AI美國隊輸慘了！陸工程院院士揭密DeepSeek狂贏3大關鍵

專家表示，大陸DeepSeek使用「開源模型」使任何人都能受益。（示意圖/達志影像/shutterstock）

大陸AI新創公司DeepSeek（深度求索）憑藉強大的研發能力和低廉的成本優勢，不僅讓美國科技巨頭感到擔憂，更進一步撼動美國在AI領域的主導地位。大陸專家指出，DeepSeek成功的關鍵在於其技術創新、成本低廉以及運用開源模型。

DeepSeek的應用程式在中國和美國的蘋果App Store免費APP排行榜上都位居榜首；在美國市場，甚至超越了當紅的ChatGPT。

新浪科技引述大陸工程院院士、清華大學電腦系教授鄭緯民的看法，點出了DeepSeek成功主要集中在三個面向。

一、技術層面：DeepSeek核心自主研製的DeepSeek-V3和DeepSeek-R1 兩個模型，其效能與OpenAI的4o和o1模型相當。

二、成本低廉： DeepSeek研發出的這兩個模型成本僅爲OpenAI 4o和o1模型的十分之一左右。

三、開源模型： DeepSeek將這兩個強大的模型技術開源，讓廣大的AI團隊可以利用這些最先進且成本最低的模型，開發更多具有創新性的AI應用程式。

DeepSeek如何實現模型成本降低呢？鄭緯民指出，DeepSeek自主研發的MLA架構和 DeepSeek MOE架構，對於降低其模型訓練成本發揮了關鍵作用。

他表示，「MLA 主要透過改造注意力算子壓縮 KV Cache 大小，實現了在相同容量下可以儲存更多的KV Cache。此架構與DeepSeek-V3模型中的FFN層改造相配合，實現了一個非常大的稀疏MoE層。這是DeepSeek訓練成本低廉的最關鍵原因。」

據瞭解，KV Cache是一種優化技術，常用於儲存人工智慧模型運作時產生的token的鍵值對（即key-value數值），以提高運算效率。

在模型運算過程中，KV cache會在模型運算過程中扮演一個記憶體庫的角色，以儲存模型之前處理過的token鍵值，透過模型運算計算出注意力分數，有效控制被儲存 token 的輸入輸出，透過「以存換算」避免了大多數大模型運算每次都是從第一個 token 開始運算的重複計算，提升了算力使用效率。

此外，據鄭緯民透露，DeepSeek也解決了「非常大且非常稀疏的MoE模型」所使用的性能難題，而這也成爲「DeepSeek訓練成本低最關鍵的原因」。

他強調，「DeepSeek的厲害之處是訓練MoE的能力，成爲公開MoE模型訓練中第一個能訓練成功這麼大MoE的企業。」

圖靈獎得主、主導Meta AI研究的首席科學家楊立昆（Yann LeCun）日前表示，DeepSeek成功的最大收穫並非中國對其他國家帶來更大威脅，而是AI開源的價值使任何人都能受益。

楊立昆在Threads寫道，「對於那些看到DeepSeek表現並認爲『中國在AI領域正超越美國』的人而言，你的解讀錯了；正確解讀應是『開源模型正超越專有模型』」。