2025 年的硅谷春节无疑已被 DeepSeek 霸屏。

过去三年每年的巨头接受春节都有一次重磅的 AI 讨论：2023 年是 ChatGPT、2024 年是学会现象 Sora，这两股风潮都是只开由 OpenAI 掀起，而 2025 年则是硅谷 DeepSeek 的 V3 与 R1。

除夕当天 1 月 28 日，巨头接受南京师范大学绯闻价格DeepSeek 更是学会现象趁热发布了文生图模型 Janus-Pro，但后者没有 V3 与 R1 吸引的只开关注大，原因在于其没有像前者一样动摇了过去基座大模型的硅谷「奇迹」来源：算力。

DeepSeek V3 的巨头接受参数规模是 6710 亿，训练成本不到 560 万美元，学会现象训练时长在 280 万 GPU 小时。只开相比之下，硅谷GPT-4o 的巨头接受训练成本约为 1 亿美元，Llama 3 405B 训练时长则为 3080 万 GPU 小时。学会现象

Meta 的 Llama 3 是用 16000 张 H00 训练，此前还计划在 2024 年囤卡 60 万张英伟达 GPU 去做模型升级；马斯克创立的 XAI 甚至囤卡 10 万张 H100 建信息中心。

根据媒体报道，DeepSeek V3 与 R1 发布后，Meta 在内的多家硅谷企业受到极大震撼，并开始质疑以往 OpenAI「大力出奇迹」的成功方法论，引起硅谷多家科技巨头的暴跌，比如英伟达一夜之间被干掉 4.3 万亿市值，相当于腾讯与美团两家中国互联网巨头加起来的市值。

对于 DeepSeek 带来的震撼，业界不难联想到「漂亮国将出台一系列制裁政策」等等往日常规反应。

值得注意的是，在 DeepSeek 给硅谷带来地震的不久前，1 月 15 日，美国才刚将中国最早的大模型创业公司「智谱 AI」列入实体清单。AI 1.0 时代，商汤、旷视等企业也被美国列入实体清单。被列入实体清单的一大掣肘就是难以购买海外英伟达生产制造的 GPU，其在短期内仍是基座大模型训练升级的一个关键条件。但 DeepSeek 的崛起证明了：

无论他们采取怎样的「卡脖子」措施，都无法阻止中国 AI 工艺的持续创新。

他们将智谱列入实体清单，但没想到 DeepSeek 紧随其后，成都高中绯闻评论并且采用了更低的训练成本去做模型更新与开源。同样，哪怕他们再继续将 DeepSeek 列入清单，致力于开源的中国模型厂商还有面壁、智谱、阶跃等等团队不断推陈出新。

另一个值得注意的事实是：OpenAI 在 2024 年 9 月发布推理模型 o1，但 DeepSeek 在不到 4 个月后发布的 R1 就已经能媲美 o1。这意味着，中国在大模型上的 AI 能力已经与美国的时间差距越来越小，从 2023 年到 2024 年底，这个时间差从超过一年缩短为 4 个月。

加上多位 OpenAI 前员工作证 DeepSeek 的 R1 独立发现并实现了 o1 的一些独特思想，也意味着 2025 年中国大模型的创新会更加独立、超前，不再是跟随、而是独创。

AI 的星星之火已经开始燎原，难以再被扑灭。

燎原之势

DeepSeek 在硅谷引起的震荡，验证了海外对中国 AI 工艺创新的「始料未及」，同时也验证了中国 AI 创新的可能性与巨大潜力。

此前在多数人包括国人的心中，中国的大模型没有独立创新能力，要跟随海外顶尖团队的步伐。也是因此，DeepSeek 带来的震撼才会如此之大。设想一下，如果是 OpenAI、Anthropic 或谷歌等美国公司发布了相似的成果，2025 年春节还会这么热闹吗？

正是因为竞争来自从前未曾意料到的对手，昔日的巨人才会被打得措手不及。

值得注意的是，在被忽视或吐槽的一年中，2024 年中国的大模型已经跋涉千里，且不像海外，国内多家创业公司的模型像 DeepSeek 一样都是开源的。2023 年被称为「百模大战」，主要集中在单一的文本模态，但 2024 年的模型更新实则更猛：不仅数量更多，模态、尺寸、性能覆盖也更多。

海外团队必须开始正视一个既定事实：昔日他们眼中的工艺「矮子」已茁壮成长，并可能成为下一个「巨人」。

笔者粗略统计了一下，除去字节、阿里、百度等大厂，从 2024 年到 2025 年 1 月，单单是大模型创业公司就发布了超 50 个模型数量。

先看第一梯队中两个对标 OpenAI、角逐基座模型的厂商智谱与阶跃：

2024 年，智谱一共发布与升级了超 10 款基座模型，包括文本、图像、语音、影片、代码生成等多个领域，如基座语言大模型 GLM-4 与 GLM-4-Plus，垂类模型 CharacterGLM（6B 开源）、AutoWebGLM，视觉大模型 CogVLM2，文生图模型 CogView-3-Plus、图像/影片理解模型GLM-4V-Plus、影片生成模型 CogVideoX，端到端语音大模型 GLM-4-Voice，CogVideoX系列模型（2B、5B、5B-I2V）等等。

智谱还开源多款模型，包括 GLM-4-9B、CodeGeeX 第四代模型、Video版CogVLM2、CogVideoX-2B与5B、CogAgent-9B、CogVideoX v1.5-5B 与 CogVideo v1.5-5B-I2V 等等超 10 款模型。1 月被列入实体清单后，智谱更发布了端到端模型 GLM-Realtime，同步升级了 GLM-4-Air 和 GLM-4V-Plus 模型。

而阶跃星辰在 2024 年发布了超 8 款模型，包括多模态大模型 Step-1V 与 Step-1.5V、图像生成大模型 Step-1X、影片理解模型 Step-1.5v-turbo、影片生成模型 Step-Video、语音复刻和生成大模型 Step-tts-mini、语音识别大模型 Step-asr 与语音大模型 Step-1o Audio。2025 年 1 月，阶跃又更新发布升级了 6 款模型，包括多模态理解模型 Step-1o vision、语音模型 Steo-1o Audio 升级、影片生成模型 Step-Video 升级至 V2 版，发布了 Step 系列的首款推理模型 Step Reasoner mini，以及小模型 Step R-mini 和 Step-2 文学大师版。

即使是在外界看来专注 C 端产物应用的月之暗面与 MiniMax，也发布了多款产物：

月之暗面发布了 K0-math、Moonshot-v1 系列文本与多模态模型。MiniMax 发布了同是 MoE 架构的千亿参数模型 abab6 与万亿参数模型 abab6.5，2025 年 1 月又发布了基础语言大模型 MiniMax-Text-01、视觉多模态大模型 MiniMax-VL-01、影片模型 S2V-01、语音模型T2A-01，并首度开源。

专注医疗与行业应用的百川智能也发布了超千亿参数模型 Baichuan 3、Baichuan 4 等模型，但没有开源。

除智谱外，另一家一直与 DeepSeek 相提并论的是清华团队面壁智能。此前，面壁小钢炮模型被斯坦福团队抄袭，在圈内引起轰动，其与 DeepSeek 一样押注模型的高效训练，一样开拓了模型架构的稀疏化创新路线，并通过端侧小模型验证了其所提出的「Densing Law」（即模型的能力每 3.3 个月翻一番），2024 年以来发布了 8 款基座模型、多模态模型，陆续把 GPT-4V、GPT-4o 等巨无霸标杆进行极致智能压缩，放到了迷你尺寸的端侧模型上。在芯片禁令下，这两家因高效低成本工艺探索，从去年就双双成为外媒重点关注对象。（想进一步了解的读者可以阅读《大模型隐藏玩家上桌：DeepSeek 向左，面壁向右》）

同样，面壁智能的模型也对外开源，与 DeepSeek、通义千问在海外被统称中国大模型的「开源三剑客」。DeepSeek 的崛起被认为不仅是中国大模型与美国大模型的对抗，也是开源模型与闭源模型的对抗——答案显而易见，开源模型更胜一筹。

以 50 款基座模型的更新速度来计算，2024 年中国大模型圈平均每个月发布或升级 4-5 个 AI 模型，其中 1/3 在 GitHub 与 Hugging Face 上开源。综合种种，不难推断，美国想要通过管制人才、芯片等方式来遏制中国 AI 工艺增长的时代已经过去。

海外需要接受中国工艺创新力量的崛起是既定事实，国人也要对国产创新有更大的信心。

黑马赛出，竞争生变

雷峰网创始人林军在书写中国科技史的过程中，通过观察中国互联网与移动互联网的崛起，总结出一个规律，其认为：每个时代角逐到最后，往往只有四类企业各凭本事胜出，一类是靠资本/资源，一类靠商业模式，一类靠工艺/产物的创新，以及永远有一类是所有人都想不到的黑马。

这个规律可以对应 PC 互联网与移动互联网时代的所有终局者，AI 时代也大约不会有太大的变化。大模型的竞争还未尘埃落定，最终赢家还未确定，但 DeepSeek 无疑已经是业内公认的一匹黑马，其 V3 与 R1 带来的作用甚至远超 OpenAI 的 o1。

根据相关消息，DeepSeek 至今仍未计划对外融资，其主要依托幻方与梁文锋个人输血，但对中国其他大模型公司的融资与战略也将带来不小的震撼。据笔者观察，春节期间不仅硅谷动荡，国内其他几家主流的大模型公司也在加班拆解 DeepSeek 的模型秘籍。

DeepSeek 的崛起，肉眼可见将从以下几个角度作用中国大模型的竞争：

首先是工艺创新的天花板被拉高。

DeepSeek 不是第一家提出「要在 OpenAI 以外创新」的大模型团队，此前其他国产大模型团队的创始人也提出过相似的观点，但 DeepSeek 是第一家通过发布新工艺、身体力行践行了这一观点的团队。

V3 证明了训练千亿基座大模型的成本可以进一步将下降，R1 的独创（如完全用强化学习替代 SFT）证明了 OpenAI 并不是唯一能够提出 AGI 解法的公司。尽管 GPT-5 迟迟未发布、大模型一度被认为已停滞不前，但 DeepSeek 在近两个月的研究突破表明：大模型的潜在工艺空间仍然是非常大的。

放弃预训练的团队，或许是资源不足，也或许是工艺创新力不够。这也验证了大模型的工艺创新在短期内存在高壁垒，应心存敬畏。

其次是「高效训练」的概念将得到重视。

在当前的第一梯队大模型公司中，「高效训练」并不占主流观点。例如，MiniMax 的大模型虽然也是采用 MoE 架构，但在其他高效训练的方法创新上不见明显发力。反而是第二梯队的面壁智能一度通过端侧模型引起业内关注。但在 DeepSeek 受追捧前，即使面壁智能、乃至一切企图颠覆 Transformer 架构的基座模型研究都不受重视。

此前大算力训练是基座模型厂商融资与构建壁垒的竞争砝码，但 DeepSeek V3 的参数规模为 6710 亿、训练成本却不足 560 万美金，过去大算力出奇迹的粗放方式也受到了质疑。接下来，高效模型不仅是 DeepSeek、面壁与通义等开源拥趸的追求，在其他模型团队的优先级上也会更加靠前。

高效训练的目标在于用更小的参数规模、更小的训练成本来实现更高的性能。以面壁小钢炮系列为例：MiniCPM 3.0 只有 4B 参数就能带来超越 GPT-3.5 的性能，量化后的内存仅 2GB；MiniCPM-o 2.6 的参数规模仅 8B 就逼近了 GPT-4o，而且实现了实时流式的全模态看听说，在“真影片”等很多功能上达到了以端胜云的效果。

DeepSeek 有训练条件，此前传出有一万张卡，其做法是先做大再做小，而面壁智能由于融资与算力所限，并没有采取先做大再做小的方法，而是直接做端侧小模型。蒸馏后的小模型更擅长特定任务，在部分任务上的表现或不如通用模型，但在个人移动设备的部署上已绰绰有余。未来或许可以结合定制化芯片开拓出新的市场。

此外，大模型工艺与产物创新的分野会更明显。

事实上，在 DeepSeek 火爆之前，大模型的应用与工艺竞争就已出现分流；DeepSeek 火爆后，分野会更加明显，且由于 DeepSeek 的模型均是开源，交付模型的商业模式或将产生新的变动。

在 2023 年到 2024 年上半年，由于基座模型的进展较慢，交付基座模型与行业模型的商业模式尚有利润空间。虽然这一模式没有打破 AI 1.0 的范式，但其对创业公司的迅速增收是十分有利的。但随着 Llama 等开源模型的兴起，加上 DeepSeek 的开源，模型中文任务能力的信息差也被打破，模型的商业价格在开源的免费价格前失去优势，商业模式也或不复存在。

如前所述，DeepSeek 的工艺创新仍具有高壁垒，而工艺的创新根源还是在人才。国内最顶尖的计算机人才在清华，传闻 DeepSeek 的研究团队也主要以清北竞赛人才为主，这意味着能够继续参与基座大模型竞争的团队也将越来越精、同时越来越少。

国内除了 DeepSeek，另外集结了较多清北毕业生的团队只有智谱、面壁、月之暗面与阶跃。这也意味着，2025 年，大模型创业公司的格局或许还会进一步生变。此外，2024 年字节跳动也重金挖了很多牛人，但字节本就财大气粗，不作更多讨论。

除了工艺创新，产物想象力将成为 2025 年与之后参与大模型市场的主要条件。除了工艺创新，通过拢资源、商业模式与产物创新来取胜，也是更多创业团队的形势所驱。

举例来说，MiniMax 虽然没有在工艺上取得头筹、但其仍受到业界追捧的一个关键原因，就是在于产物与商业模式的创新，在 C 端与出海上都领先其他团队。如外媒报道属实，MiniMax 在 2024 年的营收超过 7000 万美金，将是国内营收最高的大模型创业公司。

加上 DeepSeek 强大基座模型的开源，AI 产物的创新动力也会更大。卷不起基座模型的创业团队将更多的精力放在卷产物与应用上，也不失为市场的幸运。

当前业内心照不宣的观点是：靠产物与商业模式取胜的前景远比工艺创新取胜更大。

以 AI 1.0 时代的一家独角兽为例，其上市前估值 2000 亿港币、开盘后 800 多亿，最低跌到 200 多亿，如今只有 500 多亿。如果单靠工艺创新与传统的商业模式来盈利，多位 VC 认为工艺驱动的大模型公司也无法打破上一代独角兽的天花板。雷峰网

对于大模型企业来说，可参考的增长对象是上一代 AI 独角兽。因此，当前哪怕是智谱、阶跃等被视为工艺主导的大模型公司在商业模式上也不断求新，并谋求突破 C 端的应用与收入。

最后，是中美 AI 的较量会得到重新思考。

随着 DeepSeek 与面壁等团队在高效训练上的成功实践，被 GPU 卡脖子的危机也将降低，国产模型与应用的更新自主性也会加大。

如前所述，此前国产大模型在训练上受到 GPU 数量与规模的限制，大家在思考破局之路时也是首先从芯片端入手，但无奈国产芯片的进展迟迟无法替代英伟达。但 DeepSeek 的 V3 发布后，大家开始注意到：运算规则架构的创新同样可以实现大模型训练与部署的成本下降。雷峰网(公众号：雷峰网)

例如，DeepSeek 的 R1 采用了混合专家模型（MoE）、多头潜注意力（MLA）、多令牌预测（MTP）、长链式推理(CoT)、DualPipe 运算规则等设计，并进行了只采用 RL 而不作 SFT 的训练尝试，但在数学、代码、自然语言推理等任务上性能比肩 OpenAI o1 正式版。

R1 的训练成本暂未披露，但不难推测其远远低于 o1 的训练成本。此前爆料 DeepSeek 的 GPU 卡规模是一万，这个数字比国内的许多大模型公司都多，可跟硅谷的多家巨头比是「小巫见大巫」，但也未见 Meta 等团队率先发布能够媲美 o1 的模型。

同样，先不论 DeepSeek，此前面壁也曾用一个 2.4B 的小模型 MiniCPM 实现了对标 Llama 2 13B 的性能，而前者具体信息的配比、参数配置是用十分之一甚至更小的模型训练、预测出的。这种以小见大的路径证明了：当参数潜力被激发，小模型完全能使用更高效的训练方式实现更好的性能。

届时，无论是 OpenAI、Anthropic 是否坚持闭源，或漂亮国坚持芯片出口的管制，在 DeepSeek、面壁这类团队的研发创新下，用更小的算力成本来独立开拓更强的 AI 模型都不再是天方夜谭，反而潜力与日俱增。

再加上国内 AI 人才培养较之十年前已是另一番模样，且 AI 应用爆发后，擅长推理的国产芯片呼之欲出，国产 AI 的独立创新、快速落地实则早已孕育胎中。身处局中的我们，要学会的第一件事，或许就是：AI 工艺的民族自豪感。雷峰网

雷峰网原创文章，未经授权禁止转载。详情见转载须知。