后DeepSeek时代，大模型领域如何开工大吉

这个春节是DeepSeek的狂欢节，从R1发布到席卷全球仅不到两周，霸占140多个国家AppStore下载排行榜榜首。

今日节后第一天开工，几位朋友不约而同咨询我大模型未来走向，这里简单分享一下我的看法，抛砖引玉。

总结一句话：

大模型全栈都应围绕DeepSeek做生态

重要的事情通常得说三遍，但这件事只需说一遍，却无比重要，攸关资金、人力、时间等资源投入和业务创新与价值产出。

大模型全栈

这是笔者整理的大模型全栈：芯片 -> 编译器 -> 设备 -> 大模型 -> Agent智能体。

每个方面的基本概念这里不赘述，万事不决请DeepSeek，当一家公司把自己的名字做成动词，都是神一样的存在。

芯片与编译器

这块大部分读者很陌生，我多说几句。

笔者从事过几年DB2 SQL编译器与优化器的开发，C++代码跑在AIX、HPUX、Linux、Windows、Sun Solaris等系统之上。

接触过这些系统的读者都知道，这意味着SQL需要一次编译，却能够适配不同的芯片PowerPC、X86、X64、Sun Sparc，和不同的操作系统。

IBM DB2 做了芯片和操作系统层面的抽象，类似一个统一的虚拟的操作系统；SQL 被表征为有向无环图DAG，图中每个节点对应着不同的算子Operator。

SQL编译器与优化器就是将这些DAG和算子翻译成对操作系统和芯片的调用，并想尽一切办法让这些算子和DAG充分利用芯片和操作系统的资源（进程、线程调度，内存、磁盘与网络IO），即所谓的优化。

图片

AI 的算法几乎一回事，Pytorch、TF是封装好了的DAG和算子，英伟达的CUDA作为编译器优化器以及芯片和操作系统层面的抽象。

CPU 与 GPU有着不同的设计目标，CPU侧重复杂逻辑控制，GPU侧重并行。PTX是CUDA中最接近芯片硬件的并行编程模型和指令集。

如果你能够做PTX级别的控制，意味着你可以自己编译和优化你特定的DAG和算子，也就意味着你无需CUDA的编译器和优化器就能够适配国产GPU或其他什么xPU。

这里是英伟达CUDA城墙咔咔碎裂的声音，DeepSeek崛起暴露Nvidia软肋。如果 DeekSeek成为开源第一，芯片厂家都知道自己该干什么从而加入这个生态。

设备AIPC与AI手机

自从有了ChatGPT大模型，PC和手机大厂都在大张旗鼓的推销自己的AIPC、AI手机。想法很好，可惜没有能打的端侧大模型。

量化缩小的大模型都损失了泛化能力，从而退化成了小模型，参考笔者的清熙其他文章。

而且没有联网的场景是如此的稀缺，以至于有人用南极科考站的队员想在去往南极的科考船上，用端侧大模型建议研究课题。可笑可怜。

现在有了能打的DeekSeek，但端侧仍然还是demo演示层面的能力。当用户可以随时联网用云端的全功能大模型能力的时候，端侧不应该聚焦无联网场景。

端侧的优势在于用户设备上的隐私数据，得踏实想清楚用到隐私数据的端侧功能，而且仅仅让端侧大模型充当意图理解的部分，这里可参考最赚钱的大模型应用正呼啸而来。

大模型本身

ChatGPT之后，国内群雄并起，两年厮杀的结果是 DeepSeek此次的异军突起。

国之幸事，世界幸事，全球科学家涌向DeepSeek，可能诞生一个超级世界模型，甚至一个DeepSeek为主干的智能互联网。

笔者可以感受到几家欢乐几家愁。不仅OpenAI、Cloude、Gemini迎来最强对手，如临大敌，国内的大模型公司同样前途未卜。

每家都有存在的意义和价值，然而，后DeepSeek时代，他们似乎都错过了全部正确答案。

笔者觉得，如果你有足够的资金、足够的人才、足够的耐心、足够的不同技术路线的信仰，你可以继续投入训练自己的大模型，但也要意识到，前路更崎岖更陡峭。

上述因素只要有一项不足，笔者觉得，打不过就加入可能是个最现实的方向：把你原来模型的优势蒸馏出来，注入DeepSeek，做垂直，做智能应用，做Model Store，做产业链服务。

企业可以部署DeepSeek到企业数据中心，把内部知识灌进去，让DeepSeek更懂企业自己，然后开放赋能全员，注意不要考核降本增效。

还需关注，大模型时期的应用，需要按照人类自然沟通方式的新范式重新思考和设计，注重文本、图像、音视频的可聊、可视、可听、可理解。

智能体Agent

做智能应用，还有一个绕不开的话题，智能体或Agent。著名的咨询机构都这么讲，尽管笔者觉得在大模型领域，他们也没有什么好的经验和洞察。

智能体通常是指以大模型理解为基础，提供附加记忆、规划、使用工具等能力，即所谓System2的能力，图解LLM-Agent大模型智能体。

然而，如果大模型的理解能力不足，所有这些都是在沙地上建塔。所以DeepSeek给了所有智能体生的希望。

下图是笔者常用来介绍智能体的用例，以人类客服话务员处理客户拨入的服务电话为场景。存在多个不同层次的需求处理和相应的大模型智商要求。

设计此类智能应用的时候，还得考量目前大模型最最致命的缺陷，DeepSeek也不例外，就是无处不在、无时不有的幻觉。

幻觉某种意义上是大模型的高维度思维优势，但不适合缺少足够判断力的小白用户，至少目前如此。

降低大模型幻觉的必由之路 笔者曾经理过思路，DeepSeek推理有了长足进步 GRPO 是DeepSeek魔法的源泉，然而幻觉并未消除，所以用户得有足够的判断力，从代码辅助到创意生成。

归根结底一句话，大模型仍是一个师傅领进门的技术，修行还要在个人，特别适合有经验的、或者爱学习钻研的用户。

免责声明disclaimer

上述粗鄙的判断都来自本人过去对AI和大模型的数学物理原理的探索和技术能力边界的推演，因而难免带着个人认知局限和偏见，有失偏颇。

关心大模型领域方向的读者，请批判参考，谨慎制定符合自身资源禀赋的大模型战略。战略本质上是把资源（资金、人才、时间）投到什么上去，不能不慎重。

图片

上面这张图是笔者过去两年多围绕大模型思考的凝练，涉及到大模型的能力边界、未来走向、应用判断都来自这个图，目前为止还没有大的误判。

本文转载自 ​​清熙​​，作者： 王庆法