兰 亭 墨 苑

标题 *

URL 别名 *

内容 * (支持 Markdown 格式) 《DeepSeek：从量化实验室到AI基础设施》——2万字深度资料 --- 第一部分：序章——DeepSeek是谁？ 1.1 开篇：一个打破常规的AI样本 2026年7月，一则消息引爆全球AI与资本圈：国内大模型独角兽DeepSeek已正式启动IPO筹备工作，计划登陆科创板，最快于2026年底提交上市申请，目标2027年正式挂牌。此时，距离这家公司成立仅过去三年。 三个月前，DeepSeek完成了首轮外部融资，募资规模超500亿元人民币，投后估值约520亿美元。而就在IPO消息传出的同时，公司正紧锣密鼓地推进第二轮融资，投前估值已攀升至710亿美元（约合人民币4800亿元）。 从100亿美元到710亿美元——这是DeepSeek在不到三个月内的估值跃迁幅度。 比数字更值得关注的，是这家公司走过的独特路径：它从量化交易起家，拒绝VC多年，以“全栈开源”策略颠覆全球AI竞争格局，用557万美元的训练成本做出了业界认为需要10亿美元才能完成的事，如今又以“创始人绝对控股+长锁定期”的结构迈入资本市场。 “DeepSeek的故事，是一部关于算力、算法与主权意识的叙事。” 1.2 基因溯源：幻方量化的算力遗产 要理解DeepSeek，必须先理解它的前身——幻方量化。 2008年，全球金融危机爆发，彼时的梁文锋正在浙江大学攻读信息与通信工程硕士。这场危机让他对金融市场产生了浓厚兴趣——他看到的不是恐慌，而是定价失灵中蕴含的结构性机会。毕业后的几年里，他从高频交易起步，逐步构建起自己的量化投资体系。 2016年，梁文锋创办幻方量化。此后的数年，这家公司成为中国量化投资领域的隐形冠军。但真正为DeepSeek埋下种子的，是幻方在AI算力上的超前布局： · 2019年：投资2亿元搭建“萤火一号”高性能计算集群 · 2021年：斥资10亿元建设“萤火二号”，配备约1万张英伟达A100 GPU 这笔在当时看来近乎疯狂的算力投入，让幻方拥有了不输于任何一家AI公司的基础设施储备。更重要的是，量化交易对算法效率的极致追求——每一毫秒的延迟都可能意味着盈亏——塑造了这支团队独特的工程文化：在给定的资源约束下，榨出最大的性能。 当梁文锋决定在2023年创办DeepSeek时，他带走的不仅是这笔算力遗产，更是一整套关于“效率优先”的方法论。 1.3 核心定位：“不做垂类和应用” DeepSeek的公司全称是“杭州深度求索人工智能基础技术研究有限公司”。名字已经暗示了它的定位：致力于研究和探索AGI，而非做垂类和应用。 这不是一句口号。从V1到V4，DeepSeek始终聚焦于基座模型本身，而非像大多数AI公司那样试图通过应用层快速变现。这种定位在商业上看似“慢”，却为其构建了一个独特的生态位：当所有竞争对手都在争夺同一批终端用户时，DeepSeek选择成为所有竞品背后的“水电煤”。 而让这个定位真正成立的，是DeepSeek最具标志性的战略选择——开源，而且是MIT协议下的“全栈开源”。 --- 第二部分：模型演进——从V1到V4的技术攀登 2.1 早期探索（2022-2024） DeepSeek-V1与V2：奠定架构基础 2024年1月，DeepSeek发布了初代大语言模型DeepSeek LLM，采用Transformer架构，基于2万亿token的中英文混合数据集进行预训练，参数规模达到670亿。在多项基准测试中，其性能优于LLaMA-2 70B和GPT-3.5。 2024年5月，DeepSeek-V2首次引入混合专家（MoE）架构，通过动态路由机制优化推理性能。这是DeepSeek技术路线上的第一个关键转折：从“更大”转向“更聪明”。 MoE架构的核心思想是：模型的总参数可以很大，但每次推理只激活其中一部分。这使得V2在保持性能的同时，推理成本大幅低于同参数规模的密集模型。 DeepSeek-V3（2024年12月）：一战成名 2024年12月26日，DeepSeek-V3正式发布。这是DeepSeek第一次真正震动全球AI行业。 技术规格令人瞩目： · 总参数671B，激活参数仅37B（MoE架构） · MLA（多头潜在注意力）+ DeepSeekMoE：推理效率的关键突破 · 预训练数据14.8T tokens · 训练消耗278.8万H800 GPU小时 · 训练成本仅557.6万美元 “557.6万美元”这个数字在当时引发了行业地震。作为参照，同等规模模型的训练成本通常在1-10亿美元级别。DeepSeek用不到千分之一的成本，做出了性能可媲美GPT-4o的模型。 它的秘诀不是某单一技术突破，而是MLA注意力压缩 + MoE稀疏路由 + FP8混合精度训练 + DualPipe流水线并行这套组合拳带来的系统级效率提升。 2.2 推理模型时代：DeepSeek-R1（2025年1月） 如果说V3让行业知道了DeepSeek“能省”，那R1则让行业知道了DeepSeek“有多强”。 2025年1月20日，DeepSeek-R1发布，这是全球首个性能对标OpenAI o1正式版、且完全开源的推理模型。 R1的核心突破在于“推理透明化”： 传统的“思考链”（Chain of Thought）推理往往隐藏在模型内部，用户只能看到最终答案。R1则公开了完整的推理路径——模型会先写出逐步推理过程，再给出最终结论。 这不仅是技术上的突破，更是范式层面的颠覆：它让AI的“思考过程”变得可审查、可验证、可干预。 R1发布后的市场表现堪称现象级： · 18天下载量突破1600万次，超越ChatGPT首发表现 · 成为Hugging Face平台上获赞最多的模型之一 · 衍生模型在Hugging Face的累计下载量突破千万次 更深远的影响在于开源策略：R1采用MIT协议，允许自由使用、复制、修改和商用，无需额外授权。这直接“倒逼”全球AI社区重新思考开源的价值。 R1之后的持续迭代： · R1-0528（2025年5月）：推理能力显著增强，AIME 2025基准从70.0提升至87.5 · V3.1（2025年8月）：单一模型支持“思考模式”与“非思考模式”自由切换，SWE-bench Verified达66.0 · V3.2（2025年12月）：进一步优化Agent能力，引入Speciale版本探索推理极限 2.3 V4系列：百万上下文与效率革命（2026年4月预览版） 2026年4月24日，经历了长达十五个月的沉默后，DeepSeek终于亮出了底牌——V4预览版正式上线并开源。 行业等待了太久。自R1发布之后，DeepSeek在公众视野中几乎消失——除了V3.1、V3.2等零星更新，外界对其真正进展一无所知。而当V4终于揭开面纱时，它带来的不只是一次模型升级，而是一整套关于“百万token上下文如何真正可用”的系统性答案。 模型参数： 模型 总参数 激活参数 上下文长度 DeepSeek-V4-Pro 1.6T 49B 1,048,576 DeepSeek-V4-Flash 284B 13B 1,048,576 两款模型均原生支持100万token上下文——而且是标配，不是高端增值服务。 三大核心架构创新： 1. CSA + HCA混合稀疏注意力 这是V4最核心的效率引擎。 过去，标准注意力机制的复杂度是O(n²)——上下文长度翻倍，计算量和显存需求翻四倍。这就是为什么大多数号称支持128K上下文的开源模型，到了真实64K场景就已明显卡顿。 V4用两套机制解决了这个问题： · CSA（压缩稀疏注意力）：先把每4个相邻token的KV压缩成1个压缩entry，再用一个轻量级的“索引器”为每个查询选出最相关的top-k个压缩entry进行精读。相当于“先粗读全文，再精读关键段落”。 · HCA（重压缩注意力）：压缩比拉满到128:1，不再做top-k选择，直接在高度压缩的全局摘要上做dense attention。相当于一条“永远在线的全局浏览通道”。 两者交错排布——V4-Pro前2层HCA、之后CSA/HCA交替——构成了“局部精读 + 全局浏览”的双轨注意力机制。 效果惊人：在1M token场景下，V4-Pro的单token推理FLOPs仅为V3.2的27%，KV Cache仅为V3.2的10%；V4-Flash更激进——FLOPs 10%、KV Cache 7%。 2. mHC（流形约束超连接） V4没有沿用标准的残差连接，而是引入了mHC来强化深层堆叠的训练稳定性。 简单来说，mHC把残差通路的变换矩阵强制约束在“doubly stochastic矩阵流形”上——每行每列的和都为1、元素非负。相当于给信息跨层传递加上了一条“概率守恒律”，避免信号在深层网络中爆炸或消失。 3. Muon优化器替代AdamW V4在大参数模块上用Muon替代了行业标准的AdamW优化器。 Muon的核心思路是：不逐元素估计二阶矩，而是对梯度矩阵做正交化后再更新。方向更稳、收敛更快。但代价是工程复杂度——Muon与ZeRO的参数切分天然冲突，V4团队用knapsack算法做bucket分配、用两阶段all-to-all通信才解决了兼容性问题。 国产算力适配的战略意义 V4延期发布的重要原因，并非bug修不完，而是DeepSeek把整套系统从英伟达生态迁移到了华为昇腾芯片上。 这件事的难度怎么强调都不为过：R1时代对英伟达GPU的PTX底层优化全部作废，整套底层代码、调度逻辑、工程体系需要重写一遍。昇腾在单节点GPU间带宽、算子覆盖、自动并行成熟度等方面与CUDA生态仍有明显差距，DeepSeek工程师为此花了数月时间重写核心代码。 但这件事的战略价值同样巨大。英伟达CEO黄仁勋对此评论称，DeepSeek基于华为平台的新模型“对美国来说将是一个糟糕的结果”。一旦顶级模型在中国国产硬件上跑通稳定高效的推理，美国芯片的护城河就不再牢固。 --- 第三部分：开源生态——从模型到标准 3.1 开源传播的梅特卡夫效应 DeepSeek选择了“全栈开源”策略，而且是MIT协议。这意味着它的核心技术对全球开发者完全开放——任何人都可以自由使用、修改、复制，甚至可以商用，无需额外授权。 这套策略带来的效果，可以用梅特卡夫定律来理解：网络的价值与用户数量的平方成正比。 使用DeepSeek模型的人越多，围绕它的生态就越繁荣，而生态越繁荣，又吸引更多人使用。 截至2025年初，DeepSeek估值已突破50亿美元，其开源模型在Hugging Face榜单上连续三月超越LLaMA。DeepSeek-R1发布仅一个月左右，其衍生模型在Hugging Face的下载量已突破千万次。 作为对比，Meta的LLaMA系列虽然也是开源，但其训练代码与数据配方仍保密，且社区许可协议对月活超过7亿用户的商业化应用设置了额外限制。Mistral AI采取“渐进式开源”策略，逐步开放模型架构，但仍保留一些关键技术。而OpenAI则完全走闭源路线，靠技术壁垒实现规模化商业变现。 DeepSeek的“全栈开源”在开放程度上是三者中最彻底的。 3.2 中国开源AI生态的转折点 在DeepSeek-R1发布之前，中国AI行业的开源生态远不如今天活跃。 以百度为例：2024年，百度在Hugging Face上的开源发布几乎为零。R1发布后，这一局面发生了根本性转变。2025年，百度在Hugging Face上发布了超过100个开源项目，字节、腾讯的开源发布量提升了8-9倍。 中国高性能模型以每周节奏推出，模型下载量超过任何其他国家。DeepSeek的开源策略直接重塑了国产AI生态——从“闭源主导”转向“开源竞合”。 3.3 DeepSeek作为事实标准 随着DeepSeek模型在开发者社区中的渗透率持续上升，其技术栈正在成为事实上的行业标准。 在兼容性层面，DeepSeek已对接Ollama、vLLM、SGLang等主流大模型服务框架，以及ChatBox、AnythingLLM等入口应用。在硬件层面，华为昇腾、寒武纪、沐曦等国产芯片均原生适配DeepSeek模型。 一个“模型—框架—应用—硬件”的全链路生态正在聚集。 3.4 风险挑战 开源模式并非没有代价。DeepSeek面临的风险至少包括： · 供应链风险：大模型入口程序（如Hugging Face、Ollama）本身构成供应链依赖 · 上游依赖：PyTorch、CUDA等基础框架的变化可能影响兼容性 · 商业化的两难：开源的彻底性限制了“直接卖模型访问”的商业模式空间，迫使DeepSeek转向增值服务和垂直定制 这些风险并未阻碍DeepSeek的脚步，但成为其从“纯开源模型公司”向“全栈AI基础设施公司”转型的内在驱动力。 --- 第四部分：商业进化——从“不融资”到IPO筹备 4.1 非典型创业：拒绝VC的“孤胆英雄”阶段 在2026年之前，DeepSeek是AI行业著名的“不融资分子”。 梁文锋多次拒绝中国顶级VC的融资提议，凭借幻方量化的资金兜底，走了一条“不贴钱，也不赚取暴利”的非典型创业路径。这种策略在早期有其合理性——研究驱动的节奏不需要受资本回报周期的挤压，可以更从容地探索长期技术路线。 但到了2026年，局面变了。 4.2 首轮融资（2026年6月）：70亿美元的豪华阵容 2026年5月，DeepSeek完成成立以来的首轮外部融资，募资规模超500亿元人民币。 出资方阵容： 出资方 出资额（约） 持股路径 梁文锋（个人） 200亿元 最大单一出资方，持股约84.29% 腾讯 100亿元 通过上海珩岫、上海知勉持股 宁德时代体系 约50亿元 通过问鼎投资、溥泉资本持股 京东 约30亿元 通过持股平台 网易 约30亿元 通过持股平台 IDG资本 约30亿元 通过两个持股平台 国家人工智能产业基金 约10亿元 持股约0.28% 这个名单背后的战略逻辑非常清晰： · 腾讯是流量入口，微信/QQ/腾讯会议天然是AI Agent的试验田 · 宁德时代是制造业标杆，代表AI赋能实体经济的场景 · 京东是供应链巨头 · 网易是内容生态 · 国家大基金提供政策与战略背书 而梁文锋通过直接和间接持股约84.29%，拥有近100%的表决权，且所有投资方股权设有五年锁定期。这套“创始人绝对控股+长锁定期”的结构，在科技公司极为罕见。 4.3 IPO筹备（2026年7月）：4800亿估值的逻辑 首轮融资仅六周后，DeepSeek便启动第二轮融资，投前估值710亿美元（约4800亿人民币）。这一估值较首轮融资后上涨约37%，距4月传闻的100亿美元估值翻了约7倍。 IPO计划： · 上市地点：中国内地，初步锁定科创板 · 时间表：最快2026年底提交上市申请，目标2027年正式挂牌 · 政策窗口：2026年6月，上交所扩大科创板第五套上市标准适用范围至人工智能领域，该标准不要求企业盈利甚至不要求有大规模收入，只要“技术够硬” 估值的支撑逻辑： · 用户规模：2026年6月月活达1.29亿，稳居国内AI原生App前三 · 用户粘性：人均月使用62.3次、时长124.8分钟，涨幅分别达90.2%和109.8% · 营收：年化营收约4-5亿美元，V4 API毛利率超50% 4.4 为什么必须融资？ 从“不差钱”到密集融资，DeepSeek的战略急转弯背后是三重压力： 1. 算力成本指数级上升 · V3：14.8T tokens预训练，671B参数 · V4：32T+ tokens预训练，1.6T参数 · Agent时代的长上下文、持续推理进一步吞噬算力 2. 人才竞争白热化 过去一年中，DeepSeek至少有5名核心研发成员确认离职，包括R1核心研究员郭达雅去了字节跳动Seed团队。在“天价争夺”核心研究员的阶段，没有市场公认的估值，员工的股权就缺乏具体的价值体现。 3. 从模型到基础设施的最后一公里 DeepSeek正在从“模型公司”向“全栈AI基础设施公司”进化： · 自建GW级数据中心：已开始招募IDC设计规划工程师 · 自研AI推理芯片：项目约一年前启动，已与芯片设计公司、晶圆代工厂和存储器供应商接洽 · 大规模扩招：首轮融资后发布最大规模招聘，计划将所有部门规模扩大至少1倍 --- 第五部分：产业影响——DeepSeek改变了什么 5.1 对全球AI竞争格局 打破算力垄断 DeepSeek以557万美元的训练成本做出了10亿美元级别才能达到的效果，直接挑战了“规模定律”（Scaling Law）的绝对性。在DeepSeek出现之前，行业共识是“算力越强，模型越好”——这本质上是一个对英伟达和云厂商极为有利的叙事。 DeepSeek证明了：软件优化的收益通常大于硬件投入的边际收益。 通过MoE稀疏路由、MLA注意力压缩、FP8混合精度训练等一系列系统级优化，可以在远低于行业标准的算力投入下获得同等性能。 地缘政治维度 DeepSeek是中国首个进入全球主流榜单的开源模型。在东南亚、非洲等市场，DeepSeek模型被广泛采用，成为当地开发者和企业接触前沿AI能力的入口。 同时，DeepSeek的成功也在倒逼西方AI社区寻找非中国来源模型的替代方案，同时推动美国开放权重模型的发展（如OpenAI的gpt-oss、Meta的Llama 4等）。 5.2 对中国AI产业链 DeepSeek最具战略意义的影响在于：国产芯片首次在大模型领域获得了“定义权”。 过去，大模型开发完全依赖英伟达的CUDA生态——模型架构、训练框架、推理优化，所有工具链都围绕英伟达GPU构建。英伟达不仅卖硬件，还控制着“如何用好硬件”的知识体系。 DeepSeek V4迁移到华为昇腾平台意味着：中国AI公司第一次有能力在非英伟达生态上跑通世界级模型。这不仅仅是“替代方案”，而是从“进口替代”走向“标准输出”的战略转折。 5.3 对开源运动 DeepSeek证明了开源在AI时代仍具竞争力。从R1开始，DeepSeek以MIT协议全面开源，证明开放模型可以在性能上对标闭源顶级模型。 更深层的影响在于：DeepSeek的成功让“开放权重”成为新的竞争维度。当一家公司以开源策略获得了全球开发者的生态支持时，闭源厂商的“技术壁垒”叙事就开始松动。 --- 第六部分：展望——DeepSeek的下一站 6.1 技术路线判断 DeepSeek的技术演进方向已经清晰： · Agent能力：V4已强调Agent任务表现，Toolathlon、SWE Multilingual等基准均显著提升 · 推理效率：百万token上下文成为标配，推理成本被系统性压低 · 推理芯片自研：从采购到自研的战略升级，正在布局AI推理芯片 · 从“模型公司”到“基础设施公司”：自建数据中心、自研芯片、全栈工具链 6.2 开源与商业化的再平衡 V4正式版计划于2026年7月中旬上线，引入峰谷定价机制。旧API模型名（deepseek-chat和deepseek-reasoner）将于2026年7月24日停止使用。 MIT协议的坚持与商业化压力的冲突，将在IPO后变得更加尖锐。 6.3 系统性风险 DeepSeek面临的风险包括： · 估值与业绩的鸿沟：市销率约148倍，远高于OpenAI约65倍和Anthropic约21倍 · 用户规模下滑：月活同比下滑20.3%，虽然使用深度在加深 · 地缘政治变量：中美科技竞争的不确定性 · 人才流失：核心研发人员的持续出走 6.4 结语：从“DeepSeek时刻”到“DeepSeek时代” 回顾DeepSeek的三年历程，一个清晰的叙事浮现出来： 2025年1月，R1发布，那是“DeepSeek时刻”——全球第一次意识到，中国AI公司可以用极低成本做出世界级模型。 2026年4月，V4发布，那是“DeepSeek路线”的确认——百万上下文从demo变成日常负载，国产算力从设想走向落地，开源生态从策略升维为标准。 而2026年7月，IPO启动的传闻，意味着“DeepSeek时代”正在开启——它不再只是一家模型公司，而是一个正在形成的AI基础设施生态的核心节点。 从量化实验室到AI基础设施，DeepSeek走了三年。 这三年，也是中国AI从“跟跑”到“并跑”的三年。DeepSeek不是这个过程的唯一参与者，但它可能是最典型的那个样本——它的成功与困境，都映射着这个时代的机遇与局限。 --- 全文完

配图 (可多选)

标签