DeepSeek 冷思考: 从技术迷恋转向技术的实用化

本文整理自 InfoQ 策划的 DeepSeek 系列直播第八期节目。在直播中，极客邦科技创始人 &CEO 霍太稳对话积梦智能 CEO&TGO 鲲鹏会荣誉会长谢孟军，主要探讨了两个方面的问题：第一，DeepSeek 爆火背后，作为创业公司如何更好地打造差异化竞争优势；第二，作为普通人如何借 AI 之力成为“超级个体”。

谢孟军强调，在全民 AI 的时代，技术人尤其要避免陷入“技术自嗨”的陷阱，无论是个人还是企业，都需要从技术迷恋转向技术的实用化，从产品思维转向用户价值思维。技术本身并不重要，重要的是技术与场景的结合。  

下文为直播部分内容精选，完整直播回放可点击链接查看：https://www.infoq.cn/video/f7lcXthfXX0mNhyfAEaI

以下为谢孟军的分享实录部分（经编辑）：

DeepSeek 现象级突破的技术解码

DeepSeek 无疑是一个具有“国运级”意义的现象级产品。它的技术突破主要体现在三个方面：低成本训练范式革新、国产算力适配突破和场景化模型蒸馏技术。

首先， DeepSeek 采用了极简架构，能够以 3% 到 5% 的行业成本实现模型训练，大幅降低了资源占用。这种低成本训练模式加上开源的方式，极大地降低了模型开发门槛，让众多企业和研究机构能够参与其中。

其次，国产算力适配突破是 DeepSeek 带来的另一个重要影响。此前，国产芯片一直在努力适配国外框架，而 DeepSeek 的出现让国产芯片找到了用武之地。特别是华为的昇腾芯片，与 DeepSeek 的适配性非常好，推动了国内 GPU 厂商的发展。昇腾 910B 等产品与 DeepSeek 深度合作，实现了从硬件到技术链路的全面国产化，加速了国产化进程。如今，许多企业都在咨询如何私有化部署 DeepSeek 模型，这也为国产算力的发展提供了新的机遇。

最后， DeepSeek 不仅推出了 671B 的满血版模型，还通过蒸馏技术开发了多种轻量级版本，32B、18B 和 7B 等。这种从满血版到轻量版的跨越，为企业提供了灵活选择的空间，能够根据不同场景的需求进行适配。例如，企业可以根据自身业务蒸馏出投资版、制造业版、化工行业版或汽车零部件版等专属模型。同时，DeepSeek 在动态部署方面也具有优势，能够在复杂决策场景中使用满血版模型，在高并发交互场景中使用轻量级模型，实现混合式部署。

DeepSeek 爆火背后的“冷思考”

在 DeepSeek 爆火的当下，每个人似乎都在谈论它，仿佛不参与讨论就显得自己与 IT 圈脱节。朋友圈里每天都在刷屏，某某产品接入了 DeepSeek，仿佛不接入 DeepSeek 的产品都成了“垃圾产品”。而最引人注目的还是股票市场——DeepSeek 概念股的兴起确实带动了整个经济氛围的活跃。与此同时，我也发现，最近很多人在交流中对经济的信心似乎又回来了，这不得不说是一个非常积极的现象。

在 全民 AI 的时代，DeepSeek 如此火爆的背后，我们也需要进行一些“冷思考”。真正的问题是：DeepSeek 到底能用来做什么？ 作为技术人，我们尤其需要避免陷入“技术自嗨”的陷阱。如今，很多人都在分享 DeepSeek 背后的技术实现逻辑，但 关键在于我们如何将它真正应用到实际场景中。

在短视频平台上，大家都在宣传如何部署 DeepSeek，搭建个人 AI 知识库。但当你在自己的电脑上搭建起这样一个知识库后，你会发现它的能力其实非常有限。因为电脑本身的性能有限，你最多只能运行 7B 或 8B 的模型，而这些小模型的能力是远远不够的。搭建一个简单的 AI 知识库并不难，但当你的文件数量超过两三千份时，多路召回的效果会变得极差。在文件数量较少时，知识库的效果可能还不错，但要让它真正产生价值、提升生产力，还有很长的路要走。

另一方面，很多新媒体人在宣传所谓的“DeepSeek+”，比如“DeepSeek+ 王炸组合”，声称可以成倍提升功能效率。确实，DeepSeek 在办公效率方面，比如写作（如 Kimi）、图像处理（如剪映、PS）等工具的使用上，确实能带来一些帮助。但对我们技术人来说，更重要的是如何将 DeepSeek 更好地应用到更多实际场景中去，而不仅仅是停留在表面的效率提升。

如何打造差异化竞争优势

在当前 AI 技术快速发展的背景下，无论是个人还是公司，都需要思考如何打造差异化竞争优势。随着 AI 的兴起，作为技术人需要结合自身优势和经验，找准定位。拿我本人来说，有近 20 年的开源经验，同时也有七八年的创业经验，因此我希望将开源与商业化相结合，分享 AI 技术的同时，探讨如何提升决策能力。于是，我将自己的公众号从“Asta 聊工业”改为“AI 进厂的 Asta”，专注于分享 AI 在编程、开源和商业化方面的内容。在内容创作上，我尝试用 AI 辅助写作，提纲和核心内容仍需自己撰写，完后再让 AI 优化，这样既能保持个人写作风格，又能提升效率。

个人工具的全面 AI 化是提升效率的关键。我目前常用的 AI 工具包括以下几种：

• Cursor：我每天都会用它来编写代码，尤其是前端开发，效率提升显著。

• DeepSeek 和 Claude：将两者结合使用，Claude 在长文本创作上更符合我的写作风格，而 DeepSeek 则用于联网搜索技术报告。

• Grok 3：其 Deep Search 功能非常强大，我正在不断尝试。

• Ideogram：这是一个类似 Midjourney 的文生图工具，生成的图片设计感很强，我经常用它来生成图片。

• Napkin：它可以将文档一键生成脑图或 PPT 格式的图表，非常适合快速制作 PPT。

• Notion：我用它来收集各种想法和计划，同时也会将 Claude 生成的内容整理到 Notion 中。

• 即梦 AI：我用它生成海报，效果不错，尤其是中文显示效果很好。

• 创客贴：主要用于海报设计，其 AI 设计功能非常实用。

• Gamma：用于快速生成 PPT，设计简洁且支持导出 PDF 和 PPT 格式。

我从 2009 年开始接触 Go 语言，而 GopherChina 也是从 2015 年开始举办，至今已经十年了。这十年间，Go 社区不断成熟，技术话题也逐渐趋同化。比如，大家讨论的大多是云计算、K8S 容器、微服务、监控等热门领域。这些内容在过去十年里已经被分享得非常充分，社区的成熟也意味着技术发展进入了一个稳定阶段。

随着 AI 时代的到来，技术人不能固步自封，必须勇敢拥抱变革。因此，我决定将 Go 社区全面升级为一个 AI 社区——ThinkIn AI。这个社区目前还处于起步阶段，但已经展现出巨大的潜力。在这个过程中，我们做了以下两件事：

第一，开发了一个 DeepSeek 模型兼容性检测工具。这个工具的灵感来源于朋友的提问：他们的电脑配置能否部署某个型号的 DeepSeek 模型，比如 1.5B、7B 或 8B 等。基于这个需求，我利用业余时间用 React 写了一个网页工具，通过显存和内存的检测，自动判断用户电脑能够部署的最大模型。这个工具开发过程非常高效，仅用了一个晚上的时间，而且完全通过对话式编程完成，我没有手写一行传统代码。推出后，这个工具受到了广泛关注，很多人反馈企业也有类似需求，希望了解服务器配置如何满足不同模型的部署要求。因此，我们又开发了一个企业部署服务器配置计算器。用户可以根据自己的需求选择模型大小（如 70B、671B 或 14B）、量化类型、序列长度、批次大小等参数，工具会计算出所需的显存、CPU 配置、模型参数占用等信息，并推荐适合的硬件配置，包括 GPU、CPU、内存和网络等。同时，我们在工具底部宣传了 ThinkIn AI 社区，目前社区已经吸引了大量用户，14 个群几乎都满了，这说明大家对 AI 的热情非常高涨。

第二，我们开始探索 DeepSeek 部署后的应用场景。目前，虽然已经有 Chatbox 和 Open Web UI 等客户端可以连接 DeepSeek，但我们认为 DeepSeek 客户端可以实现更多功能，尤其是对于企业私有化部署来说，需要更强大的智能体开发。因此，我们决定自己开发一个开源的客户端——DeepChat。这个项目完全开源，采用 Apache 协议，今天刚刚发布了 0.02 版本，支持联网功能，可以通过搜索引擎结合 DeepSeek 进行更强大的处理。我们的目标是将 DeepChat 打造成连接强大 AI 与个人世界的智能助手。未来，人们会越来越多地通过终端设备处理各种事务，包括电脑、平板和手机。我们希望在终端设备上开发更多小应用，比如下一个版本将支持文件上传和内容总结功能，用户可以上传多个文件并输出自己想要的格式。DeepChat 不仅可以连接企业的大脑，也可以连接个人电脑，用户可以选择连接本地的小 AI，也可以连接公网上的满血版 AI。我们还计划全面对接 MCP 协议，将个人智能体的功能整合进来，充分发挥终端设备的潜力。我们希望通过开源的方式，像 DeepSeek 一样，毫无保留地分享技术，打造一个全球知名的 AI 应用生态。

对于我们企业而言，从个人到社区，再到企业层面，我们的差异化优势其实非常明确。比如，我们将 Go 社区转型为以 DeepSeek 为核心的 AI 社区，这一转变本身就体现了我们的独特性。我们始终以开源项目为驱动，围绕 AI 编程、开源项目、DeepSeek 工具链以及 MCP 社区的终端应用展开工作。这种以开源为基础、以技术为核心的发展路径，是我们区别于其他社区和企业的关键所在。

在企业层面，我们面临的挑战是 如何在 DeepSeek 私有化部署这一竞争激烈的市场中找准自己的定位。如今，许多企业都在涉足 DeepSeek 的私有化部署，但我们必须思考：用户为什么选择我们？如何在众多竞争者中脱颖而出？这正是我们需要解决的问题。

我认为，实现差异化的核心在于“行业 Know-How + AI”。我们需要找到自己真正擅长的行业领域，并深入理解该行业的核心数据和业务流程。只有当我们清楚地知道行业数据的价值和业务流程的关键节点时，才能将 AI 技术精准地嵌入其中，从而发挥出我们的差异化优势。这种结合行业深度知识与 AI 技术的能力，才是我们能够在市场中立足的关键。

AI 技术商业化落地的“道”与“术”

所谓“道”，是指我们对场景选择和用户痛点的深刻理解。首先，我们必须从用户的真实痛点出发，这是商业化的基础。其次，商业模式的验证至关重要，需要从一开始就设计好盈利模式，思考如何持续赚钱。用户痛点的发现并非孤立的，而是通过与不同行业人士的交流逐渐明晰的。例如，有医院希望部署 DeepSeek 的私有化方案，但面临技术选型和硬件适配的难题；还有企业希望通过小模型解决特定业务问题，需求千差万别。这些痛点背后，反映出行业对 AI 技术的迫切需求，也凸显了我们作为技术提供方的机会。

仅仅发现痛点还不够，我们需要结合行业 Know-How 与 AI 技术，找到数据和业务流程中的关键点，将 AI 嵌入其中，实现差异化价值。比如，金融行业可以通过 AI 优化风险控制，医疗行业则可以利用 AI 提升诊断效率。这种结合行业深度知识与 AI 技术的能力，才是我们能够在市场中立足的关键。

在“术”的层面，我们则需要关注技术的成熟度和数据的积累。选择成熟的技术可以降低风险，而数据的积累和算法的优化则是持续迭代的基础。AI 技术的快速迭代要求我们不断优化模型，以适应市场的变化。

小结

在 AI 时代，每个人都有机会成为超级个体，无论是个人创业还是小团队创业，都需要 从技术的迷恋转向技术的实用化，从产品思维转向用户价值思维。技术本身并不重要，重要的是技术与场景的结合。同时，从单打独斗转向生态协同也是必然趋势。AI 的商业化落地需要构建完整的生态，包括技术提供方、数据支持方和应用场景方。

以下为对话实录部分（经编辑）：

InfoQ：DeepSeek 出现之后，对积梦智能目前的业务以及所服务的客户带来了哪些直接的价值？

谢孟军： 虽然我们的传统业务还在继续推进，但我们也要更好地拥抱 AI 时代带来的变化。为此，我们专门开辟了一项新业务，开始 着手 DeepSeek 的私有化部署相关工作。这包括帮助客户梳理知识流程、清洗数据，以及构建高效的数据库和知识库，并协助他们将这些内容整合到业务流程中。

我们有几家制造业用户正在推进 DeepSeek 的私有化部署。其实这个思路源于去年底，当时我们服务的一家客户是做橡胶轮胎助剂的。他们内部积累了大量研发资料，研发部门有大约五十人，但这些数据不便外流，所以他们希望在内部建立一个研发资料知识库。去年，他们就已经开始与我们对接，探讨如何实现这个目标。当时我们告诉客户基座模型还在迭代，建议他们再等等，但千问 2.5 其实已经可用。然而，今年春节当 DeepSeek r1 发布后，客户过完年就立刻联系我们，表示一定要采用这个技术。他们希望通过 DeepSeek 赋能内部的研发资料库，提升研发效率和知识管理能力。

InfoQ：有观众提问：如果自己的公司想本地化部署、搭建自己的知识库，应该选择 DeepSeek 的哪一个版本，或者有没有其他更好的解决方案？

谢孟军： 我觉得搭建公司知识库的关键在于明确用途。如果只是搭建一个简单的知识库，我认为 32B 的模型其实就足够了，效果也不错。关于具体的硬件配置，大家可以访问 ++DeepSeek 模型兼容性检测 ++，通过这个工具检测一下自己所需的硬件配置。

私有化部署选什么版本的 DeepSeek 其实取决于具体的应用场景。如果条件允许，满血版当然是最好的，但成本确实很高，至少两三百万起步。如果需求没那么复杂，比如 7B 或 8B 的版本，我建议大家可以考虑买个 Mac mini，七八千块钱就能搞定，或者自己配一台台式机，大概一万元左右就能部署起来了。像我现在用的 Mac Pro，本机就能部署 14B 的模型。

我看到还有同学问满血版需要多少张显卡。这要看具体用什么型号的显卡了，比如 H200 还是 H20，不同显卡的数量要求是不一样的。如果是 H20 的话，大概需要 14 张到 16 张。现在大家在部署过程中确实会发现有不少问题，尤其是满血版的部署，并没有想象中那么简单。推理模型的优化参数和配置都需要仔细调整，过程中有不少需要注意的地方。

InfoQ：有观众提问：问题怎么转成向量去匹配相应的知识库？

谢孟军： 这个就是 RAG（Retrieval-Augmented Generation）技术。它的核心机制是这样的：当一个文档输入进来时，系统会将其分解为一个个小块，然后通过 embedding 模型将这些块转化为向量并存储起来。当你需要查询时，问题也会被转化为向量，然后在向量库中进行相似度搜索。不过，RAG 目前面临一个很大的问题：当文件数量很多，比如达到 5,000 个时，多路召回的结果会非常多，相似度匹配的结果也很多，这就很难确定到底哪个是最相关的。因此，上下文的重要性就凸显出来了。现在，大家开始转向一种新的模式——Graph RAG，也就是将知识图谱的概念与 RAG 结合。这样可以更好地处理上下文信息，提升检索的准确性和效率。

InfoQ：有观众提问：运维该如何提升效率，有什么建议？

谢孟军： 我建议使用 Cursor 写运维脚本，效率提升非常明显，因为运维工作本身就涉及大量脚本编写。我个人最大的感受是，我们的学习模式可能会因此改变。比如，我以前对前端开发不太熟悉，尤其是 TypeScript 和 React，但现在很多都能轻松上手，写得很快。为什么呢？因为我采用了“干中学、学中干”的方式——通过与 Cursor 对话，利用它强大的代码生成能力，它会根据你的需求生成代码。我们程序员已经掌握编程基本逻辑，比如如何管理包、下载和运行代码，而且 Cursor 生成的代码语法基本正确，只需要稍作检查即可运行。更重要的是，Cursor 会帮你生成目录树和文件结构。因为它已经学习了大量开源代码，所以它能合理设计目录架构。我觉得这种方式特别适合每一个 IT 人，因为它不仅提高了效率，还帮助我们在实践中学习新技术。

InfoQ：国内的代码开发工具你有用过吗？可以点评一下吗？

谢孟军： 国内目前我还没用过类似的产品。现在唯一值得期待的就是字节跳动的“Trae”。之前也有一些产品，比如百度的 Comate（文心快码），它们都是对标 Copilot 的。但 Copilot 其实是上一个年代的产品，体验非常差，如果国内的产品只是对标 Copilot，我觉得那还是上一代的东西。听说字节跳动的“Trae”可能会对标 Cursor，它在 3 月份应该会发布国内版。

InfoQ：你怎么看待 AI 领域里的创业新机会的？对于普通人来说，又如何借助 AI 成为一个超级个体？

谢孟军： 现在很多人都在提“一人团队”的概念，如果你创业的话，一人团队其实是个很好的选择。TGO 鲲鹏会的会员开设了“一人出海”的课程，值得去学习一下。我觉得一人团队的核心在于，现在各个细分赛道中确实出现了很多 AI 场景应用的机会。以前我们可能需要一个大团队来完成这些工作，因为涉及到各种协同和分工。但现在，借助 AI 工具，一个人就能搞定很多事情。比如我之前提到的 cursor，我有一个朋友，他以前完全没有编程基础，甚至不是计算机专业出身，但最近迷上了 cursor，天天在用它写小程序，甚至还成功上线了。当然，我会慢慢给他普及一些基础知识，因为他需要补充的地方还有很多。但这就是 AI 时代个体创业的魅力所在。不仅仅是 cursor，我很多时候有了一个想法，就会让 AI 帮我写草案，比如文章、设计文稿、API 文档，甚至针对 API 的测试用例，这些都可以通过 AI 快速生成。

InfoQ：比如你早上 9 点坐在办公室里，晚上 9 点离开办公室，在这 12 个小时里，你会用到哪些 AI 工具来提升工作效率？

谢孟军：Cursor 大概占了我 50% 的时间，我主要用它来辅助编程和生成代码。另外，我还会用 Claude，它能快速帮我把一些想法整理成初稿，完善成具体的方案。第三个用得比较多的是 Notion，我会把所有的东西都记录在里面。偶尔会用到 Napkin 和 Gamma，它能把文字内容快速转化为 PPT 格式。当然，还有一些小工具，比如即梦，会用来做海报，比如 AI 自动生成海报这类功能。

InfoQ：AI 帮助我们提升工作效率，未来也可能会改变我们的工作方式。AGI（通用人工智能）出现后，可能会取代我们 80% 甚至 90% 的工作。从你的角度来看，未来怎么去定义人在其中的价值？我们该如何更好地适应 AI 时代，或者迎接 AGI 的到来？

谢孟军： 我没有很深刻地思考过这个问题，只是有一些肤浅的看法。但我一直觉得，目前 AI 还只是一个辅助工具，它还无法完全替代人类。在很多场景里，AI 仍然做不到完全取代人的工作。人的认知很重要。现在很多时候，关键在于你的思维方式和视野有多宽。比如，就像刚才提到的，用 AI 去写东西，你需要先想清楚自己想写什么，以及这个东西能产生什么价值。这些需要人去思考。你不能让 AI 帮你完成整个闭环。比如，你让 AI 设计一个“利润率能达到 50% 的产品并上线”，这种要求实现的可能性并不大。