所以現在的情況是DeepSeek越強，開源生態越繁榮，跑在國產芯片上的應用越多，英偉達CUDA的鎖定效應就越弱。CUDA鎖定效應越弱，國產芯片越有機會迭代。國產芯片越迭代，DeepSeek下一版就能在更強的國產算力上跑。這是第一個正反饋。 DeepSeek每發布一個新模型，華爾街就重估一次“英偉達未來還有沒有暴利”。股價一哆嗦，幻方量化靠着做空或波動套利，一把收割。收割來的錢不需要分給股東，不需要買遊艇，反手砸進DeepSeek的下一輪研發。這又是一個正反饋。 國家看到了“打掉美國最後一個技術壁壘”的戰略價值，於是默許幻方在金融市場上那些野蠻的套利動作。政策包容換來國產半導體生態的加速度，加速度換來更低的卡脖子風險。三方各取所需，DeepSeek在中間既當發動機又當方向盤。 所以，DeepSeek不是什麼民族英雄式的單點突破。它是一台算法效率驅動的三層正反饋機器。底層是思維鏈和推理時計算改變了模型的“代謝率”，中層是開源和低價抽幹了閉源巨頭的血，外層是資本市場的負反饋為母體持續供血。這三層咬合在一起，比任何單一技術突破或者商業策略都要命。 好了，前面的你都看懂了以後就能理解為什麼Deepseek是個核彈級產品...它從算法、生態和商業三個層面徹底瓦解了美國為維持AI霸權所構築的三大壁壘 - 算力壁壘、生態壁壘和成本壁壘。 DeepSeek最大的衝擊，是挑戰了“AI性能由高端算力數量決定”的信條。DeepSeek R1模型僅用數百萬美元成本，就實現了媲美OpenAI的GPT-5的推理能力。 當西方巨頭在堆參數時，DeepSeek憑藉混合專家模型（MoE） 和DSA稀疏注意力等架構突破，大幅降低了對顯存和算力的需求。這並非簡單的“以小博大”，而是證明通過更高效的算法和工程優化，同樣可以縮短與巨頭成本之間的巨大鴻溝。這也解釋了為何其V4-Flash模型的API調用價格，僅為GPT-5.5的百分之一。 DeepSeek的真正戰略價值，在於它主動完成了最艱難、也最危險的一步 - “去英偉達化”。為了實現從英偉達CUDA生態向華為昇騰CANN架構的底層遷移，DeepSeek-V4不惜硬生生推遲了半年才發布。得益於這種堅持，其V4系列模型在發布首日（Day 0），就完成了對華為昇騰、寒武紀、摩爾線程等8家國產芯片的全量適配。 在所有衝擊中，這一擊最為釜底抽薪。美國政策制定者原本希望，通過對華禁售Nvidia高性能芯片，從根本上鎖死中國的AI能力。DeepSeek的成功，讓這一戰略遭遇了全面失敗。 2025年以後AI大模型有了一個巨大的進步，就是推理能力（thinking mode），aka思維鏈（CoT）和 推理時計算。 從LLM的本質出發，理解思維鏈（CoT）和推理時計算的本質，這裡的關鍵在於看清一個底層矛盾：Transformer的固定深度與複雜問題所需的多步推理之間的不匹配。 Transformer每一層都做一次非線性變換，整個模型有固定層數 LL（如64層）。 自回歸生成時，每產生一個token，模型只做一次深度為 LL 的前向傳播，且不能回頭。 這意味着：對於任何需要超過 LL 步邏輯鏈才能解決的問題，標準LLM只能“猜”，因為它沒有機制在生成下一個詞之前打草稿、做中間計算。 思維鏈的本質：用“時間”換取“深度”，也就是說思維鏈強制模型將推理過程顯式地展開成多個token。 把原本需要單次深度 DD 的計算，拆解為 mm 個深度 LL 的步驟，並通過上下文傳遞中間狀態。整體有效計算深度從 LL 變為 m×Lm×L（因為每一步都基於上一步的輸出重新進Transformer）。 但思維鏈仍是一維的線性鏈，一步錯步步錯。推理時計算更進一步可以進行並行擴展（Self-Consistency）和串行擴展+搜索（Tree-of-Thoughts）。 於是結果就變成了: 推理質量≈模型固有能力+f(推理計算量) 其中 f 在初期近似於對數線性增長，直到邊際收益遞減。推理時計算就是把傳統Scaling Law中的 “訓練計算量” 部分轉移到 “推理計算量” 上，用更靈活的推理時間換取模型體積或訓練成本的降低。 思維鏈和推理時計算，本質上是用算法的時空複雜度（O(步驟數)）來補償模型架構的表達深度限制（O(層數)）。它們把LLM從“固定深度的直覺機器”變成了“可編程的符號計算引擎” - 雖然底層仍是神經網絡，但行為上已經開始逼近通用圖靈機。 思維鏈和推理時計算擴展了LLM的表達能力（從短路輸出到多步展開），但沒有改變其統計本質（無意圖、無因果、無自我、無價值、無目標創造）。但人的思考是第一人稱的、有意識的、價值驅動的、主動構建的過程；LLM的“推理”是第三人稱的、盲目的、模式驅動的、被動響應的過程。兩者之間存在不可逾越的本質鴻溝，CoT只是讓鴻溝看起來窄了一點。 有了這個錨點你就能理解，模型的能力主要來自參數量、數據量和計算量的統一擴展，這就相當於你的價值觀有了客觀可觀事實根基，而不是純粹的跟風。 從這點來客觀比較中美大模型的話： 參數量：美國模型(OpenAI, Anthropic之類)占優（GPT-5據稱已達12.8萬億），中國模型在追趕。 數據量：公開信息較少，但是中國的數據量天然比美國多得多。 訓練算力：美國暫時占優，中國受制於芯片禁令，國產算力替代是關鍵。 美國頭部模型更像是在“豪賭”規模（Scaling Law），堅信“大力出奇蹟”，中國模型則更像是追求“事半功倍”的效率（Efficiency Law）。 這樣，你在看中美AI競賽的時候多少才能看點門道，而不是純燒Token湊熱鬧 理解LLM算法本質和Transformer架構是接觸AI的“錨點”，因為它為一切上層實踐（提示詞工程、Agent開發、RAG、微調等）提供了統一的因果坐標系。 沒有這個錨點，你很容易在現象層面迷失 - 要麼對模型寄予不切實際的期望，要麼在它出錯時陷入玄學式的歸因（“模型太笨”“提示詞魔法不夠”）。 然後賣課的就盯上你了。
從LLM算法本質來看，這段話切中了當前大模型應用中最容易被忽視的核心矛盾：模型的生成能力不等於人類的思考能力，而模型的輸出質量根本上取決於輸入信號的結構化程度。 LLM的本質是一個自回歸概率模型，給定上文，預測下一個token的概率分布。它的每次生成都依賴於前面的上下文，而上下文完全由你提供。這意味着： - 模型沒有內在的“目標”或“意圖”，它只是在擬合訓練數據中學到的條件概率。 - 你給的信息越碎片、模糊、情緒化（比如vibe coding那種“隨便做點什麼好看的東西”），模型的條件分布就越分散，結果就越隨機、平庸甚至荒謬。 這正是為什麼提示詞工程強調“深度、廣度、顆粒度” - 深度對應因果鏈的清晰（消除歧義），廣度對應相關條件的覆蓋（減少缺失維度），顆粒度對應指令的原子性與可驗證性（讓每一步的概率峰足夠尖銳）。這些本質上是在降低模型生成時的熵，讓最可能的token序列恰好是你想要的。 LLM不是上帝，因為它沒有意圖和規劃；但它可以被驅使，因為它的條件概率對結構化的輸入極其敏感。你沒想明白就幹這在算法上等於主動放棄對條件分布的控制，這在任何工程領域都是災難，在概率生成模型中尤其如此。 你每寫一個提示詞，本質上都是一次對條件概率的逆向工程，如果模型給出了A而不是你想要的B → 說明你提供的條件中，A的概率更高。你要追問：是哪個詞誤導了？缺少了什麼約束？是否存在衝突的指令？這個過程迫使你把自己的模糊直覺拆解為明確、有序、無歧義的語言，這正是深度思考與精確表達的核心訓練。 如果你vibe coding是在讓模型替你去模糊化，結果就是你變得越來越依賴隨機輸出，自己的認知結構卻越發鬆散。換句話說不是你在駕馭AI，是AI在把你變成傻逼。 提示詞工程也好，SKILL也罷，各種對LLM的約束嘗試，最大的啟發不是我們如何調教“無所不知”的大模型，而是讓我們自己先學會思考，深度、廣度和顆粒度--而這一點和vibe coding這種上頭式幼稚不負責的“方法”天生矛盾的。 你可以vibe anything，但不要試圖在沒想明白之前動手。否則，你以為你播下的是龍種，但最後收穫的只能是跳蚤。 靠天吃飯、撒播、不聞不問，那是蠻夷的農耕。而正確的方法應該是華夏農耕的方式：了解天地人，通曉曆法節氣，了解作物習性，揚長避短，因地制宜。 LLM不是無所不知的上帝，它只是個無所不能的瘋孩子。 約束它，然後驅使它---前提是我們知道我們自己要（干）什麼，先了解我們自己。 即使做不出什麼成熟的產品，但經過實踐，我們的思考能力和表達能力會得到極大地提高。
|
