●目前众多政府部门、头部企业及著名研究机构，纷纷接入DeepSeek，其影响力正快速扩散，这不仅验证了DeepSeek的实用性，更彰显其在推动各领域智能化变革中的巨大潜力
●DeepSeek的突破证明，中国人工智能创新正在进入“第二曲线”。当技术演进从参数竞赛转向认知革命，我们有机会重新定义智能进化的轨迹。这场变革不仅需要技术勇气，更需要构建支持持续创新的生态系统
人工智能技术正在经历范式变革的关键期。在这个GPT-4展现通用智能曙光、Sora突破视频生成边界的时间节点，中国团队DeepSeek（深度求索）在复杂推理领域的突破具有特殊意义。这场技术变革正在揭示智能本质的两个核心维度：知识建构的广度与认知推理的深度。本文将从技术突破的路径分析出发，展望人工智能发展趋势，探讨中国人工智能发展面临的机遇与挑战。
勇于突破：从技术跟随到范式创新的跨越
一直以来，我国人工智能领域存在显著的“资源—创新悖论”：庞大的工程师群体、海量数据资源与广泛应用场景的组合，尚未转化为具有全球影响力的原创技术体系。这背后折射出科研生态的结构性困境——在追逐技术热点与承担创新风险之间，我们往往选择前者。
DeepSeek的突破恰恰打破了这种惯性思维。研发团队选择了“强化推理”这条曾被主流忽视的技术路径，通过构建多级推理验证机制，在参数规模可控的前提下，使模型在数学证明、逻辑推理等复杂任务上达到甚至超过了OpenAI-o1的性能水平。更为重要的是，目前众多政府部门、头部企业及著名研究机构，纷纷接入DeepSeek，其影响力正快速扩散，这不仅验证了DeepSeek的实用性，更彰显其在推动各领域智能化变革中的巨大潜力。这种“非暴力突破”的成功证明，中国团队完全具备挑战技术深水区的能力。
OpenAI的“暴力美学”与DeepSeek的“精工细作”形成了有趣的对照。前者验证了算力规模化的可能性，后者则证明智能涌现未必依赖参数爆炸。这提示我们：人工智能的发展正在进入多路径并行的新阶段，我们需要建立更包容的容错机制，支持更多“非共识”创新。
技术解构：算法—硬件的协同创新
通过拆解DeepSeek的技术架构，不难窥见其创新的方法论，这也是范式创新的内在基础。DeepSeek技术创新包括了混合专家模型(MoE)、独特设计的强化学习推理路径等一系列巧妙的算法设计，还包括了诸如FP8混合精度、GPU协同调度以及融合硬件特性的原生稀疏注意力（NSA）等工程创新。
一是混合专家模型(MoE)。DeepSeek-V3基座模型拥有6710亿参数，每个Transformer层部署256个领域专家与1个共享专家。借助动态路由机制，每个token处理仅激活8个专家（约370亿参数）。这种“专业分工”架构相较于传统稠密模型，预训练速度更快；与相同参数数量的模型相比，推理速度也更快，实现了模型的高效运作。通过任务驱动的资源调度，打破了传统计算范式的效率瓶颈。
二是强化学习推理。DeepSeek-R1模型回归了最纯粹的强化学习路径，仅依据模型输出进行奖惩，避免使用极易导致偏差的奖励模型学习。在上述技术路径，团队前期积累的组相对策略优化（GRPO）起到核心作用。最值得敬佩的是，DeepSeek开源了推理大模型，并提供详尽技术报告，实现了“授人以渔”，通过蒸馏赋能，有效提升了Qwen、Llama等开源大模型的推理能力。
三是原生稀疏注意力（NSA）。2月18日，DeepSeek最新公开发表的论文提出融合硬件特性的原生稀疏注意力。其通过针对硬件的优化设计，在提高推理速度的同时降低预训练成本，且不牺牲性能。在通用基准测试、长文本任务和基于指令的推理中，它均能达到或超越全注意力模型的表现。这些融合硬件特性的优化，在一定程度上为我们充分利用硬件特性、摆脱对英伟达CUDA架构的过度依赖提供了有效路径。
智能双螺旋：感知与推理的协同进化
从更宏观的视角来看，人工智能的演进，离不开感知能力与推理能力的持续提升，DeepSeek的发展便是有力印证。
在感知能力发展方面，当前大模型主要依赖文本数据的统计规律。DeepSeek通过引入知识自验证机制，构建起动态的知识可信度评估体系。这种内生验证虽仍局限于符号空间，但已触及智能进化的核心矛盾——如何实现知识获取的闭环反馈。这意味着当智能体必须通过与物理世界的交互来验证知识时，多模态感知将变得不可或缺。
在多模态感知能力发展上，DeepSeek同样表现出色。R1发布后，DeepSeek开源了多模态大模型Janus-Pro。尽管其关注度不及其他模型，但这表明DeepSeek正积极布局多模态感知领域。Janus-Pro支持多模态理解与生成，是一款非常紧凑的大模型。由于高效多模态感知是具身智能感知外界的先决条件，包括DeepSeek在内的大量研究机构和团队在此方向持续深耕，突破性成果呼之欲出。
在推理能力发展方面，DeepSeek-R1和OpenAI-o1致力于向推理大模型突破，长思维链是其中的核心思路，通过逐步推理与自我反思，提炼正确思路。R1发布后，众多团队探索其有效性，我们团队将长思维链中的反思、规划等高级动作作为约束，应用于普通的指令微调大模型，在数学推理上实现了飞跃性的性能提升，从而证实了长思维链在数学推理中的有效性。
然而，从推理机制来看，众多研究表明，现有大语言模型基本不具备从数据中发现因果关系的能力。研究发现，现有大模型在使用思维链时易产生因果幻觉，构建不存在的因果链路。但进一步研究表明，赋予大模型提炼的因果知识，可大幅减少这一现象，这意味着大模型具备一定的知识整合能力，且因果关系或许能提升其推理能力。
这方面的挑战依然是巨大的，因为当前大模型存在严重的决策黑箱问题，其本质是相关性与因果性的割裂。在简单问答场景尚可容忍的统计偏差，在金融等高价值场景将成为致命缺陷。在可预见的未来，智能体、机器人被期待参与到真实物理环境下与专业知识、生产环境以及人类进行交互，这其中留待解决的问题还有很多。从目前的探索来看，以下两者不可或缺：一是有效的反馈过程。大模型需要与目标环境、用户建立有效的反馈。以我们探索的支持数据库交互的对话AI产品Chat2DB为例，从用户意图理解、查询语句生成到数据库执行反馈不同环节，建立有效的交互机制，才能真正实现产品的落地应用。二是因果发现和推理能力的突破。在低容错的交互场景，必须通过因果关系发现，进行有效的决策过程。我们和华为一同在智能运维场景下探索了多年，在争分夺秒的抢修下，只有有效的根因定位发现，才可以减少复杂排查过程。我们认为大模型要应用到类似的决策过程，因果推理过程对齐是重要的突破口。
未来布局：构建智能时代的创新生态系统
从技术演化角度看，人工智能正经历从“数据驱动”到“机理驱动”的范式迁移。我国在该领域具备独特优势：庞大的应用场景为因果验证提供试验场，丰富的人才储备构成智力基础，而DeepSeek等企业的实践则积累了工程经验。在取得重大突破之前，任何一条探索之路都布满未知与风险，充满了各种不确定性。如何整合这些要素，从众多可能路径中去探索成功的方向，是需要深入思考的问题。
面对技术变革的窗口期，需要建立更具战略纵深的布局，包括：
一是理论前沿先导。以理论前沿为先导，从哲学、数学、物理、生物等基础学科的前沿发展中汲取灵感与力量，全力突破多模态感知、因果发现与推理、物理常识世界模型等关键技术，致力于在新一代人工智能领域构建起创新发展的新格局。
二是基础研究特区。设立专注认知架构、因果推理等前沿方向的“科研无人区”，给予5—10年的持续支持周期，建立“宽容失败”的评估机制，鼓励大胆创新，为探索未知领域的科研工作者保驾护航。
三是人才生态重构。建立“理论—工程—应用”的旋转门机制，使人才在高校、研究机构、企业中实现灵活流转。以人才流转的方式，让理论研究成果快速转化为现实生产力，同时让工程实践和应用中遇到的问题及时反馈到理论研究中，实现真正意义上的产学研用协同发展。
DeepSeek的突破证明，中国人工智能创新正在进入“第二曲线”。当技术演进从参数竞赛转向认知革命，我们有机会重新定义智能进化的轨迹。这场变革不仅需要技术勇气，更需要构建支持持续创新的生态系统。唯有如此，方能在智能时代的全球竞争格局中占据战略主动。
作者蔡瑞初，系广东工业大学计算机学院教授、博导，数据挖掘与信息检索实验室主任
