“算力为王”被狠狠重击，开源胜闭源，背后的原理是什么？

1. 最近deepseek r1震惊业内，用OpenAI几十分之一的开发代价，和几十分之一的使用成本，性能赶超了。外国一个土豪甚至自己买点机器，就搭建跑起了deepseek开源大模型。

2. deepseek能羞辱OpenAI，靠的是想办法优化基础模型、训练方法，而不是堆积算力。这是一个业界几乎所有人都希望看到的进展，除了不开源想搞垄断的几个美国巨头。

3. 原理是，大模型训练的“数据”，文本意义上大约几万G的数据，就这么多“原始数据”了，这是公开的，没法垄断的。几乎所有的人类知识都在里面，全球聪明的研发者都在想办法，训练出表现优秀的大模型。而评估的测试集也是公开的，各类测试集，分数如何一清二楚。也就是说，有一个公平公正公开的研发平台，各国企业在展示自己的能力。

4. OpenAI说有绝活，能做到什么，但是不告诉别人细节，违背了业界的分享传统。而deepseek直接开源，把细节说的非常清楚，大家就明白了，原来没什么绝活，都是可以理解的。而且中国公司的办法还更漂亮、更经济、更可信，更易应用推广。

5. 从根本上来说，这是一个计算机算法问题，怎么组织数据结构、怎么搭建训练平台，怎么分阶段训练。由于数据非常多，步骤也很多，以Transformer为基础的上万亿个系数，在做无数卷积、矩阵等向量张量运算，很多都是重复的。如原始的大模型，一个token就可能引发所有GPU在算矩阵乘法。这里有巨大的优化空间。

6. 如混合专家模型，就是几个通用专家，带很多领域小专家，而不是原来的一个大专家。领域问题来了，就通用专家与合适的小专家去跑，只需要几十分之一的GPU跑就行了。这类优化方法还有很多，如8个比特表示一个浮点数，不需要16个比特，加快计算。效果就是，大算力并不是必须的。“笨办法+大算力”，还不如“好办法+小算力”，这是deepseek已经证明的。不少美国公司闭源的还不如中国开源的，等于研发失败了。

7. 那“好办法+大算力”是不是就最好？错！研发问题还需要考虑成本，能用低成本干出来的，非要用代价极高的大算力去做，也是研发失败。例如市场竞争，Open的大模型使用费是100万个token要50美元，deepseek同样效果只要2美元，怎么玩？

8. 除非大算力实现了ASI，做出中国公司做不到的东西。美国就是在赌这个，卡算力。但是中国算力也不是很少，几十分之一算力规模总有。这种海量数据、海量时间的运算问题，想一些优化效率的办法，算力差距就没有问题了。不太可能正好是20万个GPU做得出来，1万个GPU做不出。实际很可能是，20万个GPU做出来了，1万个GPU的看看输出，想点优化办法，很快也做出来了。如果优化做的好，也许1万个GPU的还先做出来，因为ASI最终肯定是需要算法突破，而不是堆算力。