梁文锋与DeepSeek：理想主义者如何用算法效率颠覆全球AI格局

两个反常点：DeepSeek为何如此特别

在中国AI创业的浪潮中，DeepSeek始终是个异类。从V1、V2、V3到DeepSeek，再到刚推出、推理速度最高提升85%的DeepSpark，这家公司始终坚持一条外界难以理解的路线——开源且免费。

做大模型是出了名的烧钱游戏，动辄数千万乃至上亿美元的投入。一家企业忙活半天，图的不就是盈利吗？本可以靠着领先技术狠狠赚一笔，DeepSeek却选择全部开放。这是第一个反常点。

第二个反常点在于团队规模。DeepSeek最早只有一百多人，到近期版本发布时也不过三百多人。这个数字放在动辄数千人的AI大厂面前，实在算得上是小团队。可它的技术实力为何如此强悍？要理解这两个反常点，得从创始人梁文锋这个人说起。

梁文锋：财务自由的技术理想主义者

DeepSeek几乎所有关键决定都由梁文锋一人拍板，因此理解他的底层逻辑至关重要。

在创办DeepSeek之前，梁文锋早已功成名就。他经营的幻方量化成立于2015年，是一家完全依靠数学模型和AI算法自动交易的量化私募基金。这家公司发展迅猛：2019年管理规模突破百亿，2021年直接冲到1000亿人民币，是圈内公认的"量化四大天王"之一。

值得注意的是，量化私募与AI大模型之间存在深层的技术基因联系。量化交易本质上是机器学习在金融领域的早期实践——依靠统计模型、高频数据处理和强化学习策略进行自动交易，这与训练大语言模型在底层架构上高度重叠：两者都需要海量数据处理、高效算法优化和分布式计算基础设施。

尤其值得一提的是，幻方量化所构建的高频交易系统，需要在微秒级别完成数据摄入、特征提取、模型推理和订单执行的完整闭环，这要求工程师对CUDA内核、PCIe带宽和NUMA架构的理解必须达到硬件极限。所谓NUMA（Non-Uniform Memory Access，非均匀内存访问）架构，是指在多处理器系统中，不同CPU访问本地内存与远程内存的延迟存在显著差异的硬件设计——高频交易系统对这种延迟极度敏感，工程师必须将关键数据结构精确绑定到对应CPU的本地内存节点，而这套"数据亲和性"（data locality）的工程直觉，与大模型训练中张量并行（Tensor Parallelism）的显存分配优化如出一辙。

这种技术同构性体现在更深的层面：高频交易系统与大模型训练都面临分布式通信瓶颈（多节点间的梯度同步与交易信号广播本质相似）、数值精度权衡（FP16混合精度训练与金融模型的定点数优化逻辑相通）、以及内存带宽墙（KV Cache调度与交易撮合引擎的内存访问模式高度类似）。幻方量化积累的这套极致化算力利用意识，直接迁移到了DeepSeek对GPU利用率的偏执追求上——梁文锋天然执着于"用更少算力做更多事"，而非像传统互联网公司那样习惯用堆资源解决问题。

这意味着，梁文锋早已不是初出茅庐的创业者，而是金融与AI交叉领域的老手，且早已实现财务自由。充沛的现金流是一切的基础，这种底气是普通AI创业公司所不具备的。

那么，既然幻方量化经营得如此出色，为什么还要创办DeepSeek？梁文锋自己都承认，如果非要找一个赚钱的理由，那是找不到的。基础研究的投入产出比太低了。

真正的驱动力，是一种不服气。过去这些年，中国公司习惯了别人搞技术创新、我们直接拿来用，仿佛这是天经地义。但梁文锋不甘心中国AI永远只能跟在别人身后。当他发现钱有了、算力有了、技术判断力也有了，那还等什么，直接干。

这种气质，有点像马斯克——痴迷技术、务实、带着理想。若纯粹为了赚钱，没有一点"抱负"驱动，他不可能走到今天。

三层扁平结构：让顶尖人才不被制度磨平

有钱有理想还不够，还需要能适配人才的组织模式。DeepSeek的内部运转方式，正是它技术强悍的另一个秘密。

DeepSeek内部只有三层：创始人、小组长、一线员工。没有中层，没有PPT汇报，没有繁琐的跨部门协调。谁有想法，只要技术上靠谱，就能直接调算力去验证，不需要层层审批。一个刚毕业的年轻人，只要点子足够好，几百张GPU说用就用。

这与大厂形成鲜明对比。在大厂，跑个实验要先写方案、开评审会、排队等资源，等批下来黄花菜都凉了。大厂不是没有人才，而是制度在消耗人才，组织内耗能把天才磨成庸才。

梁文锋的招人逻辑也很独特：

• 不迷信AI专家——很多传统专家思维已经固化，习惯在现有框架里修修补补；
• 偏爱具有物理、数学背景的顶尖年轻人——他们更容易从底层重构算法。

这一招聘哲学在学界亦有呼应。物理学家出身的研究者往往更擅长从第一性原理出发推导系统行为，而非套用工程经验；数学背景则赋予了对梯度动力学、信息论和优化理论的直觉感知。这背后有一套深层的认知逻辑：物理和数学训练的核心是"用最简洁的公理体系推导复杂现象"，这与AI工程实践形成了互补——传统AI专家擅长在现有框架内调参优化，而物理系训练出的研究者更倾向于质疑框架本身的合理性，这正是MLA注意力机制、MoE负载均衡创新等突破性工作的认知来源。

值得一提的是，这一用人哲学并非梁文锋的孤立发明：量子场论奠基人费曼正是以"从第一性原理重新推导物理学"著称，而施密特、杨立昆等AI领域的奠基人物也有深厚的物理或数学训练背景。DeepSeek的多项核心论文第一作者均是毕业不久的年轻研究员，这在头部AI实验室中极为罕见，也是这一招聘哲学最直接的体现。

虽然DeepSeek如今人数增长不少，但与OpenAI、Anthropic动辄数千人的体量相比仍是小团队。它的打法有点像咏春拳里的"寸劲"——把所有力量集中到一个点上，打出最强破坏力。

开源的自由：OpenAI做不到的事

要理解DeepSeek开源策略的意义，必须回看当时的行业格局。ChatGPT横空出世后，硅谷巨头把持着最顶尖的模型，Claude Opus的输入价格高达75美元/百万Token，GPT-4也是几十美元量级，完全是卖方市场。

这里有个耐人寻味的对比。OpenAI之所以叫"Open"，是因为成立之初确实以非营利、开放为目标。但在接受微软数百亿投资、转为营利实体之后，模型越来越强，也越来越封闭。从GPT-3开始，OpenAI彻底走向闭源。

这不能全怪奥特曼，而是结构决定的。拿了投资人几百亿美金，股东要回报、董事会要盈利，开源根本无从谈起。

DeepSeek恰恰相反。梁文锋自己是大股东，不用看任何人脸色，说开源就开源、说MIT协议就MIT。MIT协议是软件开源许可证中限制最少的协议之一，允许任何人免费使用、修改、分发，甚至直接用于商业产品，唯一要求是保留原始版权声明。这与GPL协议的"传染性"（要求衍生作品同样开源）形成鲜明对比。

尤其值得关注的是，MIT协议之所以在AI基础模型领域具有特殊意义，在于它消除了企业法务合规的最后顾虑。GPL协议的"传染性"要求衍生代码同样开源，这对商业公司意味着核心产品代码的强制披露风险，法务部门通常直接否决采用。而MIT协议只需保留版权声明，使企业可以将DeepSeek模型直接封装进闭源商业产品，无需任何额外成本或法律风险——这一特性是DeepSeek能够在短时间内被数千家企业集成的关键制度条件。

相比之下，Apache 2.0协议虽然也较为宽松，但包含专利终止条款（若用户对许可方提起专利诉讼则自动失去使用权），而LGPL则要求动态链接的开源声明，对某些嵌入式场景仍存在合规顾虑。DeepSeek选择MIT而非上述替代方案，是消除最后一道法律摩擦力的精心考量。从主流开源许可证的"限制强度"光谱来看，GPL最严格（强制传染性开源）、LGPL次之（要求动态链接声明）、Apache 2.0较宽松（含专利条款）、MIT最自由（几乎无限制）——DeepSeek直接选择了对商业采用最友好的终点。

从更宏观的产业史视角看，这一策略与科技史上数次"开放换生态"的经典案例一脉相承：IBM在1981年开放PC架构标准，最终丧失硬件利润却催生了整个Wintel生态；谷歌将安卓系统以Apache协议开源给手机厂商，用极低准入成本迅速建立移动端生态，最终在应用分发和广告体系上获得垄断话语权；Linux内核免费开放给云厂商使用，今天已成为全球服务器操作系统的事实标准。DeepSeek的开源逻辑如出一辙——用极低使用成本迅速建立生态规模，最终在标准制定和人才吸引上获得话语权。"OpenAI是想开源却做不到，DeepSeek是想开源就能开源"——这两种自由有着根本区别。

算法效率：在无人注意的赛道弯道超车

大模型是烧钱游戏，三百人怎么和几千人、几百亿美金对抗？答案是——不在同一赛道拼。梁文锋选择了一个被忽视的空白地带：算法效率。

当时行业主流思路是"大力出奇迹"：买更多GPU、堆更大集群、烧更多算力。而梁文锋有个尖锐观点："如果资本堆砌就能推动技术进步，那么大公司早就垄断了所有创新。"DeepSeek选择在算法架构层面搞突破。

最经典的例子是DeepSeek R1。它最震撼的地方不是准确率，而是把完整的推理链公开亮出来。当时OpenAI的o1虽有推理能力，却藏着不给看，官方称是"安全考虑"——这背后有一个具体的技术威胁：知识蒸馏（Knowledge Distillation）。

蒸馏是指用大型"教师模型"的输出来训练小型"学生模型"，使后者用更少参数逼近教师模型的性能。知识蒸馏技术最早由Hinton等人在2015年正式系统化，其核心洞见是：教师模型输出的"软标签"（各类别的概率分布）比硬标签（正确答案）包含更丰富的结构信息，学生模型通过拟合软标签能以远低于教师模型的参数量获得接近的性能。这一逻辑在大语言模型时代被进一步延伸：如果教师模型的完整推理链（Chain-of-Thought）被公开，竞争对手可以将每一步推理过程作为监督信号直接训练学生模型，这比仅拟合最终答案的蒸馏效率高出数个量级——本质上是把教师模型的"思维过程"而非"最终答案"作为训练数据，信息密度远超传统蒸馏。如果推理链完全公开，竞争对手可以直接以此为训练数据，用极低成本复制出能力相近的模型——这是一种"军备竞赛中的情报战"。DeepSeek R1主动放弃了这道护城河，以换取更广泛的学术影响力和社区信任——R1论文随即成为全球下载量最高的AI论文之一，这一策略的回报远超预期。

压力之下，OpenAI在R1发布不到一个月后就被迫更新o3-mini，开始展示推理过程——尽管仍是整理过的摘要，藏了一半。

DeepSeek R1背后的三项核心创新

R1的走红背后，是三件事做到位了：

1. 更细粒度的MoE架构——混合专家模型（Mixture of Experts）的思想可追溯至1991年Jacobs等人的论文，在Transformer时代由Google的Switch Transformer（2021年）重新激活，证明可在不线性增加推理成本的前提下扩展模型参数规模。其核心机制是：将庞大神经网络拆分为多个"专家"子网络，每次推理时由门控网络动态选择少数几个专家参与计算，模型参数总量可以很大（提升表达能力），但每次实际激活的参数量很小（降低计算量）。

   从信息论角度理解，MoE的本质是一种条件计算（Conditional Computation）——不同输入token被路由到不同的专家子网络，使模型在参数空间中实现隐式的功能分区：某些专家可能专门处理代码语法，另一些专家则倾向于处理数学推导，这种自发的功能特化是MoE相较于稠密模型在表达能力上的核心优势。DeepSeek的创新在于将专家数量从数十个提升至数百个细粒度专家，并引入共享专家机制与独创的辅助无损负载均衡策略，解决了传统MoE中负载不均衡（部分热门专家过载而多数专家闲置）和专家同质化的顽疾。传统MoE的负载均衡通常通过辅助损失函数强制均匀分配，但这会与模型学习目标产生梯度冲突，DeepSeek引入的无损负载均衡策略在不引入额外梯度干扰的前提下实现了专家利用率的均衡，使整体硬件利用率提升至接近稠密模型水平，在同等硬件条件下显著提升了吞吐量；

2. MLA显存优化——对上下文记忆进行低维压缩，占用显存缩小的同时保留关键信息。传统Transformer的KV Cache（键值缓存）随序列长度线性增长，是长文本推理的显存瓶颈——在处理128K上下文窗口时，标准多头注意力的KV Cache可占用单卡显存的60%以上，严重限制了并发处理能力。

   理解这一瓶颈需要追溯到Transformer注意力机制的数学结构：在自注意力中，每个token都需要存储Key和Value向量以供后续token查询，这些向量的维度由模型隐藏层大小决定，随序列长度线性累积，形成所谓的"KV Cache"。MLA（Multi-head Latent Attention）通过将KV向量投影到低维潜空间再压缩存储，在几乎不损失精度的前提下将KV Cache显存占用压缩至原来的数分之一。这一设计与矩阵分解（SVD）和低秩适应（LoRA）有技术上的亲缘关系——LoRA通过将权重更新分解为两个低秩矩阵的乘积来压缩微调参数量，而MLA则将同样的低秩分解思路应用于注意力机制的键值对存储，但MLA将低秩压缩直接内嵌进注意力机制的前向推理路径，而非仅用于微调阶段，使同等显存下可支持的并发请求数大幅提升——这也是DeepSeek API能够以极低价格提供长上下文服务的工程基础；

3. 纯强化学习训练策略——传统大模型训练依赖大量人工标注的RLHF（基于人类反馈的强化学习），成本极高，单次训练周期的标注成本可达数百万美元。RLHF的局限在于其奖励信号来源于人类偏好标注，这既引入了标注者的主观偏见，也在规模扩展时面临标注成本的线性增长瓶颈。

   DeepSeek R1的"纯RL"路径借鉴了DeepMind在游戏AI领域（AlphaGo、AlphaZero）的自博弈思路：通过设计可自动验证的奖励函数（如数学题答案正确性、代码编译通过率），让模型在没有大量人工标注的情况下，通过与环境交互的奖励信号自主学习推理策略。这一范式在AI安全领域有更深远的意涵：当奖励信号来自可形式化验证的客观规则（如数学定理证明系统Lean、代码测试套件），而非人类偏好判断时，模型的能力边界就不再受制于人类标注者的认知上限——模型可以在标注者无法预见的解题路径上自主探索，从而突破人类思维定势的约束。这一过程意外触发了研究者所称的"顿悟时刻"（Aha Moment）——模型自发学会了回溯、反思和分步推导，甚至出现了自我纠错的涌现行为，这正是R1能够完整展示推理过程的技术根源。这种方式不仅大幅降低了标注成本，还揭示了一条此前被忽视的模型能力涌现路径，对整个领域的训练方法论产生了深远冲击。

更惊人的是成本：R1的基座模型V3训练成本仅558万美元，后续强化学习部分只花了29万美元。而同期OpenAI训练GPT-4，据奥特曼原话"远超1亿美金"。这一成本差距背后有结构性原因：DeepSeek团队对H800芯片（出口管制版本，相比H100在NVLink带宽上有所削减）进行了针对性的通信拓扑优化，使跨节点通信开销降低到接近H100的水平；同时通过FP8混合精度训练在保持模型质量的前提下将显存带宽需求压缩近半。

值得注意的是，H800相比H100的主要限制在于NVLink互联带宽从900GB/s降至400GB/s，这意味着跨GPU的梯度同步和激活值传输的效率大幅下降——DeepSeek的工程团队通过重新设计流水线并行（Pipeline Parallelism）的调度策略，将计算与通信重叠（Compute-Communication Overlap）的比例最大化，在硬件受限条件下逼近了理论通信效率上限，这正是幻方量化时代积累的极致工程能力在大模型场景的直接复现。DeepSeek打响的第一枪，直接打在了训练成本上。而DeepSpark，则是在推理成本上打响的第二枪——套路不变，拼的始终是算法效率，而非堆卡拼肌肉。

开源，是唯一能打的破局牌

归根结底，开源是梁文锋唯一能打的破局牌。"你靠闭源收割，我把价格打到十分之一；你靠垄断赚钱，我让全世界开发者免费用。"这一战略让DeepSeek从默默无闻的挑战者，瞬间变成系统性搅动全球AI格局的"搅局者"。

DeepSeek最近完成500亿融资，梁文锋自己掏了200亿。他买的不是股份，而是绝对不被资本干扰的话语权——这正是OpenAI求而不得的东西。

说到底，DeepSeek的崛起不是什么商业奇迹，而是一个身家百亿的人，按照自己认为对的方式去做事。梁文锋极其低调，据传曾以化名"一只平凡的小猪"匿名捐款1.38亿元。

随着团队规模越来越大，这股"寸劲"还能否保持？这值得我们持续关注。但无论如何，梁文锋和他不甘心的中国AI，已经在全球舞台上打响了属于自己的一枪。

核心要点

核心要点

核心要点