DeepSeek 對大的啟示，還是“開放”二字。無論是 心態上還是方法上，都要毫不動搖地堅持開放，繼續開放。 DeepSeek 的勝利，就是開源打敗閉源。OpenAI 以前是開源 的，后來變成閉源的，這次 DeepSeek 爆火之后，OpenAI 的 奧特曼也出來說話，承認閉源是一種戰略錯誤。

本周圍繞 DeepSeek 的熱議，讓許多人清 晰地看到了幾個一直存在的重要趨勢：美國在 GenAIL域的L先地位正在被迎頭趕上，AI 供應鏈格局將被重塑；開放權重模型正在推動基礎模型層商品化，為應用開發者帶來新機遇 ；擴大規模并非通往 AI 進步的途徑。盡管算力 備受追捧，但算法創新正在快速降低訓練成本。

“DeepSeek 可能會開辟一個全新的由引L的技術 生態系統，這會讓的開發者因 DeepSeek 開發的低成本、 更G效的人工智能產品而受益。”一位 TMT L域投資人如是 說，“這種競爭從某種程度來說也將打破美國科技巨頭的市 場主導地位。

大模型訓練降低成本主要靠兩招：壓縮、并行和提升硬 件使用效率。DeepSeek-V3 這次所用的方法基本上就是猛揮 這三板斧。

1. 壓縮：從結構到量化

壓縮很容易理解，就是把大的東西壓縮成小的。對于模 型訓練來講，壓縮之后，運算單元（GPU 和 CPU）需要進行 的運算數據量就會減少，運算速率必然會提升。另一個重要 影響是，內存占用和緩存會減少，這樣訓練同樣大小的模型 所需要的硬件規模也可以大幅減少。

2. 并行：對硬件的J限使用

要實現更快的訓練速度，有效的方法就是增加并行計 算的規模，讓更多的計算單元同時處理不同的數據或任務。 而在并行中，需要解決的問題就是盡可能的有效利用計算資 源，讓它們都G負載的工作。

DeepSeek-V3 這回真的可以說是在訓練工程上無所不用 其J。總結下來，重要的包括以下這么幾個方面。

DeepSeek-V3 的橫空出世，用一組的數據出色詮釋了沒 有 GPU Poor，只有卷得不夠多。當 o1、Claude、Gemini 和 Llama 3 等模型還在為數億美元的訓練成本苦惱時， DeepSeek-V3 用 557.6 萬美元的預算，在 2048 個 H800 GPU集群上僅花費 3.7 天/萬億 tokens 的訓練時間，就達到了足以 與它們比肩的性能。這意味著每萬億 tokens 僅需 180K 個 H800 GPU 小時，總計 278 萬 GPU 小時的訓練成本。而 Llama 3.1 的訓練使用了 16,384 塊 Nvidia H100 GPU，總計 2100 多 萬 GPU 小時，翻了十倍。通過 671B 的總參數量，在每個 token 激活 37B 參數的準確控制下，DeepSeek-V3 用 14.8 萬 億G質量多樣化 token，構建出了一個能夠超越所有開源模 型，直逼 GPT-4 和 Claude-3.5 的 AI 巨人。

附件：deepseek大模型生態報告,AI供應鏈格局將被重塑,基礎模型層商品化,為應用開發者帶來新機遇