摘要：技术流：讲模型原理、算法创新、性能突破的。商业分析流：讲创始人背景、企业成长史、行业影响力的。应用探索流：讲提示词写法、本地部署方法，以及怎么用DeepSeek搞钱的。国际格局流：讲国内外反应、讲对抗霸权的。

关于DeepSeek的文章，网上已数不胜数，归了一下类，大概分这么几种：

当然，还有很多声音在质疑、唱衰和传播假消息，面对这些海量信息的轰炸，要说不FOMO肯定是假的。

因此在这篇文章中，我希望尝试用第一性原理，回答两个问题：

这次破圈，DeepSeek做对了什么？

他们的经验，对我们有什么启发？

我会从多个角度尝试拆分这两个问题，希望借助一些观察和思考，帮助大家跳出焦虑、抓住本质。

引言

马斯克认为，第一性原理的思考方式，是用物理学角度看世界。也就是说，要回归事物最基本的条件，再层层拨开表象，解构成各种要素分析，从而找到实现最优路径的方法。

那么，对深度求索而言，他们所遵循的，对大模型的第一性原理是什么？

答案很明显，不是参数量，不是评估分数，也不是用户数，是成本，是用极致的计算成本逼近通用问题解决能力的边界！

马斯克曾说过，他的成功得益于自己养成了一种很绝的心态，叫做10%目标定律。也就是无论你在生活中想要什么，都要做10次尝试。

但实际上，大多数人都不会尝试10次，甚至连一次都不想尝试。

从2023年发布首个开源模型DeepSeek Coder，到后来的DeepSeek LLM、DeepSeek-V2，再到如今的V3、R1，每一步DeepSeek都走的很扎实，但这并不代表中间不会出错，就算这家公司的员工都是万里挑一的天才，他们在模型训练上的尝试，肯定不止十次、百次。

那什么样的事，会让他们失败9次，还愿意做第10次呢？一定不是风口上的热闹事。力出一孔，把所有资源都投入在一件事上，是保持专注、缓解FOMO的不二法门。

那么，在DeepSeek对成本的极致追求下，哪些过程会对我们有启发呢？

DeepSeek与创新思维

想探求一款大模型产品的本质，最直接的方法是看论文。

于是春节这两天除了陪家人，就是研究《DeepSeek-V3 Technical Report》和《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》

具体这2篇论文讲了什么，很多文章都有解析，这里不再赘述，我也不是算法研究员，不敢瞎讲。

但我仍旧想从第一性原理的角度来和你分享，从论文中，我看到的DeepSeek做工程创新的基本原则。

举2个例子吧，第一个是MTP架构的创新。

MTP（Multi-Token Prediction），也叫多token预测技术，这是一种并行优化机制，可以让模型在训练时同时预测多个连续位置的token。从而提升整体性能和推理速度。

有人说这项技术Meta早在24年4月就提出来了，DeepSeek就是直接拿过来用而已。但仔细读过论文后，你会发现它们长得并不一样：

因为除了Meta，MTP的背后还有《EAGLE: Speculative Sampling Requires Rethinking Feature Uncertainty》和《Fast Inference from Transformers via Speculative Decoding》这2篇论文在起作用。

Meta提出的MTP，对每个输入的token，会同时并行输出4个targets token，但实际上大模型的内容输出是遵循自回归方式一个个输出，是有前后关系的，这种用并行heads去预测token的方式会和自回归逻辑冲突。

而解决思路，就来自另一篇叫《EAGLE: Speculative Sampling Requires Rethinking Feature Uncertainty》的论文，它在Medusa算法的基础上，提出用自回归heads取代并行heads的策略。

这里有个很有趣的细节，《EAGLE》这篇论文，其实要解决的是大模型推理耗时问题，其参考了Google的论文《Fast Inference from Transformers via Speculative Decoding》，在该论文“先起草、后验证”方法的基础上，让模型“打草稿”的结果更准。其方法之一，就是将前一步的token序列（包含采样结果）作为输入的一部分来进行预测。

看到这张图，你有没有似曾相识的感觉？

是的，和DeepSeek的MTP架构非常相似。尽管EAGLE的初衷是提升大模型推理效率，但抽象出来看，其本质上也是在预测token，既然这如此，这种思路同样可以用来做模型训练。这就是MTP方法的创新逻辑之一：广泛参考，抽象本质，相互借鉴。

第二个例子，来自DeepSeekMoE架构。

要了解清楚DeepSeekMoE，只看V3论文是不够的，要上到源头《DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models》，这篇论文中，DeepSeek对传统MoE架构做出了三项改进：拆分、共享和平衡。

抽象出来看，这种“从量变到质变”的思想，本质上是一种资源最优分配的策略，即：如何在有限资源下，在时间、空间、数量、质量之间做权衡和互换，从而以提高系统整体性能和效率，而这个策略延展到极致，本质上这就是“Scaling Law”。

类似的原理，可以在城市规划中看到：将综合商场拆分为店铺集群（如电子产品一条街），提升交易效率；也可以在社会组织中看到：设立公共行政部门（如税务局）处理通用事务，让企业专注专业领域；同样可以在项目管理中看到：通过合理分配开发资源，优化产品开发的流程和质量。

综合上面2个例子可以看出，支撑DeepSeek做创新的关键，正是对事物极强的抽象和整合能力。

延展思考一下，这项能力，对我们做产品会有什么启发呢？

举个例子，小猫补光灯，就是对“补光”这一核心需求的抽象；之前在360做的小爆款“时光日记”，是对“情绪表达”的抽象。我觉得从DeepSeek模型训练经验中学到的这种解题思路，尤其适合资源和时间有限的独立开发者，帮助他们拓宽视野、探寻本质，以更高效的分配方式满足用户需求。

DeepSeek与提示词使用

这是对R1论文研读后的思考。DeepSeek火爆后，最让人乐此不疲的，是它的深度思考模式。

很快，网上就流传开一个共识：和DeepSeek对话，不能用传统的“角色-指令”提示词框架，而要采用“场景-需求”的表达方式。典型格式就是：我要xx，要给xx用，希望达到xx效果，但担心xx问题……

另一个现象是，很多时候DeepSeek的输出过于“抽象”，充斥着大量难以理解的高大上名词，什么“参数正交、生命系统、元认知、数据混沌”，但加上一句“说人话”，表达就会“接地气儿”的多。

另一个DeepSeek的神奇之处，是它模仿名人风格写出的作品，和原作者文笔的相似度极高，效果远超其他模型。

这又引起了我的好奇。

从R1的论文中也许能窥探一二.

首先，DeepSeek-R1-Zero的训练过程中，使用了格式奖励模型，要求模型将思考过程放在‘’和‘’标签之间。

这种做法强化了模型的指令遵循能力，而这项能力，很可能泛化到其他格式敏感的任务中。当用户提出“用某个名人的风格写文章”时，模型会把风格指令看做类似的格式约束，从而做到精准响应。

第二，在强化学习的过程中，模型被要求学会“验证步骤合理性”，而这种能力不仅被用来验证解数学和编程问题，迁移到写作中，也能让写作的每一步更有条理。

此外，猜测在多阶段训练的冷启动阶段，DeepSeek的研究员也为模型注入了大量长链思维数据，其中就包含着高质量的写作样本。

第三，为了训练出一个用户友好的模型，除了格式奖励，DeepSeek-R1的训练过程中还引入了语言一致性奖励（Language Consistency Reward），这使模型更擅长理解“任务目标+约束条件”，而不是抽象角色定义。

举个例子，如果输入这样的提示词：

其中的“希望xxx”部分，会触发格式奖励，因为其隐含了让模型分步解释的要求，类似加上了的限制条件。而“避免xxx，担心xxx”部分，则激活了语言一致性奖励，对应着模型训练中可读性优化的目标。

也就是说，在DeepSeek的强化学习过程中，训练数据通常会遵循“问题描述→约束条件→输出结构”的分布，而如果我们在提示词中也遵循这样的写法，就会触发模型自动生成带风格的分步解答。

从另一个角度理解，让模型扮演一个角色，本质上是给模型设定一个System Prompt（系统提示词），让它具备某项能力。而DeepSeek-R1的训练过程中，并没有显式使用System Prompt（系统提示词），而是完全依赖User Prompt（用户提问）和结构化响应模板（如和标签）来引导模型行为。即：

User: [问题描述]

Assistant: [推理过程] [最终答案]

在论文第5章（Limitations）中也提到，建议用户在使用时直接描述问题，并使用零样本设置指定输出格式以获得最佳结果。如果强制添加角色指令，模型很可能因为训练数据缺乏此类模型而表现不稳定。

如果你对产品思维足够敏感，会发现一件事：
DeepSeek-R1所推荐的提示词写法，和描述需求的方式是一样的，即：

不要讲用户需要什么，而是还原场景，站在用户视角，强调：我希望达成一个什么目标，但在达成过程中遇到了什么问题，我希望解决它，但面临着一些困难，不知道该怎么做才好。

而DeepSeek做深度思考的过程，就可以看做产品经理思考产品解决方案的过程。

再延展思考一下，除了直接描述目标、场景和要解决的问题外，从论文中还可以衍生出哪些提示词优化技巧？核心思路就是想办法激活模型在RL训练中学习到的奖励机制和链式推理能力。比如说：

1、分步式结构：任务分解+逻辑链路

举例：

原理：

通过分步描述，匹配冷启动数据中的长链思维模式；要求“自然衔接”来触发RL训练中的格式奖励。

2、对比式结构：目标+对比优化方向

举例：

原理：

使用"避免"类指令，直接关联RL训练中的语言一致性奖励；通过正负样本对比，强化模型对偏好分布的判断，类似论文中的拒绝采样逻辑。

3、反思式结构：观点+反思推演

举例：

原理：

这种"验证-反驳"流程，会激活模型在数学推理任务中训练的反思行为；概率量化要求会触发RL训练中的数值精确性奖励。

上述方法提出的本质，就是遵循R1训练的基本原则：

DeepSeek与AI应用

DeepSeek再强大，也只是基础模型，简单和它对对话，体验一下推理反思带来的震撼效果，对普通人而言也就足够了。

但对业内人士而言，这项技术能否顺利落地，产生商业价值，才是最值得关注的。

那么，刨除成本优势和蒸馏能力不谈（其价值显而易见），DeepSeek这类更强调强推理能力，尤其在长CoT、数学和编码能力表现突出的模型，可以让哪些AI落地场景更受益呢？

首先能想到的，是对AI Agent智能的强化，尤其是在规划能力上。

我们都知道，当下很多智能体开发平台，实现智能的方式主要是工作流配上一些模型节点，本质上这还是一种低代码编程，开发出的Agent，并不具备真正的智能。

如上图所示，智能体的规划能力，在于能否清晰拆解目标，并根据环境反馈自我反思。

而类似DeepSeek R1这样具备深度推理能力的模型，能使AI Agent在规划阶段更好地理解任务的整体结构和各组成部分之间的关系。又由于其会自我反思，从中找到最优答案，也可以让Agent在进行子目标拆解时，自行评估不同方案的优缺点，从而选择最符合需求和资源限制的方案，提高执行效率和效果。

更进一步地想，这种基于深度强化学习的规划方式，甚至可以使AI自主发现人类没有预设到的优化策略，从而反过来帮助人类优化任务执行方法，实现双赢。

除此之外，推理过程中的反思内容可视化，可以让AI的输出结果具备可解释性，进而提升用户对AI产品的信任度。

大模型最令人诟病的，就是它的生成结果不可控，要么是泛泛而谈，要么是天马行空，其生成过程对用户而言是黑盒，这明显违背了尼尔森的十大可用性原则中的状态可见原则，即：系统应让用户时刻清楚当前发生了什么事，也就是快速的让用户了解自己处于何种状态、对过去发生、当前目标、以及对未来去向有所了解。

很多时候用户对模型的回答不满意，本质上就是这四种原因：

而将反思过程可视化，就能针对性缓解上述用户困惑：

1、针对“我知道你知道”（用户认为回答无新意）

这个问题的本质，是用户觉得AI的回答停留在常识层面，缺乏独特价值。但如果将隐藏的推理层次以“深度分析”的面板呈现出来，就会提升决策深度，帮助用户打开思路，发现非常规解法的可能。

2、针对"我不知道你知道"（用户看不懂回答）

导致这类问题的原因，是AI呈现信息的方式不符合用户认知水平。那如果在多轮反思中，包含专业术语的解释、推理步骤的示意，实际案例的呈现，全方位展示答案的产出过程，也就能更好帮助用户理解。

3、针对"我知道你不知道"（用户质疑回答错误）

这类问题是推理步骤外化可以解决的典型代表，由于缺乏验证路径，用户会对AI结果缺失可信度，那完全可以基于此标注每个结论的事实依据和推测概率，从正向和反向多个层次展示答案的输出过程，再高亮AI都觉得难以判断的部分（如"当前结论未考虑2023年新修订的XX法规，建议补充以下信息..."），就会全方位提升答案的信任感和可用性。

4、针对"我不知道你不知道"（用户怀疑潜在错误）

当缺乏判断依据时，呈现更丰富的信息，尤其是推理失误部分，反而能让用户感知到AI给出信息的严谨性，甚至有助于启发对未知部分的探索欲，从而给AI提供进一步补充信息，让接下来的反馈效果更好，达到人机互补的效果。

总结下来，让反思过程可视化，目的是暴露AI思考的范围和局限，一方面缓解对不确定性的焦虑，另一方面也能启发一部分对未知的探索欲，是一种新型人机协作方式，我觉得特别适合用在教学场景中。

DeepSeek的边界与局限性

最后再来聊一点我对DeepSeek的一些担忧。

直觉上讲，如果DeepSeek遵循的第一性原理是成本，那性能只是极度榨干算力下的涌现，并不是最终他们要达到的目标。如果这个逻辑成立，相比那些不计成本只追求模型效果的公司而言，他的发展会不会更慢？

当然，从另一个角度看，追求性价比的核心，在于提升“单位算力下的智能”，这反而需要更强的技术突破，这会形成“深度求索”这家公司的护城河，从而让他们更有余力带来更强大的模型效果。

再进一步想，DeepSeek这一波秀的，可能并不是模型本身，而是他们的工程优化能力，从更本质看，这才是决定商业化成败的关键。

从大模型行业的技术演进规律看，相比盲目堆算力，DeepSeek展现的"技术降本"路径，实际上代表着行业前沿方向。因为低成本训练可以让模型的迭代频率更高，其过程中产生的中间成果（优化算法、训练框架等），能衍生出比大模型本身更有商业价值的产品。当然，这对突破“算力管制”肯定也是利好。

第二点担心是，DeepSeek R1所采取的纯强化学习进行Post-Training的方法，更适合训练数学推理和代码编写模型，因为它们都有明确的奖励信号、推导流程和可验证的中间结果。那面对偏创意类的生成任务，是不是效果会差很多。

虽然我们看到的是，无论写文章、写诗还是模仿说话，DeepSeek的效果也都超预期，但这些是基于对R1-Zero进一步微调得来的（高质量的冷启动数据、多阶段训练），这种“打补丁”式的优化方法，会不会存在瓶颈？

具体解法我不清楚，但相信已经有很多人在这条路上在持续探索着。

总结一下

DeepSeek为我们带来的，不只是性价比超高的模型，更是一种在有限条件下追求极致的态度，也是一种从本质出发思考问题的解题思路。

那这和我们每个人有什么关系呢？

AI在进化，人类也在成长，2025，与你共勉！

作者 | 申悦，前360产品总监、36氪产品负责人，目前AII in AI，疯狂钻研中。

来源：全域运营