前段时间跟一个做投资的朋友聊天他说现在看大模型项目已经审美疲劳了。去年还觉得每个新模型都激动人心今年感觉大家都在做一样的事堆参数、扩上下文、刷榜单。他说了句挺狠的话“卷到现在大模型已经从技术竞赛变成资源竞赛了。”我觉得他说对了一半。资源确实越来越重要但技术路线选择的影响正在变得比资源更大。DeepSeek就是个很好的例子——它不是一个靠堆资源堆出来的模型而是在架构层面做了清醒的取舍。我们先捋一捋DeepSeek现在的底牌。MoE架构236B总参数21B激活参数这是他们的核心卖点。在同等推理成本下激活参数更多意味着更强的能力同等能力下激活参数更少意味着更低的成本。这个账很好算。MLA注意力机制让长上下文推理的显存占用大幅降低。再加上训练过程中的各种工程优化整个模型呈现出一个明显的特点追求效率。这让我想起一个有趣的现象。在DeepSeek-V2发布之后好几个之前坚持稠密模型路线的团队开始转向MoE了。不是因为MoE在能力上绝对领先而是算力账算不过来了。用户量一起来推理成本成为瓶颈你模型再强但推理太贵商业上就是不可持续的。DeepSeek踩准了这个点。2024年下半年到2025年我判断行业的主旋律会从“追求最强模型”转向“追求最划算模型”。不是因为大家不想做最强的而是最强的那条路太烧钱了。GPT-5据说训练成本已经到几亿美元了这个门槛让绝大多数玩家望而却步。所以DeepSeek的路径很清晰在保持第一梯队能力的前提下把推理成本打到最低。这是一个可持续的商业模式。他们不需要做最强的模型只需要做“能力接近最强但便宜得多的模型”就能在应用层大量抢份额。但挑战也不小。第一个挑战是MoE的扩展性上限。236B总参数不是终点如果继续扩大到500B、1T专家数量要不要继续增加路由机制能不能hold住训练稳定性怎么保证这些问题在学术界还没有定论DeepSeek需要在工程实践中自己找答案。第二个挑战是多模态。目前DeepSeek主打的是纯文本模型但多模态是绕不开的。文生图、图生文、视频理解这些能力用户已经默认大模型应该有了。在多模态架构上怎么跟MoE结合是一个全新的技术难题。视觉编码器和语言模型的衔接本来就很tricky加上MoE的专家路由复杂度和训练难度都会显著增加。第三个挑战是生态。OpenAI有ChatGPT的品牌和用户基础Meta有开源社区的话语权Google有云服务和分发渠道。DeepSeek目前的生态相对薄弱主要靠技术口碑传播。怎么构建开发者社区、怎么让产品触达更广泛的用户这些“软实力”可能是他们未来需要补的课。还有一个我个人的观察DeepSeek团队在技术沟通上比较低调。他们的论文和博客都很实在没有过度营销这在当下浮夸的AI圈子里是一股清流。但从另一个角度讲适度的技术品牌建设还是有必要的。行业里有太多噪音好技术需要被更多人看到和理解。说到未来我比较期待的是DeepSeek在端侧模型的布局。MoE的高效率天然适合端侧部署——手机或者电脑上跑一个小规模MoE模型每次推理只激活一小部分参数功耗和延迟都能控制住。如果能在端侧跑出接近云端模型的效果那应用场景就完全打开了。隐私敏感的本地处理、离线的智能助手、实时翻译等等想象空间很大。当然这需要解决模型压缩、量化、硬件适配等一系列问题。但从他们现有的技术积累来看这个方向是顺理成章的延伸。总的来说DeepSeek给我的感觉是一个清楚自己在做什么的团队。不追求炫技不迷恋参数规模而是围绕“效率”这个核心做了系统性的技术选型。在大模型竞争的下半场这种战略定力可能比短期的技术突破更重要。毕竟当泡沫退去留在牌桌上的不是钱最多的也不是技术最炫的而是效率最高、能给用户创造最大价值的那一批。DeepSeek大概率会在其中。