首页科技快讯 DeepSeek的崛起，其实并不意外

DeepSeek的崛起，其实并不意外

来源：晰数塔互联网快讯时间：2025年02月05日 09:53

来源：哈佛商业评论

颠覆理论预测了DeepSeek及其同类产品的出现和发展。事实上，未来几个月内其他颠覆者的出现并不会令人意外。特别是小型语言模型（SLM），它们使用的数据更少、资源更少，可能会在未来几个月内成为挑战美国和中国LLM的另一种技术。

中国人工智能初创公司DeepSeek近期引发了广泛关注。1月20日，该公司发布的新模型在性能上足以与美国领先人工智能公司（如OpenAI和Meta）的模型竞争，其规模更小、效率更高且训练和运行成本低得多。

然而，从管理理论特别是“颠覆性创新”理论来看，DeepSeek的成功或许本可以预见。颠覆性创新的核心在于提供低成本的替代方案，这些方案虽非尖端技术，但足以满足许多用户的基本需求。DeepSeek正是凭借这种模式，冲击了美国人工智能行业的传统认知，并引发了科技和能源股的波动。

如果管理理论能够解释这一现象，那么它同样可以为未来的发展提供启示。基于技术变革理论，我们探讨了这一颠覆对全球企业的影响，尤其是它们的领导者在选择授权使用中国还是美国的大型语言模型（LLM）时所面临的抉择。

中美LLM的差异

中国LLM与美国LLM在两个关键方面存在显著差异：首先，中国LLM通常使用更便宜的硬件，并借助开放架构降低成本；其次，许多中国LLM专注于特定领域的定制化应用，而非通用任务。不过，像DeepSeek-R1这样的模型正在逐渐向通用推理模型转变。

美国LLM通常依赖最先进的GPU集群进行训练，这些集群包含数万个英伟达的高端芯片，需要巨额资本投入和强大的云基础设施支持。相比之下，由于先进芯片的出口管制，中国LLM更多地依赖于在多个较弱的GPU上进行分布式训练。尽管硬件条件有限，但通过高效的架构设计，中国LLM仍能实现具有竞争力的性能。例如，DeepSeek的多头潜在注意力（MLA）和专家混合（MOE）架构通过减少内存使用，提高了计算资源的利用效率。

开源代码库的广泛应用也是中国LLM发展的重要推动力。DeepSeek-V3（其最新推理系统的基础模型）和DeepSeek-R1均在麻省理工学院（MIT）开源许可下发布。这种宽松的许可方式允许用户自由使用、修改和分发软件，包括用于商业目的，从而极大地促进了技术的普及和应用。这种高效架构和开源策略在训练成本上的优势尤为明显：DeepSeek报告的V3训练成本为560万美元，而美国公司如OpenAI和Alphabet的LLM训练成本则高达4000万至2亿美元。

此外，美国LLM侧重于基于全球数据集的通用查询训练，而许多中国LLM则专注于特定领域的精准应用。中国的科技巨头（如阿里巴巴、腾讯、百度和字节跳动）以及新兴初创公司（如DeepSeek）都通过LLM开发了深度融入中国数字生态系统的行业特定应用。

总结来说，中国LLM依赖于不太先进的硬件，并专注于低端、特定领域的应用，这些应用对计算能力的要求较低，成本也更低。例如，阿里巴巴的通义千问和字节跳动的豆包1.5pro的每100万输出标记的成本不到0.3美元，而OpenAI和Anthropic的高端模型则超过60美元。

这正是经典的颠覆理论在发挥作用。这与几十年前美国小型钢厂颠覆综合钢铁厂的情况如出一辙。颠覆理论预测，一种在初始阶段劣于现有技术（如电弧炉）的技术，针对特定低端任务（如生产低质量钢筋）进行定制，最终将对专注于高端客户（如高端钢板客户）并提供更高利润的高端生产商（如综合钢铁厂）构成威胁。慢慢地、稳步地，颠覆者提升其产品的质量，而现有企业则在市场细分领域一个接一个地向颠覆者让出市场份额。

颠覆理论预测了DeepSeek及其同类产品的出现和发展。事实上，未来几个月内其他颠覆者的出现并不会令人意外。特别是小型语言模型（SLM），它们使用的数据更少、资源更少，生成的内容质量也较低，可能会在未来几个月内成为挑战美国和中国LLM的另一种技术。

未来展望：全球企业如何应对？

DeepSeek的崛起引发了全球企业的一个关键问题：是选择授权使用美国LLM，还是中国LLM，亦或是两者都选？在此，管理理论中的技术多样化策略提供了重要的参考。

在企业内部部署多种LLM模型的一个显著优势是风险分散化。对于LLM而言，这意味着可以降低供应商端停机带来的影响。例如，如果OpenAI的服务因故中断，企业可以迅速切换到其他供应商的模型，确保业务的连续性。

使用多种模型的另一个好处是聚合优势。不同的模型基于不同的算法，对同一问题可能给出不同的答案。研究表明，通过聚合多个模型的预测结果（即“集成”方法），通常能够获得更高质量的输出，尤其是在处理复杂、模糊的任务时。事实上，像Openrouter这样的平台已经提供了一个集成界面，允许用户实时比较180多个模型的性能和成本，从而实现更优的选择。

然而，与单一供应商合作也有其优势，例如降低管理成本和增强双方对彼此能力的理解。使用多个模型可能会增加数据隐私和安全风险，因为数据需要在多个供应商之间共享。尽管这种风险在所有LLM中都存在，但跨国家/地区（如美国和中国）的数据使用和监管框架差异，会进一步增加复杂性，尤其是在医疗保健等敏感领域。

管理理论还提出了第三种策略：多元治理。这种策略结合了外部供应商和内部开发人员的力量，以充分利用新兴技术。研究表明，那些在内部培养特定技术人才的公司，往往更能从新技术的出现中受益。在LLM领域，这意味着企业可以利用美国LLM处理通用任务（如为专业服务公司开发辅助研究的聊天机器人），同时利用中国LLM开发公司特定的应用（如人力资源培训机器人）。

进一步来看，低成本、开源的LLM模型（即使其能力稍弱）将使企业能够开发出适合自身需求的定制化模型。随着时间推移，这些低成本、低质量的模型可能会逐步颠覆高成本的高端模型，就像小型钢厂曾经颠覆综合钢铁厂一样。

尽管存在数据隐私和安全问题（近期TikTok事件引发了关注），美国LLM如果忽视中国LLM带来的颠覆性威胁，将面临巨大风险。他们至少应该警惕那些利用小型语言模型（SLM）等技术的美国本土颠覆者。大型美国人工智能公司也可以尝试自我颠覆（例如，通用电气开发手持超声设备以颠覆传统超声业务），但研究表明，自我颠覆极为困难。前期对昂贵芯片、硬件和训练数据的投资（这些已成为沉没成本）以及对高利润解决方案的依赖，可能会使大多数美国人工智能公司继续专注于高端LLM，而非转向更便宜但“足够好”的LLM。

对于全球企业而言，LLM领域的颠覆为投资内部技能和开发定制化模型提供了机遇，这将有助于实现更有针对性的应用、降低成本并提高投资回报率。

关键词：DeepSeek

普里特维拉杰·乔杜里（Prithwiraj Choudhury）、纳塔拉贾恩·巴拉苏布拉马尼安（Natarajan Balasubramanian）、徐明弢（Mingtao Xu）| 文

普里特维拉杰·乔杜里是哈佛商学院的Lumry家族副教授，也是《管理科学》杂志的副主编。纳塔拉贾恩·巴拉苏布拉马尼安是雪城大学惠特曼管理学院的阿尔伯特和贝蒂·希尔讲席教授。他的研究聚焦于技术、人力资本、组织学习和创新如何推动商业价值创造。徐明弢是清华大学经济管理学院创新创业与战略系副教授。他的研究专注于创新中的产权问题以及人工智能的战略意义。

Kimi | 译周强 | 编校