昆仑数据基于近年来在大模型领域的项目实践和工程经验，在“戏说工业数智化”直播间推出《工业企业DeepSeek修仙指南》系列直播，与大家共赴工业大模型“修仙”之旅。

以下为首期直播内容摘要。

《第一期 灵根觉醒》

1、DeepSeek到底是什么？它和前两年出现的大模型比，有些什么样的不同和创新？

从底座模型训练者的视角来看，这是一次具有突破性的创新。然而，从大模型应用的角度而言，DeepSeek或许仅是一个性能更优的新模型，本质上属于量变而非质变。原有的模型如同本科生，而新模型则如同博士，尽管后者能力显著提升，但若期望其适应特定企业或场景，仍需进行针对性的培训和再教育。

2、什么叫DeepSeek满血版？部署DeepSeek需要多少服务器？

严肃而言，实现全功能部署至少需配备16块H100显卡，每块具备80GB显存，方可确保系统满载运行。首要条件为硬件容量的充足，其次需预留余量以保证流畅操作。据保守估算，16块H100显卡大致可支持10至15个并发任务。构建此类全功能或企业级运行环境，预计成本将接近400万元人民币。

3、DeepSeek也延展出来很多低参数的版本，用更低配的硬件也可以运行起来，比如蒸馏版，这也是官方版本吗？

蒸馏版作为官方发布的版本，其核心价值在于验证了蒸馏技术路径的可行性，为开发者提供了实践参考，以便根据官方方法对自有模型进行蒸馏。知识蒸馏的过程可类比于师生教学，即一个模型的输出作为另一模型训练的输入。

以市面上DeepSeek针对千问的32B蒸馏版为例，其与普通千问32B在基础能力上并无显著差异，主要区别在于集成了R1深度搜索功能。然而，R1在32B模型上的表现仅限于特定任务的优化，适用范围较为局限。

网络上有观点认为，满血版R1与蒸馏版R1之间的差异，犹如牛肉卷与牛肉风味卷之别，二者虽气味相似，实则本质不同。

4、DeepSeek R1和V3的版本之间有什么区别？

V3版本与先前所见的底座模型相似，采用一问一答的交互模式。而R1版本中的“R”代表“Reasoning”，即推理模型。随着这一概念的提出，底座模型被大众划分为两类：生成式与推理式，尽管这种分类略显牵强，但易于被广泛接受。

通俗而言，推理模型可理解为：当提出一个问题时，模型并不急于作答，而是进行深思熟虑，翌日再予答复。用户在使用DeepSeek官网时所见之“思考中”（Thinking）状态，实则为一种心理独白，模型通过自我剖析问题，经历顿悟过程后，方给出正式回答。

此技术名为思维链（Chain of Thought, CoT），并非新生事物，早在提示词工程技巧中便有所应用。思维链技术通过显式生成中间推理步骤，旨在提升大模型输出的准确性。其核心机制在于将复杂问题分解为逻辑相连的子任务，通过逐步推导降低整体推理难度。然而，这种多步迭代过程会显著增加响应时间，形成以时间成本换取精度的典型技术权衡。

在时效性要求极高的场合，如高层领导参观展厅，生成式AI若延迟4-5秒已难以接受，更遑论推理模型可能长达20秒的等待时间。因此，R1模型更适合用于桌面研究或深度思考等对时间要求不高的场合。

5、从底层逻辑上看DeepSeek创新，对业界最大的冲击是什么？

传统的预训练模式依赖大量计算资源，需众多显卡协同工作。DeepSeek的此次创新，简而言之，是算法与数据的双重胜利，其数据集质量亦属上乘。

最初，我们提出大模型的三大要素：算力、数据与算法。ChatGPT作为先驱，率先实践了全网数据集收集与预训练，引领了行业方向，彼时竞争焦点在于算力，数据质量尚属一般。随后，行业遭遇瓶颈，模型训练效果趋于一致。

Llama之所以稍显优势，在于发现高质量数据集对模型性能提升显著，因此业界关注点转向数据优化。然而，数据驱动的提升路径亦逐渐触及天花板。

面对全人类知识被模型学习殆尽的困境，业界一度陷入悲观，认为模型性能难以再提升。然而，大周期循环至算法层面，DeepSeek通过算法创新突破了这一瓶颈。至于下一个大周期的焦点将落在算力、算法还是数据，目前尚难断言。

6、工业企业对大模型的应用是否存在不同的声音？

部分企业正积极探索大模型应用，而另一些则持审慎态度，主要顾虑在于企业数据尚未系统化整理，以及缺乏明确的大模型应用策略，需逐步推进。

业界存在一种大胆假设，认为大模型技术虽植根于过往技术，但因算法与算力的飞跃而展现卓越性能。工业现场数据丰富且质量上乘，自动化系统对稳定性和安全性要求极高，本身具备大量冗余。若将AI的算力与算法融入自动化控制，有望显著提升生产效率。然而，将算力转化为生产力，需依赖一种广义的AI，涵盖控制算法、检测算法等各类专用人工智能。

我们的终极目标是实现通用人工智能（AGI），即模拟人类智能，具备理解与学习能力，通过持续沉浸在工厂数据中，实现自主决策。目前，大语言模型或许能成为通往AGI的桥梁，对此深信不疑者勇于先行探索，而持怀疑态度者则选择观望。然而，在笃信者中，部分人走向另一极端，视DeepSeek等大模型为无所不能，这亦是一种误区。

周鸿祎在清华讲座中以电动机为喻，形象指出大模型如同高性能引擎，而多数企业所需实为剃须刀。电动机虽能展现27000转的惊人性能，却未必实用。同理，即便DeepSeek表现出色，距离解决实际问题仍有相当距离。

7、以DeepSeek为代表的大模型给工业企业带来了一些什么样的变化？

当前，对大模型感兴趣的人数呈指数级增长，然而尚未出现具有颠覆性的爆款应用。尽管如此，这一趋势可能标志着一个重大变革的开端，因为关注者越多，底层创新的可能性越大。正如修仙者增多，修成正果的概率也随之提升。

DeepSeek的兴起带来了认知上的转变。以往，企业需投入巨资构建算力集群，如今在较低硬件配置下，探索私有大模型成为可能，这不仅提高了建设效率，也降低了探索风险。

过去，焦点多集中于大模型本身，而DeepSeek的出现引导工业企业将注意力转向如何将大模型作为技术组件，设计松耦合架构，并探索其与具体场景的结合，从而开辟更广阔的应用前景。

传统模式下，工业数据分析高度依赖专业工程师的经验与技能。他们通过深入分析数据，结合自身专业知识，最终形成专业的诊断报告与优化建议。如今，通过大模型技术，工业企业希望可以直接获取数据，快速生成精准的分析结论与建议报告。这将大幅降低分析门槛，使新入职员工也能高效完成专业报告撰写。

要将大模型有效应用于工业场景，尚需完成大量基础工作。为避免大模型产生幻觉，需重视数据治理质量，并考虑大模型与专用数据分析模型的整合。

8、在工业视角下，DeepSeek或者其他大模型到底适用于什么场景？

当前，大模型应用最为成熟且最广泛的两个场景如下：

知识库：最初应用于客服领域，现可扩展至其他工业环节，如设计、生产制造、运营等。以能源行业设备运维为例，知识库可在确保设备稳定运行的前提下，优化检修流程，提升效率并降低成本。然而，构建知识库并非一蹴而就，其实际效果需通过具体实践验证，而非仅凭部署即可实现。

ChatBI：在生产阶段应用广泛，主要解决生产过程中数据访问的痛点。在此场景中，大模型扮演程序员角色，编写SQL代码，实现数据的高效处理与分析。软件行业已普遍采用AI编程助手，显著提升了开发效率。这些场景是大模型落地最早且效果显著的领域。

工业企业需从自身流程中发掘适合大模型应用的环节，尤其是数据传递型与文档传递型的业务流程。政企领域文档系统流程较为常见，可借鉴其经验，探索适合大模型特质的业务场景。

大模型本质上是技术手段，而非具体场景。场景需具备明确角色、待解决问题及解决方案路径。若将大模型视为厂长秘书，思考其职责与任务，或能寻得切实可行的应用切入点。