刊於《信報》，2025年2月24日
了解DeepSeek技術突破 避免誤判發展
許佳龍
科大商學院署理院長；資訊、商業統計及營運學系講座教授；艾禮文家族商學教授
上兩篇文章，筆者分析了DeepSeek面世對晶片市場的影響；亦闡釋了人工智能（AI）一旦得到擴展應用，也會左右晶片市場的相應需求變化，扼要地從晶片市場變化的視閥，提出筆者對DeepSeek-R1大模型面世後的初步觀察和分析。
對於DeepSeek在新春來臨前夕「橫空出世」，筆者不少校內學生和大學外的朋友不約而同問筆者，怎樣看待DeepSeek大語言模型技術創新上所帶來的「震撼性」、DeepSeek對整個AI市場的發展，繼後會產生什麼影響？
筆者並非專門研究AI技術的專家，但透過對DeepSeek報告資料的了解後，基本上有一個認識梗概，樂意同讀者分享我對「DeepSeek現象」的觀察和見解。
技術創新並非「破天荒」
首先， DeepSeek公司公布DeepSeek-R1語言大模型，其低成本高效能的訓練技術改進，使不少人覺得DeepSeek的崛起，對美國人工智能科技行業，尤其對於Open AI的ChatGPT-4o大模型，以至美國整個AI業界發展帶來巨大衝擊。不過，筆者認為，對於「DeepSeek現象」，我們其實需要正確解讀。從DeepSeek-R1語言大模型的報告資料看，DeepSeek並非「從無到有」的顛覆性創新突破，其底層技術依然是圍繞深度神經網絡、建基於大語言模型學習技術的發展。
仔細觀察，DeepSeek與Open AI公司和其他美國科網大公司所開發的大語言模型（LLM）最大的分別，在於DeepSeek並沒有像Open AI公司等那樣，採用「剛硬」的方式，用大量晶片去積累算力、綜合海量文檔、使用數量眾多的函數進行訓練，而是「另闢蹊徑」，運用了更加節能且效能不減的模型架構，包括使用專家混合模型（MoE）、多層注意力機制（MLA）等技術，這些技術能夠提升模型表現，同時降低耗能，卻又能夠增強信息處理的能力。
然而，這些技術在業界及學術界是已有的成果，並非DeepSeek所獨創。但深度求索公司在發展大語言模型上，創新地把這些算法集成起來進行優化應用，最終令DeepSeek-R1做到「低成本高效能」效果，甚至在若干性能檢測標準上，超越其他同類大語言模型產品，包括ChatGPT-4o。
「我勝你敗」思維易形成誤判
當DeepSeek一推出，旋即對美國AI業界和華爾街股市相關晶片公司帶來震撼性衝擊，若果認為DeepSeek-v3（最新的版本）已經徹底超越美國AI技術，這個判斷，筆者認為並不正確。
雖然在多個不同指標性能的比較，並經過不同的實驗和檢測，DeepSeek- v3基本上可以在表現上壓倒所有開源的AI大語言模型，但對於閉源的AI 大語言模型，如ChatGPT-4o，在性能表現上，檢測結果顯示各有所長。在某些工作上，DeepSeek- v3比ChatGPT-4o優勝；但在某些工作上，DeepSeek- v3也有不及ChatGPT-4o的地方。因此，用「我勝你敗」的思維方式，來比拼DeepSeek- v3與ChatGPT-4o的技術「誰勝誰負」，並不正確，也不適當。
事實上，雙方建基於同一的底層技術基礎，只不過DeepSeek 透過優化訓練程序，換上了不同的基礎訓練邏輯，大量節省了訓練時間和算力消耗。
「過濾」指控並不成立
另一方面，DeepSeek除了利用集合專家知識的概念，即運用「專家混合模型」的技術外，還使用了「過濾」技術。當DeepSeek推出後，有評論甚至有指控稱DeepSeek利用「過濾」技術，對ChatGPT模型進行過濾，然後把過濾擷取所得據為己有，才能夠取得「低成本、高效能」的效果，此舉等同「抄襲」。
不過，筆者經過了解DeepSeek發布的詳情後，對於外界稱DeepSeek「抄襲」的指控並不能成立。誠然，過濾技術經常是運用大語言模型的其中一條捷徑，但走到這一步，DeepSeek所過濾的對象也不是ChatGPT，而是DeepSeek自身所建構一個經過精簡成本的大模型，從中經過濾後再得出一個「更小」的大模型，結果DeepSeek-R1只需用約550萬美元成本，取得了「低成本高效能」的震撼性成效。按DeepSeek發布的詳細資料顯示， DeepSeek「抄襲」ChatGPT的行為並不存在。
正確認識了解發展真貌
對DeepSeek這兩點基本技術正確了解，有助我們對「DeepSeek現象」作出正確認識，並可據此作為觀察和分析DeepSeek-R1對大語言模型、AI業界以至晶片市場需求變化等未來發展，作出精確和適切的判斷。
更重要一點是， DeepSeek的技術突破，對於其集合一些現有的學習模型技術，將之進行優化應用所取得的「創新成果」，若然大眾的認識有偏差，對於DeepSeek的未來發展，我們也可能會作出偏差的判斷；從宏觀角度看，或者也可能不利整體AI市場包括DeepSeek公司的健康發展。
釐清了DeepSeek-R1技術突破內裡的問題後，我們可以從中得到什麼啟迪？囿於篇幅，另文討論。