1.3.3 DeepSeek的诞生与突破

DeepSeek的诞生，离不开幻方量化在AI应用领域的持续探索。作为国内顶级的量化私募之一，幻方量化一直在寻找让自己算法更强的方法，而AI正是他们实现突破的关键。

从“萤火一号”到“萤火二号”，幻方量化在AI上的投入越来越大，开始自己采购高性能芯片来搭建训练集群。当时在国内，只有阿里等极少数科技巨头才拥有这样的资源，而幻方量化作为一家金融机构也铺设了自己的AI之路。这条路，不仅让幻方量化在金融圈遥遥领先，也为如今DeepSeek的诞生埋下了伏笔。

终于，在2023年，DeepSeek正式从幻方量化独立出来，成为一家独立运营的AI公司。它的目标不是要造出一个更强的金融AI，而是要直接开发出真正具备人类智能水平的AI模型。换句话说，DeepSeek不是要做个更聪明的交易算法，而是要在AI领域正面挑战OpenAI、DeepMind、Anthropic等全球AI巨头。

但要实现这个目标，谈何容易。

DeepSeek的第一个难题，就是资金和资源的筹措。虽然幻方量化给了DeepSeek不小的资金支持，但众所周知，AI模型就是个烧钱的无底洞。训练一个顶级模型需要庞大的算力支撑，而算力意味着大量昂贵的芯片和服务器。

在有限的资源下，DeepSeek要开发出一个能与国际巨头竞争的AI模型，难度可想而知。服务器的风扇声嗡嗡作响，电脑屏幕上密密麻麻的代码和损失曲线成了他们生活的全部。DeepSeek的工程师们知道，不能靠堆资源，只能靠更聪明的算法。

第二个难题，就是技术的突破。AI领域的主导权已被大厂和顶尖科研机构牢牢掌握，OpenAI、DeepMind、Meta、Anthropic等头部AI企业每年投入数十亿美元，而DeepSeek想要杀入这一领域，简直是以小博大的极限挑战。

第三个难题，就是人才的投入。无论是苹果、DeepMind、Meta，还是OpenAI，都有庞大的人工智能研究团队。例如OpenAI就有1700人的研发团队，而人工智能领域的人才又是各大科技公司高价挖角的对象。如果不能以创新的方式应对，大量的人才投入就会给DeepSeek带来巨大的挑战与压力。但梁文锋带着的团队，仅仅是约150人的小团队，他们深知，如果不能在算法上找到突破点，不能让团队的成员发挥强大的创新力，DeepSeek就永远无法超越那些资源丰富的大公司。

于是，他们提出了全新的MLA（多头潜在注意力机制）架构，大幅降低了模型的显存占用。这意味着，在相同的算力下，DeepSeek的模型可以处理更复杂的任务，训练成本也大幅降低。这种创新，使得DeepSeek即便资源有限，也依然能开发出高性能的AI模型。

2024年5月，DeepSeek发布了DeepSeek-V2，这款模型一发布就震动了整个行业。它的推理成本显著低于当时的主流模型（是Llama3-70B的1/7、GPT-4 Turbo的1/70），而性能却几乎不输阵。更炸裂的是，DeepSeek-V2不仅性能强，还直接开源，这一招彻底引爆了国内大模型的价格战。

但DeepSeek的目标，远不止于此。2024年12月，DeepSeek-V3问世，这一版的模型性能已经逼近GPT-4，但训练成本却只有后者的1/20。这种极致的成本优化能力，直接让所有AI研究者都瞠目结舌。

DeepSeek-V3的成功，标志着DeepSeek的技术已经达到了国际一流水准，中国的AI公司中终于有了可以真正比肩OpenAI的竞争者。

2025年一开年，DeepSeek再一次发布了新的R1模型，这次，它不仅在国内爆火，还在海外引起了广泛关注。R1模型的性能和OpenAI的o1模型相当，但在推理速度和成本控制上更胜一筹。这意味着，DeepSeek不仅在训练成本上打败了OpenAI，就连实际应用上的效率也更高。

可以说，从金融领域起步，深耕量化交易，到成立DeepSeek，梁文锋带领团队走出了一条属于自己的AI之路。如今，DeepSeek已经成为全球AI领域不可忽视的力量，不仅改写了AI行业的游戏规则，也向世界展示了中国AI的实力。