在企业智能化升级过程中，DeepSeek、Manus等大模型的快速出圈，引发了行业内外的广泛关注，在新技术突破与应用创新的带动下，千行百业的数字化升级便有了全新视角。

　　为了深入探讨大模型在不同领域的发展现状、趋势及影响，ITPUB编辑部推出了DeepSeek特别策划选题，通过对不同专家的深度访谈，对大模型应用落地过程中遇到的各种问题进行拆解，为读者全面、客观地了解大模型的真实现状，带来更具启发性的思考和借鉴作用。

　　本期，我们有幸采访了金山云助理总裁、公有云产品研发中心负责人孙晓，他从DeepSeek底层技术创新、上层应用等角度分析了大模型的最新能力进化。

　　▲金山云助理总裁、公有云产品研发中心负责人孙晓

　　DeepSeek在两周之内火遍全世界，这件事可以说是史 无 前例，很多人都在试图探寻DeepSeek成功背后的商业逻辑。这个新晋大模型快速上位背后，到底是个体的一次“超越”，还是人工智能领域的“整体跃迁”？ 在舆论领域发生一场激烈的“口水战”过后，答案似乎变得更加清晰！

　　当大模型竞争走向深水区，已不是谁超越谁那么简单，而是全球科技创新不断演进的结果，是技术范式的全新变革。正如孙晓所言，大模型创新不一定从零开始，去创造一个新的模型。即便强如DeepSeek，也是基于行业智慧创新的基础上实现了技术的迭代升级，比如：Transformer架构、MOE架构以及Reinforcement Learning等都不是首 创，而是对经典架构的继承与突破。

　　当然，DeepSeek并不是简单的拿来主义，其独创的深度思考能力，就连Hugging Face也曾尝试模仿，打造R1推理模型。为了打破算力垄断局面，DeepSeek基于现有技术做了广泛的革新，从底层的计算库、通信库到对MOE架构的优化，乃至开创性地融合Reinforcement Learning，每一项能力都展现了其丰富的创新元素。

　　技术范式变革

　　DeepSeek的成功不是一个偶然事件，而是通过技术破局重新定义了AGI发展的坐标系。

　　模型架构创新层面，DeepSeek引入了MoE（混合专家模型）架构，这种更具创新性的网络层架构，打破了传统Transformer架构局限，在扩大模型容量的同时，还能控制资源消耗。

　　模型训练优化上，DeepSeek另辟蹊径，采用了混合精度框架。在此框架下，大部分密集计算操作被分解为更小的组，同时每个组都运用特定乘数进行调整，从而维持高精度。

　　针对高强化学习，也就是模型的后训练阶段，DeepSeek创新性地将GRPO算法应用于强化学习过程，显著提升了大语言模型（LLMs）的数学推理能力。

　　而在重要的数据蒸馏技术上，DeepSeek将数据蒸馏与模型蒸馏相结合，实现了从大型复杂模型向小型高效模型的知识有效迁移，这种融合策略不仅显著增强了模型性能，还大幅降低了计算成本。

　　整体来看，DeepSeek通过多维度的技术创新，显著降低了模型的训练和推理成本，向业界展示了算法优化比单纯算力堆叠更具优越性。对于那些想要应用大模型的企业而言，DeepSeek提供的低成本部署方案，使得每个企业都能拥有自己的大模型，极大地推动了AI技术的普及。

　　开源与闭源的一场较量

　　DeepSeek能够在“国际舞台”上大放异彩，除了技术创新的独特性，开源路线的选择，是其能够快速发展壮大的另一个重要原因。

　　在人工智能的赛道上，到底选择开源还是闭源，一直是一个争论不休的话题。以OpenAI为代表的公司，长期坚持封闭模式，依靠资金和算力优势开发高性能AI模型，并通过API收费或者订阅的模式进行商业化运营；以Meta为代表的Llama模型，则以模型和代码共享的开源方式，让全球开发者或者相关企业在现有技术基础上进行优化和拓展。与后者相同，DeepSeek选择通过开源的方式提供优化工具和商业方案。只不过，DeepSeek更具开放性，通过全栈开源引发了全球技术范式的变革。

　　从开源模型到开源底层全栈通信库，DeepSeek的诸多举措无异给渴望积极拥抱AI浪潮的企业提供了一个免费的、高性能大模型的“大脑”。目前，MIT协议开源框架已吸引几十个国家开发者参与贡献，形成“基础模型开源-垂直插件商业化”的生态闭环。这一模式直接冲击了OpenAI的API的订阅制与Meta的封闭生态。

　　之所以选择开源路线，是因为技术优势只是暂时的，创新驱动才是长久的护城河。DeepSeek通过开源策略，让全球开发者将在集体创新基础上形成一股凝聚力，最终打破高性能AI模型被少数科技巨头垄断的局面，从根本上降低AI技术的使用门槛，让整个AI生态发展再上新台阶。

　　当然，长远看，开源与闭源并不是非此即彼。未来，随着大模型应用场景的不断丰富，开源与闭源会一直并存、相互渗透。

　　打通模型到应用的最后一公里

　　在大模型技术路线选择上，不仅涉及开源与闭源的问题，还有公有云与私有云，满血版与蒸馏版。到底选择哪种路线，其实是一个业务场景选择的过程。

　　在孙晓看来，大模型产品虽然选择很多，但应用上依然处于探索阶段。虽然，DeepSeek的高效性得到普遍认可，但在具体应用方法和版本选择上仍存疑惑。不同云厂商纷纷选择接入DeepSeek生态，其能力价值在于——深入理解客户需求，为客户提供最为契合的产品与解决方案。

　　通常情况下，用户会基于业务需求选择大模型的部署和接入方式。在模型部署上，公有云接入的优势在于，赋予业务更高的启动与部署灵活性，云厂商提供的运维服务使客户能更专注于核心业务；私有云接入的优势在于，确保客户的数据安全与合规性，同时赋予客户自行保障业务稳定性的能力。而在不同版本的接入方式上，需根据R1与V3的特性来决定。R1以其强大的推理能力，在处理复杂请求时更具优势；而V3则以其高性价比和通用性，更适合广泛应用于各种场景。

　　举例来说，当客户想要部署一个大模型，首先需细致评估企业应用场景的实际需求，进而依据这些需求确定部署模式（如公有云或混合云）、是否需针对DeepSeek进行定制化微调、以及API接入方式（自建或采用云厂商预置的API）等架构层面的规划。之后，在实际应用场景中实施DeepSeek的接入与改造工作。此过程中，涉及多个要素的协作与综合评估，包括方案的切实可行性、服务的高稳定性、数据的安全性与合规性，以及从客户立场出发必须权衡的性价比等等。说到底，决策者不仅需要考量通过DeepSeek接入业务的可行性，还要考虑能为企业应用场景带来何种价值，以提升与收益增长，这些都是决策时不可或缺的综合因素。

　　需要特别强调的一点是，生成式AI是一个涵盖广泛领域的概念，包含了诸如智能客服、照片与视频生成，以及提升编程效率的Cursor、Copilot等多样应用，这些均能显著提升生产与工作效率。但是，对企业生成式AI来说，大模型探索往往会遇到很多挑战，比如：初期投入成本较高，若不能准确定位产品，很容易陷入“为AI而AI”的误区，也就是人们常说的盲目追求技术而忽视实际需求。

　　所以，对于广大初创公司或者用户来说，要想顺利推进生成式AI应用，需要掌握一些心得要领，才能轻松驾驭技术创新。首先，聚焦特定的垂直场景。企业级AI领域广阔而复杂，应该深入挖掘某一具体场景的需求，确保技术能真正落地并解决实际问题，而不是盲目追求泛化竞争。其次，要理性评估性价比。在企业级AI市场中，技术和产品的差异化竞争至关重要。企业要结合自身资源和优势，打造具有独特竞争力的产品，而不是盲目跟风，一味追赶前沿技术。最后，打造坚实的壁垒是成功的关键。无论是数据、用户还是技术层面，都应努力构建自身的核心竞争优势。只有真正构建出自己的壁垒，才能在激烈的市场竞争中拥有更多的话语权和议价能力。

　　结语

　　可以预见，企业级生成式AI将成为千行百业实现数智化升级的核心动能，未来每家企业都将拥有量身定制的“大脑”模型，为企业决策提供强效赋能。尽管当前企业在知识共享与业务流程数字化进程中仍面临诸多瓶颈，但伴随技术迭代升级与底层基础设施的轻量化、模块化演进，下一代企业软件生态将迎来颠覆性变革——生成式AI将深度重构企业运作流程与软件架构，推动业务模式向智能化、自适应方向跃迁。此种背景下，企业亟需构建"技术敏锐度+业务洞察力"的双重能力体系，唯有将生成式AI深度融入战略规划与日常运营，方能在未来的商业竞争中构建可持续的差异化优势。