【从DeepSeek到AI行业的四个思考】

一、论文推荐：大模型领域的「教科书式」样本

今天重读DeepSeek系列论文，印象深刻的其实是24年2月的 DeepSeek-Math https://t.co/aoPuwqbMyU，如果说关于大模型领域你没有太多时间看论文，那单看这篇就够了，蕴含了他们对数据工程、RL的一切思考和实践，而其他论文都像是按部就班的后来之作，solid的工作是今天流量爆炸的基础

二、GPU ownership ≠ GPU utilization，真正的算力霸权，藏在代码而非机房

两天前我说“算力短缺是个笑话”其实略显不严谨，更准确的结论是： GPU ownership ≠ GPU utilization

见过几个团队豪掷百万美元训练模型，实际通过数据/算法优化就能将成本压到1-5%

讽刺的是，即便投入如此巨资，效果依然不尽如人意，他们只能搬出“scaling law还未生效”之类的说法向上级/甲方/投资人解释。

结合今天DeepSeek的故事，训练优质模型需要千卡不假，但真正的竞争力在于——

1. 用10张卡做出别人100张卡的效果（技术密度）
   
2. 用100张卡产出别人1000张卡的成果（工程效率）
   一个组织的模型创新实力，不在于GPU名义拥有量（GPU ownership），而在于GPU有效产出量（GPU utilization），产出低的组织会一味吹嘘大显卡的故事
   
   真正的算力霸权，藏在代码而非机房
   
   三、一切问题都是经济问题
   
   在技术以外我们能看到一个问题：创新是富人的游戏
   
   经济自由之后才可以按自己的想法做事情，靠讲故事拿到过高的估值其实也是一种负担，融资得来的钱并不是自己的钱
   DeepSeek团队能专注底层技术，是因为背后站着幻方量化——
   显卡是之前为量化业务囤的，DeepSeek的人员成本可能还不如幻方每年做慈善捐的钱多
   也几乎没有严肃考虑过商业化的事情，不做营销、不刷榜、把底层技术做solid做到极致，其他的自然就来了。
   
   怎么做科技企业，穷人得在金钱上做决定，创新只生在大富之家
   
   反观大多数团队：
   → 用投资人的钱做“共识内创新”（否则无法交代）
   → 用客户的钱做“可解释性研发”（否则无法续费）
   
   我们曾用廉价的AutoDL平台以几十万RMB的极低成本训练30B合成数据的模型，这个路子我一直认为是对的，但最终搁置——
   哪怕我们这样合成出的数据比简单蒸馏OpenAI、Claude好得多，但客户和投资人都会觉得这是简单的左脚踩右脚，不是技术不对，而是：当你的生死取决于外部资金时，创新永远要为生存让路。
   
   ▸ R1-Zero像赤手空拳的野路子天才（纯RL硬刚结果奖励） ▸ R1像受过系统训练的学院派（冷启动数据+RL调优）
   技术路线的选择自由，本质上是一种财务自由。
   
   四、借假修真不如直取真经
   
   前辈提起过一个借假修真的话题：“如果你想做A，但你觉得A需要的资源很多，所以你跟外界说你要先做B，那你不如一开始就直接去做A”
   
   若终极目标是A，却因资源不足改做B，本质是自我阉割
   而真实世界的悖论：越是资源有限，越需要All in真实需求
   
   今年试水个人账号，虽然没太大的成绩，但推特也有8k粉了，也算小有感悟： 当你的个人账号=公司品牌时——
   ▸ 所有观点不再需要包装，粉丝天然就是你公司产品的种子用户
   ▸ 账号像一面镜子：经营账号的过程中不断剖析自己的性格底色到底如何，拒绝掉一切和自己调性不符的事情
   
   可能做账号的过程就是做真实的自己