人都反覆糾正自己的老闆叫“朱明傑”。他提前囤了一萬枚輝達的GPU，在大語言模型大門關閉前一隻腳跨了過去。深度求索成了除大廠外唯一一家能做通用大模型的中國初創公司。

公司成立一年半，很年輕，休息日不加班。保潔阿姨說是一群不起眼的小夥子和小姑娘。而這幫目光澄澈的年輕人中，一個名叫羅福莉的95後脫穎而出，她僅僅參與了上一代大模型的關鍵研發，就被雷軍用千萬年薪招至麾下，媒體叫她“天才少女”。

用梁文鋒受訪的話講，“看能力，而不是看經驗”，核心技術崗位“基本以應屆和畢業一兩年的人為主”。

過去的一年裡，他們一邊搞研究，一邊拿著新鮮熱乎的論文評獎。當有了一個不錯的想法，公司會自上而下調動資源，所以即便一個實習生，都能在大模型的研發上貢獻頗多。在矽谷圈，他們被描述為“一批高深莫測的奇才”。

無論是團隊特徵還是運作結構，難免會讓人想起那股曾風靡AI界的力量——OpenAI。這便是媒體和早期採訪中DeepSeek的樣子。

DeepSeek的規模不大，算上樑文鋒不到150人，而OpenAI有2000多人。或許，從它進入公眾視野的那一刻起，就註定會被拿來和OpenAI比較。

相較OpenAI的GPT系列產品，DeepSeek在訓練方法和模型架構上有多方面的創新。

雖然兩者都是基於Transformer架構，但它採用了全新的MLA（多頭潛在注意力機制）架構，能降低5%—13%的推理視訊記憶體，而自研的DeepSeekMoE架構，大幅減少了計算量。

知名科技博主Rick 張打了個比喻：

OpenAI的訓練方法是‘大水漫灌式’，拿來的資料放到‘黑盒’裡訓練，一次不行再試一次，直到行為止，因此很燒錢；DeepSeek是先一步利用演算法，對資料進行總結和分類，然後輸送給大模型，類似把目錄和框架先給到大模型，再將所有內容，按照這個分類和知識點，訓練大模型理解並掌握。這意味著大模型的訓練相比‘黑盒’變得更加規律和透明化。

通過此法，DeepSeek形成了最大競爭優勢——便宜，而且便宜到了“不可思議”。

根據媒體報導，DeepSeek-V3僅用了2048塊GPU，訓練了不到2個月，共花費550多萬美元。而GPT-4o模型訓練成本約為1億美元，這意味著DeepSeek的成本只有GPT-4o的1/20。

OpenAI創始成員之一   對DeepSeek-V3超低訓練成本感到震驚

鮮為人知的是，上半年中國大模型價格戰的“始作俑者”，正是DeepSeek。5月，DeepSeek-V2的推理成本被降到每百萬token僅1塊錢，是GPT-4 Turbo的1/70，智譜AI、豆包、通義千問等大模型先後跟進。

DeepSeek也因此解鎖新綽號——AI界拼多多。

然而，DeepSeek並非和價格戰中的一些玩家那樣一直“虧錢賺吆喝”。梁文鋒曾說：“我們的原則是不貼錢，也不賺取暴利。這個價格也是在成本之上稍微有點利潤。”

由於DeepSeek太過驚豔，難免會被懷疑“站在了巨人的肩膀上”。

科技圈知名研究員David 劉（化名），曾體驗過DeepSeek，他發現了一個早期的漏洞：當你問DeepSeek是誰的時候，機器人會回答“我是ChatGPT”。

“國內做大模型有個套路，喜歡拿GPT訓練，速度又快又隱蔽。”劉說，“相互訓練只是全球各大模型訓練的常規操作。當你問Google大模型產品‘你是誰’時，它同樣會說‘我是文心一言’。”

不過，DeepSeek“站在了巨人的肩膀上”更多是指OpenAI為它提供了創新的“踏腳石”。

一位DeepSeek資料科學家表示，DeepSeek-V3採用的一項關鍵項目創新建立在FP8上訓練模型，而非GPT使用的FP16。

簡而言之，FP8訓練精準度更低。如果沒有GPT-4等前沿模型“鋪路”，用較低的精準度訓練是不可能的。

打個比方。你想從A地到陌生的B地，你不知道如何到達，甚至懷疑到底能否到達時，就會變得小心翼翼，步履維艱。但如果A點到B點確定能到，而且只要按照大致方向前進，你就會放心大膽地向前跑。

清華大學人工智慧學院教授瀋陽認為，從深度思考來看，DeepSeek是國內大模型第一，也是全球開源大模型第一。

在不少業內人看來，深度求索即將加入“大模型六小龍”的陣營。

“大模型六小龍”指的是，經過一年多來的“百模大戰”，有六家估值超10億美元的獨角獸AI創業公司站穩了腳跟，分別是智譜、MiniMax、月之暗面、百川智能、零一萬物和階躍星辰，它們帶著各自的產品緊跟國外領先大模型。

這六家公司都面臨同樣挑戰。在算力上缺乏高端晶片，只能通過AI人才最佳化演算法。商業化上面臨國內大模型巨頭在開發和流量上的優勢，它們積極尋找差異化應用方向，以求在殘酷的競爭中活下來。

在七家中國大模型明星創業公司中，它是“至今專注於研究和技術的公司，也是唯一一家尚未全面考慮商業化，選擇開源路線甚至都沒融過資的公司”。

或許梁文鋒真的試圖打破“國外從0到1，中國從1到N”的定式思維——歐美人搞基礎性研究，中國人負責應用落地。

而從如今歐美科技圈的各種評論來看，聖誕節後的“大禮”，除了中國第六代戰機，可能沒有什麼比推出一款對標GPT、訓練成本只要500萬美元且開放原始碼的大模型更震撼了。以至於他們反思：難道電動車、無人機的故事，也會在AI領域重演嗎？

當然，關於DeepSeek是否真的如媒體報導的那樣效率極高、成本極低，還有待驗證。為此，我們請來了一些科技領域的專家，通過親身體驗，來客觀分析和評價一下DeepSeek的技術和前景，以及中美未來的圖景。

關於DeepSeek的使用體驗，我有四個感受。

◎ 第一，在問題答覆、文書處理方面，跟其他國產大模型相比，相差並不明顯，也時常容易出現AI幻覺。所謂的AI幻覺，指的就是AI工具給到的結論或資訊，存在一定的虛假成分或誤導性。

◎ 第二，相較於其他大模型，DeepSeek模型優點體現在多模態處理、高解析度圖片輸入、開源與商用授權政策上。換言之，能理解多種類型的資料，從圖片到音視訊等等；可以再大尺寸解析度圖片中，識別圖中細小的物體；並提供開源商用授權，為開發者和研究者提供技術支援。

◎ 第三，不足之處主要體現在處理極端複雜的情形，或者非常規的視覺-語言（VLM）場景時，還需要進一步最佳化。即讓大模型在同時接收處理一些非常規的圖像和文字時，表現有待提高。

◎ 第四，由於這個產品剛起步推廣，至今也沒有開發移動終端，社區和生態系統也有待完善。

進一步分析訓練方法和原理，與包括OpenAI的其他大模型相比，DeepSeek在高效性和成本效益方面具有明顯優勢。

DeepSeek採用了混合專家架構（MoE）和多頭潛在注意力機制（MLA），通過顯著壓縮鍵值（kv）快取為潛在向量，減少了推理過程中對鍵值快取的需求，提高了推理效率。

而以OpenAI為例，則更注重內部思維鏈（internal chain of thought）的建構，在回答問題前會主動思考，將複雜問題拆解為多個子問題。

此外，兩者在訓練資料的選擇和最佳化上可能也存在差異。

DeepSeek在架構設計和最佳化技術上進行了創新，包括混合專家架構、多頭潛在注意力機制、最佳化預訓練語料庫等。這些技術使得DeepSeek能夠在保持性能的同時，大幅度降低計算和儲存需求。

通俗一點來說，包括以下做法：

1.資料壓縮：通過MLA架構和FP8混合精度，減少資料量，降低記憶體佔用。

2.選擇性處理：優先處理重要資料，簡化次要資料，提高訓練效率。

3.知識蒸餾：利用教師模型生成高品質資料，加速學生模型訓練。

最終結果就是，DeepSeek-V3作為一款參數量高達671B的大型語言模型，在預訓練階段只用了2048塊GPU，這一數字相比其他大型模型動輒幾萬塊GPU來說僅是個零頭，確實很少。

由於沒有直接驗證，關於坊間所謂的“DeepSeek以1/11算力訓練出超過Llama 3 405B的開源模型”的真實性，我無法給出確切結論，如果這一說法屬實，那麼它確實涉及到底層技術的革命性變化。

不可否認的是，DeepSeek-V3的訓練方法確實給大模型訓練降低研發成本提供了新思路。

作為AI領域的一股清流，DeepSeek專注於研究和技術的態度值得肯定，它的實踐打破了“演算法越強算力需求越大”的認識誤區，證明了大模型對先進算力的依賴並非如想像中那麼強烈，可以有低成本的選擇。同時，DeepSeek的開源策略也為整個AI行業帶來了積極影響，加速了技術的普及和應用。

從體驗來看，DeepSeek有自己的優點，比如在解決數學運算方面的邏輯性更強一些，但是在更廣泛的知識層面的問答、常識上的問答就和百度等主流模型以及OpenAI的大模型GPT-4尚存差距。

關於媒體或專家所說的DeepSeek訓練效率更高、成本更低這件事，甚至“用1/11的訓練速度超過Google的Llama”等，目前還停留在報導層面，只是這些報導，再加上員工曾被小米高薪挖走等熱點的疊加，讓它突然火了起來。據我所知，它在量化交易上的表現較為優異，但其他商業化方面暫沒有特別突出的表現，有待進一步觀察。

相對可以肯定的是，DeepSeek是“站在巨人的肩膀上”，當前國內外的大模型發展都比較迅速，它作為“新人”自然可以集各家所長，進行訓練資料的選擇、模型架構的設計以及最佳化訓練策略，這可能是它表現優異的原因之一。

至於拿它在訓練效率上的突破，來延伸到對輝達衝擊，我覺得可能性不大，至少目前的影響很小。

中美之間，技術和人才的差距其實並不大，主要我們還是硬體部分受限，技術研究、軟體生態方面，基本上和美國不相向下。

去年六月，中國大模型和人工智慧頂級專家之一、清華大學的張鈸院士曾經排序，指出國內要想在大模型領域獲得突破。第一個要注意的是知識，第二個注意的就是演算法，第三個是資料，最後才是算力。

*小巴註：據業內人士指出，知識可能是knowhow的意思，以供參考。

DeepSeek的做法，實際上就是跑通了張院士的這套邏輯，也直接證明，國內人工智慧學界對這件事情的認知和判斷是正確的。

與此同時，它有可能會戳破美國製造的“人工智慧硬體狂潮泡沫”。

所謂的人工智慧硬體狂潮，簡單而言，即算力舉足輕重，由此輝達的卡要做得越來越好，賣得越來越貴，買的人卻越來越多。因為算力跟不上，大模型就難以實現。

但現在的情況卻相反：不需要那麼多的算力也可以搞出很好用的模型。或許這也解釋了為什麼當前輝達在到處尋找下一個階段人工智慧的機會，比如具身智能和機器人。

2025年的大模型發展，大機率會往這樣的方向發展。

第一，部分大模型不再沉醉於大規模的訓練（OpenAI在GPT-5上的推遲就是一個訊號），而是開始像DeepSeek精耕細作，做好內部的訓練。

第二，所有大模型都會去爭奪應用領域，在細分場景裡各自進化——就我們團隊的使用體驗來說，資料分析解讀上，星火和通義千問就很不錯；文章寫作，文心一言效果最好；外文讀寫，智譜AI；豆包，多模態處理能力；Kimi大模型搜尋上表現神奇等等——差異化競爭是未來方向。

有網友調侃道，很有意思啊！我們小小的杭州，幹掉美國三大科技巨頭。

一家名叫幻方量化（Deepseek）的AI公司，幹出來拼多多式的偉業，讓全世界為之震撼，把AI訓練成本直接打下來99%，打破了OpenAl的霸權；

一家名叫宇樹（Unitree）的機器人公司，幹掉了美國最知名的工程與機器人設計公司波士頓動力，秒殺原本的液壓技術路線，反超波士頓動力的機器狗；

一家名叫毫微（Nano Labs）的無晶圓廠IC設計公司，剛剛推出FPU3.0 AI ASIC設計架構，同類產品已超輝達的五倍以上。

在科技圈，一直流傳著“AI四小龍”商湯、曠視、雲從、依圖科技；“大模型六小虎”智譜、MiniMax、月之暗面、百川、零一萬物、階躍星辰。

現在，杭州也有了自己的AI三支柱。

眾所周知，AI大模型越智能，支援的場景越多，就意味著它需要的晶片和算力就越多。

全世界的算力需求，讓輝達從一家顯示卡廠商，硬生生蛻變成一家三兆美元市值的巨無霸。

但那怕是輝達、AMD、英特爾等全部半導體公司加起來，也滿足不了AI市場逐年上揚的算力需求。

就在所有AI公司都苦於算力缺口之際，來自中國杭州的一家AI創企幻方量化，發佈了一個參數量高達671B的大模型：DeepSeek-V3。

更讓人驚訝的是，DeepSeek-V3僅僅只用了2048塊GPU訓練了2個月，且只花費557.6萬美元。

對比OpenAI的GPT-4o，它的訓練成本約為1億美元，至少在10000個GPU的計算叢集上訓練。

也就是說，幻方量化只用了五分之一的晶片，二十分之一的成本，就訓練出一個參數量第一梯隊的大模型。

這樣的成績瞬間引爆了整個AI市場。

前OpenAI聯合創始人、Tesla AI團隊負責人Andrej Karpathy在社交平台發文讚歎道：”Llama 3 405B使用了3080萬GPU小時，而DeepSeek-V3看起來是一個更強大的模型，僅使用了280萬GPU小時（計算量約為十分之一）。“

“如果DeepSeek-V3的優良表現能夠得到廣泛驗證，這一模型將是在資源受限的情況下，在研究和工程方面讓人印象深刻的一次展示。”

據DeepSeek-V3研發團隊表示，之所以能用較低的價格完成高難度大模型訓練，主要是採用了高效推理的多頭潛在注意力（MLA）和用於經濟訓練的DeepSeekMoE。

多Token預測目標（Multi-Token Prediction，MTP）有利於提高模型性能，可以用於推理加速的推測解碼。並採用一種創新方法，將推理能力從長思維鏈模型（DeepSeek R1）中，蒸餾到標準模型上。

這種“分佈式推理”的方式早有人提出，例如OpenAI聯合創始人兼前首席科學家Ilya Sutskever就曾經說過：“我們已經達到了資料峰值，AI預訓練時代無疑將終結。”

但沒想到的是，一直將中國大模型視為“廉價替代品”的美國企業，在“分佈式推理”領域上，被一家中國杭州的企業先拔頭籌，用技術給他們好好上了一課。

可以說，DeepSeek-V3讓AI世界享受到了拼多多式的快樂。

如果說DeepSeek-V3的出現，讓矽谷巨頭們真切意識到中國AI產業的進步速度，而宇樹（Unitree）和毫微（Nano Labs）則繼續讓他們處於“持續應激”之中。

前不久，宇樹發佈了旗下行業級機器狗B2-W（B2機器狗的進階版）的炫技視訊，在視訊中，B2-W機器狗演示了如何爬山、涉水、越障，克服崎嶇地形、顛簸路面流暢行走。

除此之外，B2-W機器狗還能完成高難度的雜技動作：原地旋轉穩停、兩足倒立旋轉、2.8米高樓飛躍。另外，該機器人可負載40千克行走，一個成年男性的重量不在話下。

宇樹B2-W機器狗視訊引發了全網熱議，就連太平洋彼岸的馬斯克，也忍不住轉發並評論稱讚。

B2-W機器狗不僅僅是一個“高價寵物”，它最適合的場景是專業領域，比如安防巡檢、勘測探索、公共救援、醫療防疫陪護等危險廠家，讓人員避免事故風險。

據新華社12月14日報導，警用機器狗加入成都市公安局高新區分局巡邏大隊，開展安全巡邏和宣防工作。

值得一提的是，機械狗原本是美國高科企業的代表，就比如波士頓動力，從2005年就開始研發出第一款“大狗機器人”。

彼時，宇樹基本上只是波士頓動力的跟班，跟著大佬的腳步一點點“照貓畫虎”，從產品形態再到商業生態位，宇樹一直走的是波士頓動力“平替版”路線。

然而僅僅只過了數年時間，宇樹就成功研發出運動性更高、平衡性更強的動輪方案，取代了波士頓動力的四足方案，一年時間裡完成了能在戶外環境裡跋山涉水的訓練。

不少波士頓動力的死忠粉紛紛破防，還覺得宇樹B2-W機器狗的視訊一定是AI生成的CGI畫面。

除了大模型和機器人，在半導體領域，也有一家杭州公司，對“巨人”輝達發起了衝鋒。

12月26日，Nano Labs正式推出FPU3.0，採用ASIC架構，在能效上實現了五倍的提升，樹立了能源高效、高性能ASIC的新標準。能廣泛應用於AI推理、邊緣AI計算、5G資料傳輸處理和網路加速等領域。

作為AI與區塊鏈技術的老玩家，Nano Labs是國內領先的無晶圓廠IC設計公司，從2022年就陸續推出多款HTC和HPC晶片設計的全新基礎構架晶片。

目前來說，ASIC架構晶片已經成為AI世界的主流選擇。

在執行大規模特定的AI任務時，ASIC可以針對特定應用設計的專用晶片，進一步提高計算的效率、降低功耗並提高性能。

摩根士丹利在12月15日發佈研報《AI ASIC 2.0：潛在贏家》認為ASIC憑藉針對性最佳化和成本優勢，有望逐步從輝達GPU手中爭取更多市場份額。

預計AI ASIC市場規模將從2024年的120億美元增長至2027年的300億美元，年複合增長率達到34%。

目前，ASIC晶片朋友圈逐步擴大，Google、Meta、微軟、亞馬遜等大廠都將推出自家AI ASIC晶片。

“中美貿易戰裡最大矛盾，是華盛頓市賓夕法尼亞大街1600號臨時居民與深圳市南山區粵海街道企業之間的糾紛。”

這是前幾年最火熱的段子，而“華盛頓市賓夕法尼亞大街1600號”是指美國白宮；

“深圳市南山區粵海街道企業”則是指華為、大疆、中興、騰訊等坐落在深圳南山區粵海街道的中國科技大廠們。

如今中美貿易戰熱度降低，科技鬥爭的矛盾點逐漸轉移到了當下網際網路的核心：AI。

同樣，和美國科技巨頭的對抗前線，也從深圳南山區轉移到杭州。

很多人不知道，早在AI浪潮之前，杭州就已經被稱為人工智慧的“東方矽谷”，更是國內第一座“人工智慧之城”。