DeepSeek（深度求索）研究报告

一、纵向分析：DeepSeek的发展全貌

起源：一位量化基金掌门人的"岔路选择"

DeepSeek的故事，和其他所有AI研究公司都不一样。

绝大多数AI实验室的创始人，来自谷歌、Meta或顶级大学实验室。DeepSeek的创始人梁文锋，来自一个完全不同的世界——量化对冲基金。

2015年，梁文锋创立了幻方量化。此后五年间，幻方从零成长为管理规模数百亿的中国顶级量化基金之一。梁文锋和他的团队在"用AI做金融交易"这件事上，积累了大规模深度学习模型训练的经验——从海量数据中提取统计规律、用GPU集群做分布式训练、在极端计算效率上优化代码。这些技能在风控和投资回报上得到了验证，但还从未被运用在"通用AI"领域。

2023年初，梁文锋做了一个令投资界和AI界同时震惊的决定——成立一家独立的AGI研究公司：深度求索（DeepSeek），由幻方提供初始资金支持。这个决定的非同寻常之处在于：在2023年，几乎所有人都认为"做AGI需要数十亿美元的投资和来自互联网巨头的资源"——OpenAI刚从微软融资100亿美元，Anthropic背后是谷歌，Google自己在做Gemini。但DeepSeek用了完全不同的方式。

从DeepSeek V2到DeepSeek-V2：用MoE架构打出第一张牌（2023-2024）

DeepSeek的第一个大动作是2023年下半年发布的DeepSeek LLM基础模型。但与当时大多数"先出模型再刷榜"的AI公司不同，DeepSeek的发布节奏极其克制——V1和V2版本都不是靠"参数规模最大"来吸引注意力的。

真正的突破在2024年。DeepSeek发布了DeepSeek-V2——一个基于MoE（混合专家）架构的大语言模型。MoE的核心思想是：不要每次推理都激活全部参数——而是根据输入类型，动态激活最相关的"专家"子网络。这使得模型的总参数量可以做到极大，但每次推理的计算成本远低于同规模的稠密模型。

DeepSeek-V2在多项基准测试中达到了与GPT-4接近的性能水平——而训练成本据推测仅为GPT-4的约1/10到1/20（推测，具体未官方披露）。这个成本差距不是"便宜了一点"，而是降了一个数量级——这背后是梁文锋团队在量化金融领域积累的"极致计算效率优化"的能力。

也是在这个阶段，DeepSeek的API定价大幅低于OpenAI——输入每百万Tokens约1元人民币，输出每百万Tokens约2元。这个定价策略在当时的中国AI市场上引发了"价格战"的讨论——但DeepSeek的逻辑不是"为了抢份额赔本赚吆喝"，而是"MoE架构天然推理成本低，我们只是把低成本的利益传递给了用户"。

DeepSeek-V3与DeepSeek-R1：两个分叉，两个尖端（2024底-2025）

2024年底，DeepSeek同时发布了两个方向上的尖端版本。

DeepSeek-V3——在V2基础上进一步扩展的"通才"LLM。671B总参数（MoE激活37B每Token），预训练数据15T Tokens，在编程、数学推理、逻辑推理等领域的基准测试中与GPT-4o和Claude 3.5 Sonnet基本持平或接近。

但真正让DeepSeek在全球AI界"炸圈"的是DeepSeek-R1——一个专门针对推理能力（reasoning）优化的模型。R1的核心创新是GRPO（近端策略组相对优化）——DeepSeek自研的强化学习算法。传统的RLHF需要训练一个独立的奖励模型，GRPO通过在同一批次内比较多个候选输出的相对优劣来替代奖励模型，大幅降低了训练的成本和复杂度。

R1在AIME 2024（美国数学竞赛）和MATH-500等数学推理基准上达到了OpenAI o1接近的水平——而它是完全开源的（权重、论文、技术细节全部公开）。这一事件——一家中国公司用一个比o1更便宜的方法，达到了接近o1的推理水平，而且开了源——在全球AI研究社区中引发了持续的震动。

DeepSeek-R1的开源是2024-2025年AI领域"开源崛起"叙事中最重要的单一事件之一。

从"中国OpenAI"到"开源挑战者"（2025-至今）

2025年，DeepSeek的定位进一步清晰——它不是"中国的OpenAI"，而是"开源的、效率优先的AI研究实验室"。

这个定位有几个关键的差异化：

1. 开源优先：所有主力模型全部开源（权重+论文+技术报告），这在顶级AI公司中几乎独一无二

2. 效率优先：用MoE架构+GRPO算法追求"用更少的GPU训练出更好的模型"，而不是像Scaling路线那样"堆更多的GPU"

3. 独立于超级平台：没有大科技公司（腾讯/阿里/百度）的股权绑定，资金来自幻方量化

4. 定价极低：API定价约为OpenAI的1/10到1/20，用低成本吸引开发者和企业用户

DeepSeek在这一年还面临了一个结构性的挑战——美国的芯片出口限制。NVIDIA A100/H100被限制出口到中国，但DeepSeek似乎仍然拥有训练V3和R1所需的足够GPU集群（推测为幻方早期囤积，或通过国内云服务商获取）。"在被限制的情况下仍能产出世界级模型"——这件事在国际AI政策辩论中被反复引用为"芯片限制不一定有效"的案例。

关键节点回顾

二、横向分析：竞争格局与生态位

竞品场景判断：场景C（全球主要AI实验室竞争充分）

核心差异对比

1. DeepSeek vs OpenAI：两条路线的终极对决

这两家公司代表了大语言模型的两条根本不同的路线。

OpenAI走的是"Scaling路线"——更贵的模型、更大的GPU集群、更多的推理算力来换更高的质量。GPT-4→GPT-4o→o1→o3——每一代都是用指数级增加的算力换质量跃迁。OpenAI的护城河是"谁有钱买更多GPU，谁就能做最好的AI"——而微软的100亿美元+几乎无限的Azure算力，让OpenAI在"烧钱换质量"的路线上一骑绝尘。

DeepSeek走的是"效率路线"——用更聪明的架构（MoE）、更便宜的强化学习算法（GRPO）、更极致的计算效率，用少得多的GPU做出不输于对方的模型质量。DeepSeek的护城河不是"我有最多的GPU"，而是"我能在给定的GPU预算内榨出最多的性能"。这来自梁文锋团队在量化交易——一个"每一毫秒的计算延迟都会导致真金白银损失"的世界里——积累的极致效率优化经验。

如果DeepSeek的路线被大规模验证为可行，它将改写"AI竞争=烧钱竞争"的叙事——用更少的钱训练高质量模型的国家和公司将有能力参与全球AI竞争。这就是为什么DeepSeek是中国AI战略中最被期待的项目之一。

2. DeepSeek vs Meta（Llama）：谁才是真正的"开源冠军"？

Meta 的 Llama系列也是开源的（允许商用）。两者的开源方式有细微但重要的差异：

• Meta Llama：开源权重 + 论文，但对部分规模级别的Llama模型有商用限制（如Llama 2曾要求月活超7亿需申请许可）。Meta不提供API，成本由开发者自己承担

• DeepSeek V3/R1：开源权重 + 技术论文 + 技术细节（包括训练基础设施、MoE路由策略等），所有均采用MIT开源许可证，商用无限制。同时提供极低价格的API（为"不想自己部署"的用户提供的便利）

在GitHub和Hugging Face上，DeepSeek开源模型的下载量和讨论热度在中国AI模型中可能是最高的（推测）。"开源+技术创新+超低API价格"三连击，让DeepSeek迅速成为了全球开发者社区中与中国AI联系起来的第一个联想词。

3. DeepSeek vs Anthropic：安全vs效率的价值观博弈

Anthropic的核心标签是"AI安全"——RLHF、Constitutional AI、无偏见训练、有害内容过滤。Anthropic的用户是"最重视安全的客户"——政府、金融机构、医疗、法律。

DeepSeek的核心标签是"开源+效率"——代码、数学、逻辑推理的基准性能。

这两家公司之间的竞争是"由谁定义AI的价值观"。Anthropic的答案是"由经过精心调校的、安全可控的、闭源的AI定义"。DeepSeek的答案是"由开源的、任何人都能运行和检查的、社区驱动的AI定义"。

4. 用户视角

开发者/研究员：DeepSeek的R1论文发表后，全球数百个研究组基于R1的思路进行了复制和优化。"GRPO"成为2025年AI研究社区中讨论最多的RL算法之一。开发者用DeepSeek API因为"便宜+好使"——对于月活开发者的推理API成本，DeepSeek比OpenAI可能每月的开销差额达上百美元（推测）。

企业客户：选择DeepSeek的主要考虑是成本+数据安全——因为完全开源，企业可以私有化部署DeepSeek模型，不需要把数据发送给云端API。对数据敏感行业（金融、医疗、政府）这非常重要。

普通用户：DeepSeek Chat（类似ChatGPT的产品）在2024-2025年在中国App Store的下载排名中持续位于AI应用前十（推测）。

生态位分析

• DeepSeek：开源+效率+数学推理专家。在全球顶级AI实验室中，是"用最少GPU做出世界级模型"的独特存在

• OpenAI："燃烧GPU换质量"的Scaling路线的全球定义者

• Anthropic：安全和Agentic能力的双重标杆

• Meta：开源阵营的"传统领袖"，正被DeepSeek在技术创新和API服务上挑战

• Google：多模态+TPU硬件+搜索数据的"三角优势"，但大模型在闭源/开源之间徘徊

趋势判断

机会面：

1. "效率优先"路线的天花板远未到来。MoE+GRPO+新的训练效率优化方法仍在持续产出增量——用同一代GPU做出下一代模型的质量，这个故事还远远没讲完

2. 开源模型正在占据长尾企业市场。任何有GPU且不愿把数据交给OpenAI的中大型企业，都可能选择部署DeepSeek或Llama。这个市场比"只有OpenAI和Anthropic能服务的云端API客户"大得多

3. 中国AI自给自足的诉求。在中美科技博弈的大背景下，一个能"在芯片受限下仍产出世界级模型"的中国AI实验室，具有战略级的重要性

4. 数学/编程推理能力与量化金融的协同。梁文锋团队在幻方量化积累的"用AI做数学/统计/编程"的经验与DeepSeek的推理能力高度一致——DeepSeek-R1在数学推理上的突破很可能受益于这种领域专长

风险面：

1. GPU供给的长期不确定性。DeepSeek依赖NVIDIA GPU。如果美国进一步收紧芯片出口限制——甚至是远程锁定已交付的GPU——DeepSeek的模型训练速度将被锁住。中国国产GPU（华为昇腾、寒武纪）尚无法替代NVIDIA H100/A100的规模和生态

2. 开源模型的"用爱发电"陷阱。开源模型赚钱极难——DeepSeek的API定价远低于成本回收水平（推测），且开源意味着别人可以免费复制你的模型。DeepSeek如何从"技术最受欢迎的AI实验室"转化为"能够自我维持商业化的公司"——这个问题还没有答案

3. 技术路线的不确定性。MoE架构不是唯一的技术路线。如果稠密模型+新训练方法在某些场景下被证明优于MoE，DeepSeek之前的"MoE效率优势"将被稀释

4. 百模大战中"泯然众人"的风险。中国有大量AI公司（百度文心、阿里通义千问、字节豆包、智谱GLM、月之暗面Moonshot、零一万物等）——如果一个开源模型连续3-6个月没有新的突破性发布，开发者的注意力将迅速转移到下一个"新秀"

三、横纵交汇：当前位置与未来走向

从纵向脉络看：DeepSeek已经完成了从"量化基金的分支"到"全球顶级AI实验室"的品牌塑造

两年时间，DeepSeek完成了两次"出圈时刻"：

• 2024年中：V2模型用MoE实现接近GPT-4的性能，证明"不需要花最多的钱就能做最好的模型"

• 2024年底：R1模型完全开源+数学推理比肩o1，让全球AI研究社区重新评估"开源中国AI"的能力

从品牌角度看，DeepSeek现在是全球AI圈子里"C/P值最高的大模型厂商"。"C/P值" = 代码/数学能力 ÷ 模型成本。

从横向格局看：DeepSeek正在填补这个时代最大的角色空隙——"非美国、开源、高性能、低成本"

全球AI实验室的角色分布中，有一个位置长期空缺：开源、高性能、API定价极低、不依赖美国科技巨头资本、不把数据传给美国云。

Meta的Llama是开源但无API且授权有限制，法国的Mistral是开源但在大模型级别上落后，阿里的Qwen是开源但在中国市场是"大厂的组成部分"。DeepSeek几乎是唯一一个同时满足所有条件的实验室——这使得它成为全球各地"不愿被OpenAI/Anthropic/Google/美国云绑定"的开发者和企业的天然选择。

终局推演

基准情景（最可能发生）：DeepSeek在未来3-5年内继续维持"开源+效率优先"的技术路线。每1-2年发布一个新版本的主力模型，性能持续追平或接近OpenAI/Anthropic/Google的同代模型。API定价保持低于OpenAI 5-10倍。成为全球开源模型社区中最具技术影响力和下载量的中国实验室。

乐观情景：DeepSeek在某个关键维度（编程、数学、多语言推理等）上持续超越OpenAI/Anthropic的最强闭源模型——这将引发全球AI界"DeepSeek范式"的热潮——就像2024年底R1发布后那样。同时在商业化上找到"开源+API+企业授权+行业定制"的可持续路径。DeepSeek成为中国AI唯一一个在全球范围内有顶级品牌认知的实验室。

悲观情景：芯片限制继续收紧——DeepSeek无法获得新GPU，模型迭代速度被锁住。OpenAI/Anthropic的下一波"Scaling Law扩展"让MoE路线的"效率优势"在绝对性能上仍落后一代。幻方量化的资金输血放缓——梁文锋不得不在"用开源维持声誉"和"寻找商业模式"之间做出更激烈的选择。

核心判断

DeepSeek最独特的价值，不在任何一个单一模型——无论是V3还是R1——而在于它证明了**"可以在不是硅谷、不是微软/谷歌子公司、没有100亿美元融资——同时还在芯片进口受限的背景下——做出世界级的大模型"**。

这个故事的政治和技术含义都极其深远。"DeepSeek范式"的成立意味着：全球AI竞争不是"只有美国公司能做最好"的垄断格局。任何拥有数千台GPU和一支顶级深度学习团队的组织，都可以走MoE+算法效率路线，做出与Scaling Law路线在半尾以上品质上不相上下的模型。

如果未来十年全球AI实验室分成"Scaling Law派"和"效率派"两个阵营——前者是OpenAI/Anthropic/Google，后者是DeepSeek/Mistral/开源社区——那DeepSeek就是"效率派"的全球旗手。而"DeepSeek能被复制吗？"这个问题正在被全球每支AI研究团队反复自问——当一个量化基金出身的AI实验室告诉全世界"不需要100亿美元也能做到"的时候，它就改变了"什么才是可能的"的集体认知。

信息声明：本报告信息基于公开资料整理，数据截至2026年6月。部分训练成本、市场份额和趋势判断为推测（具体以官方公布为准），仅供参考。