總而言之，DeepSeek 對大型科技公司的威脅不大，但對一般人和知識工作者而言，卻是一項重大挑戰。
Meta 的首席 AI 科學家 Yann LeCun 如此形容 DeepSeek：
「開放原始碼社群的勝利」。
DeepSeek 冒起的必然性
為什麼我要強調 Yann LeCun 的聲明？
作為一個開源基礎模型，LLaMA不僅誕生了DeepSeek，也啟發了其他專業模型，如阿里巴巴雲的Qwen和聯發科的Breeze。這與 Meta 的開源策略完全吻合：利用全球創新來完善模型，同時吸收反饋意見，以加強自身大型模型的開發。
對於 Meta 來說，技術突破是無可避免的；唯一的不確定性在於哪個團隊會在何時實現這些突破。今天，可能是 DeepSeek；明天，可能是 MediaTek。
DeepSeek 成功的偶然性
有趣的是，DeepSeek 最初專注於加密貨幣挖礦和量化交易。他們聲稱 V3 模型基本上只是一個副業。雖然有人駁斥這種說法，但我個人同意這種說法。如前所述，微調 LLaMA 模型的公司主要不是以 AI 為重心，而是透過這個開放源碼框架來實驗新方法。DeepSeek 和許多 AI 實驗室一樣，偶然發現了一個有效的解決方案。
以下是我的推測：早期的挖礦團隊很可能累積了豐富的技術知識來優化 GPU 叢集運算。報告顯示，他們甚至寫了 PTX（比 CUDA 更低階的語言）來提升效能，更不用說掌握混合精準度、MoE（Mixture of Experts）和多頭注意力機制。他們的成果確實令人印象深刻。
為什麼量化交易公司會深入研究 AI 模型？雖然他們的確切動機還不清楚，但如果 AI 可以分析全球市場並辨識有利可圖的機會，那麼足智多謀的公司追求這樣的發展也就不足為奇了。
DeepSeek 的影響
DeepSeek 已經大大打亂了定價，挑戰了完全依賴大型模型 API 獲取收入的人工智能公司的商業模式。如果 DeepSeek 的方法證實有效，主要廠商可採用此方法開發較小型、特定領域的模型，例如客戶服務、法律諮詢或單一專業醫療諮詢模型，以降低 API 成本，而無需依賴大型、萬能的模型。
回想起 OpenAI 去年的「聖誕 12 天」活動，他們推出了強化微調功能，允許使用者使用最少的範例來微調模型。我曾預感 2025 年將會是低成本、特定領域微調的一年，但 DeepSeek 大幅降低模型訓練的門檻，加速了這個趨勢。
現在，問題來了：是從頭訓練一個模型好，還是微調現有的模型好？
好消息到此為止；壞消息來了...
DeepSeek 的實驗顯示，除了 Scaling Law之外，還有許多方法可以提升模型效能並降低訓練成本。有些人擔心這可能會侵蝕大型 AI 公司的優勢。不過，我相信這對他們來說是一大福音，因為他們的計算資源可以在幾天內複製 DeepSeek 的整個模型，讓小型團隊能夠在新的領域開枝散葉。即使是中等規模的公司，也可以建立或租用運算能力，使用 DeepSeek R1 的玩法來建立具有推理能力的 AI 模型（有些學生團隊已經這麼做了）。
為什麼這是壞消息？
隨著訓練與部署的障礙大幅降低，越來越多公司、團隊與個人將投入開發利基模型。專業人士可能很快就會發現他們的專業知識被 AI 有系統地「破解」。對於企業來說，內部採用 AI 的壓力將會加劇，因為這對所有人來說都是被迫升級。早期採用者將獲得競爭優勢。
簡而言之，AI 將會開始取代某些工作。
除了工作位移之外，還有更黑暗的一面：DeepSeek R1 的對準能力明顯較弱。只要具備一些背景知識，就能輕易繞過其限制，使其成為惡意活動的潛在工具，例如進階詐欺或甚至產生有害內容。DeepSeek 就像一場無法控制的野火：它有可能創造奇跡，但也可能造成廣泛的破壞。
展望未來，我們必須保持警覺，並審慎評估我們所使用的資訊。
總結
雖然某些方面令人擔憂，但 DeepSeek 加速了人類邁向 AGI（人工智慧）的旅程。如果 AGI 無可避免，那麼它所帶來的挑戰遲早必須面對。科技民主化是一把雙刃劍：它能促進創新，但也可能加劇社會分化。當我們邁向 AGI 時，減緩 AI 的負面影響將不再只是學術上的警告，而是一項集體責任。
這是一個發現與創造的黃金時代。我們都是這段變革旅程的見證者和參與者。我期待著更多突破性的成果，也希望我們能在這條道路上明智地前進。
最後，我附上 Nvidia Project Digits 的影像。鑒於所討論的一切，我相信此產品將成為每家公司的標準--每項任務的工具。
