Transcription
哈喽大家好，欢迎来到明月三千里的频道。
昨天 DeepSeek 更新发布了两个新模型，分别是 DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale。简单翻译一下，V3.2 是新一代主力模型，官网、App、API 全面接管。Speciale 则是专门为推理和竞赛打造的疯批版本，主攻高难数学、算法竞赛、复杂推理。官方在暗示，在很多纯推理指标上，已经可以和 GPT-5、Gemini 3 Pro 掰手腕，甚至部分项目反超。
很多朋友一看到这种说法，本能反应是：又来了，某某杀手。但这次的区别在于，DeepSeek 不是光靠嘴，是拿了成绩单、报了底牌、亮了价格，还顺手把权重开源扔上网，直接把整个牌桌的气压拉低了一大截。
我们先把这条新闻铺平讲清楚，再聊它背后几件更刺痛人的事。
第一，在算力被卡的情况下，中国怎么打出这张非对称战争的牌？
第二，这一波究竟是开源追上了闭源，还是在别的维度反而把差距拉得更大？
第三，对普通人、开发者、投资者来说，这到底是红利，还是一颗慢慢发作的炸弹？
先从大家最关心的那句开始：它到底有多强？
这次的主角其实是 Speciale。它不是日常陪你闲聊、写文案的那种模型，而是一个专门为认真思考生出来的怪物。它有一个特征：慢。你跟它说想一想，它真能在那儿想很久，首 token 慢到让你怀疑网络是不是断了。但一旦进入那种长思考状态，在数学证明、复杂逻辑、棘手 bug 定位、竞赛算法题这些场景，它给出来的东西往往非常硬。
怎么看它到底有多硬？最直观的就是考试成绩。现在全球有一批专门考数学怪才的竞赛，正常人连题目都看不懂的那种，平时给国家队选手当练手卷子用。Speciale 在这些考试里的得分，已经能跟 GPT-5、High Gemini 3 Pro 这种顶级模型掰手腕，甚至有的还略高一截。
再看编程这块，把世界级程序设计大赛的真题拿出来让它重做一遍，它能做出来的题目数量，基本已经跟拿金牌的人类队伍站在同一档位。你可以不把这当成是 AI 真人上场比赛，但有一点是铁打的：在这种纯靠推理、算逻辑的空间里，人类原来那点安全感，差不多已经没有了。
与此同时，DeepSeek 又把 V3.2 定位成能下地干活的工程师。它比 Speciale 稍微保守一点，但更均衡。速度可以接受，能做对话，能帮你写代码，能当 Agent 跑工具流程，也能在必要的时候切换到思考模式。对大部分用户来说，你每天接触到的就是这个版本。
更关键的是价格。按目前公开的定价区间算，同样一百万 token 的输入输出，V3.2 大概只要 GPT-5 的十分之一左右的费用。还有缓存折扣、本地部署这种组合拳。这在开发者视角里是什么概念？就是原来你算一笔账，用最强模型肉疼，用便宜模型又不甘心。现在突然多了一个又便宜又够强的选项。
你看，光是成绩单和价格表这两件事，就足够让 OpenAI 和 Google 心里咯噔一下。但今天这期视频，我不打算停在狂夸国产模型这个层面。我们还是那句话，吹不难，难的是把底层逻辑说清楚。真正值得聊的是三个问题：
第一，DeepSeek 这套东西，技术上到底厉害在哪儿？
第二，在算力和商业模式上，它动了谁的奶酪？
第三，这一波对监管和安全意味着什么？
先聊技术，但放心，我不会给你念论文，我用打工人的语言讲。
第一件事：MoE 混合专家。你可以脑补一个场景：公司里所有事都要 CEO 自己拍板，开会都开全员大会，效率肯定低，成本肯定爆。传统大模型就是这样，每个 token 都要全体参数一起上阵。DeepSeek 走的路是专家外包制。模型被拆成一堆不同专长的专家，有的擅长数学，有的擅长代码，有的擅长闲聊。每次只叫最相关的那几个出来干活。结果是，表面上看，这个模型有 6710 亿参数，是个超级巨无霸，但每次推理真正动起来的，大概只有三四百亿那一块。你家书架可以摆满几千本书，但你每次只翻最需要的那几本。这就是为什么，在推理能力很强的前提下，它的成本还能压住。
第二件事：MLA 多头潜在注意力。说白了，就是记笔记的方式不一样。传统 Transformer 要把之前所有说过的话，都以 KV Cache 的方式存起来，方便后面每一个词去回头看。上下文越长，显存越爆。MLA 干的是，我不再原样存所有细节，而是存一种更压缩、更抽象的高维笔记，等需要的时候再展开。你可以把它理解成，从三小时会议完整录音，变成高质量会议纪要，该记的东西一个不落，但重要的噪音全剪掉。这样一来，在同样显存里，它能撑起更长的上下文，也就能支持更长的思维链。对 Speciale 这种要长时间发呆思考的模式来说，这一步非常关键。
第三件事：DSA 自研稀疏注意力。传统注意力是全场打招呼，每来一个词，都要跟前面所有词建立联系，复杂度是平方级的。DSA 的思路是，别瞎聊，先搞一个快的索引器，粗扫全局，找出真正重要的那些位置。后面的大部分计算，只在这些关键节点和新词之间进行。就像你在读一份三百页的合同，不可能每一行都逐字精读，你会先把目录、关键条款、金额部分扫一遍，标记最可能出问题的十几页，精读只对这些。对长文本推理来说，DSA 这种聪明的偷懒，能在基本不掉质量的情况下，把算力消耗砍掉一半。
MoE、MLA、DSA 叠在一起，你就会看到一个有点魔幻的结果：DeepSeek-V3.2 在很多推理、编程、长上下文任务上，效果能摸到 GPT-5、Gemini 那条线，但训练成本被控制在几百万美元级别，远低于海外那些动辄上亿美元的怪物。注意，这不是说中国这边的算力不重要，而是说，在被限芯的前提下，工程和算法卷到了一个新的高度。在别人还在比谁卡多的时候，DeepSeek 已经开始比谁更会用破卡。
技术说完，我们看看算力账本。这几年，欧美监管喜欢拿一个指标说事：训练 FLOPs。欧盟 AI 法案甚至直接说，训练算力超过 10 的 25 次方，你自动被视为高风险基础模型，要接受一堆评估和限制。逻辑很简单：谁训练越猛，潜在能力越强，就越值得盯紧。但 DeepSeek 这一波，正好卡在一个很微妙的位置。从各种技术报告和侧面估算来看，V3 系列的预训练算力，大概在几乘以 10 的 24 次方，刚好在红线下面一截。可从能力上看，它在很多推理 benchmark 上，已经摸到了 GPT-4.5 甚至部分 GPT-5 那个段位。什么意思？就是你画了一条按身高管理危险人物的线，结果突然出现一帮一米八的小伙子，个个弹跳惊人，轻松摸到两米二的横梁。身高没超标，能力已经溢出来了。这对监管者来说，是一个很糟心的信号，原有那套用训练算力估计能力的框架，开始失效。
再往下看算力利用率。美国那边的玩法是 F1 车队，H100、H200、TPU v5、v7、Blackwell 一代一代堆。数据中心设计成超级工厂，单次训练就是上亿美元的投入。中国这边拿到的是打折版硬件，国产 GPU 单卡性能也差一截。表面上看，完全不是一个量级。DeepSeek 做的，是用工程把这块差距尽量抹平。比如重写通信算子，优化并行策略，把很多原本会浪费在等待同步上的算力抠回来。再叠加 MoE、稀疏注意力，把不得不用的那部分开销进一步压缩。你可以把它理解成，同样是一屋子 GPU，别人家的卡一半时间在闲着，你家被逼着每天加班到凌晨两点。
从商业视角看，这种算力效率差距非常要命。之前资本市场有一个默认假设：只有掌握了足够多高端 GPU 的巨头，才玩得起最前沿的大模型。别人要么去买服务，要么去做本地小模型，护城河很清晰。现在 DeepSeek 把这个故事打破了。你就算芯片被卡，预算被砍，只要愿意在工程上拼命，依旧有机会拿到相近的能力。这意味着什么？意味着闭源巨头多年来讲给市场听的那套“只有我们这种量级的玩家才能站在食物链顶端”的叙事，被迫要改词。
接下来，我们再从商业的角度来聊一聊。Google 这两年最重要的一步棋，其实不是发了一个多么牛的模型，而是把 Gemini 焊死在了自己所有的产品栈里：Android、Chrome、搜索、Gmail、YouTube、Workspace。它真正要守的是搜索广告和企业云，不是卖 API 那点钱。为了防守这个地盘，它干了一件焦土操作：把中低端模型价格打到接近成本。你想做一个 AI 功能？没关系，用 Gemini Flash，便宜、快、和我家生态高度适配。别的独立模型公司，想在这个价位带赚钱，几乎没戏。
OpenAI 这边的思路是闭源平台化。一边靠 GPT-4.5、GPT-5 收高溢价，卖企业版、卖 Teams、卖 API。另一边拼命往 AI 操作系统方向长，搞商店、搞 Agents、搞各种工具调用，希望开发者都在它的轨道上打转。这两套打法，有一个共同前提：开源模型永远差一截，只能做隐私场景、本地玩具，抢不走核心商业订单。
DeepSeek 上来干的事情，就是把这个前提撕开一道口子。一方面，它把高推理能力的模型权重，直接开源。意味着什么？意味着银行、券商、制造业、政企这种极度敏感的行业，有了一个技术上够强、法律上可控的国产选项，可以在本地、在国内云上搭自己的大脑，不用冒数据出境的风险。另一方面，它在 API 和 C 端产品上，打的是极致性价比。粗暴一点比喻，GPT-5 更像奢侈品牌旗舰店，体验好但贵。DeepSeek 更像同款质感的工厂店，不讲究装修，但货真价实。对于资金紧张的创业公司、个人开发者、海外用户来说，这个选择非常有吸引力。
这种组合拳的结果是什么？对闭源巨头来说，压力不只是多了一个竞争对手，而是定价权开始松动。以前你可以理直气壮收高价，因为大家觉得反正开源差着一大截。现在如果开源在推理这条线上追平了，你再想保持原来的定价，就必须拿出别的维度的说服力：多模态更强？生态更闭环？企业服务更稳？
也正是在这个点上，我们要冷静地看另一面。差距在缩小的，是智商。差距可能在拉大的，是世界和基础设施。多模态和真实世界建模这条线，DeepSeek 目前还是典型的文本大脑外挂视觉的架构，主要靠外接视觉模型和工具来弥补感知。而 Gemini、OpenAI 这类闭源怪物，从一开始就是在视频、图片、音频、交互数据里泡大的，对物理世界、对人类行为模式的掌握，是一种在场的经验。
再看基础设施。谷歌、微软、亚马逊在做的是十几吉瓦级别的数据中心规划，是从芯片、电力、网络、冷却一路打到底的全栈工程。这种基础设施铺开后，边际优势是可怕的。你可以更频繁地重训，可以更快地把新数据吃进去，可以更低成本地服务全球用户。在这一层，DeepSeek 这种工程极限玩家，其实是在用牺牲舒适度的方式弥补差距。别人是豪宅里装中央空调，你是老小区里换了窗户加两台风扇，靠细致施工把体感温度拉到差不多。你不能因为天气一凉，就说看，大家体感都一样。真正决定未来十年格局的，还是谁掌握了那套从地基到屋顶的基础设施。
说到这儿，我们再从监管和安全这条线聊一聊。对欧盟来说，DeepSeek 是一个规则边缘案例。你按训练算力去划线，它在下面；你按能力去定级，它在上面。于是讨论开始从“算力门槛多少？训练花了多少钱？”转向“模型在特定能力维度上的极限是什么？能不能自动写 exploit？能不能自主演化 agent？”
对美国来说，焦虑更明显。此前的战略是两条腿走路：一条是管芯片，通过出口管制把高端 GPU 卡在自己掌控范围内；另一条是搞自家生态，确保世界上最好用的闭源模型都在美国公司手里。DeepSeek 这种在残血硬件上卷出高能力的模型，等于告诉他们，光管芯片已经不够了，得开始想，要不要管权重？要不要管模型能力？这就是为什么最近你会看到越来越多关于模型权重出口管制、高能力开源模型风险的讨论。闭源可以调 API、加访问限制、做审计。开源一旦扔出去，就变成了谁有 GPU 谁都能玩的工具。
你可以说，这是技术的民主化。你也必须承认，这是风险的民主化。中国这边的监管逻辑，则是典型的双轨制。对内，要严格做内容安全、算法备案、敏感话题过滤。对外，在合规框架内，尽可能开放能力，让模型在全球开发者圈子里形成影响力。很多西方安全专家对这种双面性非常敏感，会用“特洛伊木马”这种词去形容。但站在企业的角度，如果你既要活在国内监管环境里，又想在全球市场上活下去，这种双轨几乎是唯一能走的路。
最后，我们落回到你我最关心的那一层：这一切，对普通人、开发者、投资者，各意味着什么？
对普通用户来说，这是一个智力红利期。你用到的 AI 助手，会越来越聪明，价格会越来越低，本地部署的门槛会一步步被打穿。但是，同一套能力，也会被不那么善良的人利用。未来几年，你在社交媒体上、在邮箱里、在即时通讯里遇到的钓鱼、诈骗、操控，逻辑会更顺，故事会更完整，情感拿捏会更精准。很大一部分就是这些高推理模型在背后写剧本。
对开发者和企业来说，真正的考题不是选哪一家，而是怎么搭一个可以“换心脏”的身体。也就是，你的系统架构是不是足够解耦？可以同时接入闭源和开源？同时适配国内和海外？同时在成本、性能、安全之间做动态平衡？能用 DeepSeek 的地方，就别傻乎乎全用最贵的。必须上 GPT-5、Gemini 的地方，也别为了省几块钱，搞得体验一塌糊涂。决胜点在于，你能不能把这些模型当成零件，而不是当成宗教信仰。
对投资者来说，有两句扎心话：第一，纯讲我们有更聪明的模型的公司，未来会越来越难讲故事。第二，真正值得长期盯着的，是那些掌握算力基础设施和行业深度整合的玩家。模型本身，会越来越像操作系统里的内核版本号，对专家重要，对普通用户重要但不至于决定一切。
DeepSeek 这波的意义，在我看来有点像当年安卓对 iOS。它未必马上取代谁，但它把一个原来被少数巨头控制的能力，下放给了更广泛的群体。代价是混乱、是风险、是监管的滞后。收益是创新的爆炸、是更多边缘玩家突然有了一次上桌的机会。
那么，面对这样一个既强大又充满争议，既是国产之光，又是特洛伊木马的 DeepSeek，你觉得它是会成为那个打破垄断的普罗米修斯，还是会像流星一样，在巨头的围剿中昙花一现？国产 AI 接下来的路，到底是该继续搞大模型，还是像 DeepSeek 这样死磕高效率？欢迎在评论区留言讨论。
好了，今天的话题就先聊到这里，记得点赞、关注、热推，咱们下期再见。