湖南大学：我们该如何看待 DeepSeek——what, how, why, and next？（PDF文档）

我们之前已经分享了 清华大学 和 北京大学 出品的 DeepSeek 系列教程。今天接着分享一份湖南大学出品的 PDF，内容围绕着：我们该如何看待DeepSeek——what, how, why, and next？

如果你对 DeepSeek 是什么，能用它干什么 ，以及它背后的原理 都有所了解，不防看看这份 PDF 介绍的下一步要关注什么。

这里我们仍然会从四个方面简要介绍一下这份 PDF：DeepSeek是什么，能用DeepSeek干什么，DeepSeek背后的原理，以及下一步要关注什么。

DeepSeek是什么？

PDF 首先提到了 ChatGPT 引爆了全球人工智能的热潮，它是一个生成式人工智能（AIGC）和大语言模型（LLM 或大模型），通过 Transformer 这种特殊的神经网络结构来实现文字接龙。而 DeepSeek-R1 更像是一个“推理模型”。

推理模型的关键在于它不仅仅是直接给出答案，而是能够像人类一样进行一步一步的推导（Reasoning）。这意味着 DeepSeek-R1 在数学、代码和逻辑等领域展现出更强的优势。PDF认为，DeepSeek R1是首个展示思维链过程的推理模型。

DeepSeek R1还具有以下几个重要的特点：

• 价格非常有竞争力，甚至提供了网页聊天免费的功能，降低了使用门槛。
• 它是首个开源的推理模型，用户可以下载并在本地安装使用。
• 它在技术创新、训练和推理效率以及性能方面都表现出色。
• 它的出现使得最前沿的大模型技术能够被更多人直接体验。

简单来说，DeepSeek-R1是一个功能强大、价格合理且开放的人工智能模型，它不仅能进行对话和生成文本，更侧重于逻辑推理和问题解决。

能用DeepSeek干什么？

第二部分介绍了 DeepSeek 的各种应用场景，并强调掌握使用AI的思维方法。它通过一些案例展示了 DeepSeek 在不同领域的潜力：

• 写书：例如，提供编译原理书稿的案例片段.
• 信息梳理：例如，对比整理不同AI模型的收费情况。通过DS-R1+联网搜索，可以自动梳理信息.
• 数据分析：例如，分析某地公务员录用人员的学历和专业构成.
• 咨询分析：例如，分析专家特长并给出研究方向建议.
• 写程序：例如，编写抽签小程序.
• 做教辅：例如，为幼儿园小朋友设计科普讲稿.

同时，PDF也提醒我们应该正确理解 DeepSeek 的局限性。它还不是通用人工智能（AGI），不能“一步到位”地解决所有问题，需要用户具备一定的问题拆解、信息整合和迭代调优能力。DeepSeek 可能会出错，并且不掌握所有的知识，因此我们需要利用其能力的同时，也要有判断和筛选能力，善用联网搜索和知识库来辅助. 此外，当前的 DeepSeek 模型主要是语言模型，不能直接处理图片、视频等多模态数据，并且存在上下文长度限制，不能一次性输入过多的信息. 因此，我们需要学会组合多种工具一起使用，取长补短。

总的来说，DeepSeek可以帮助我们处理各种文字相关的任务，提高效率，但我们需要了解它的能力边界，并掌握正确的使用方法。

DeepSeek背后的原理是什么？

第三部分简要介绍了DeepSeek背后的技术原理，核心是 Transformer。

Transformer 是一种特殊的神经网络，现在几乎所有典型的大模型都采用这种结构. 它可以将输入的文本（token）编码成向量（Embedding），然后通过注意力机制（Attention）计算不同token之间的关系，理解每个token在上下文中的含义。接着，通过多层感知机（MLP）进一步理解每个token自身的含义。这个Attention和MLP的过程会重复多次，最终通过解码（Unembedding）将向量还原成预测的下一个token并输出. 这个过程就像模型在学习“文字接龙”.

模型通过“训练”来学习这种能力，也就是将海量的训练数据知识内嵌到模型中. 训练过程需要调整模型中大量的参数.数据和参数的规模越大，LLM就越强大. DeepSeek R1/V3就拥有6710亿参数. 此外，为了让模型更好地服务于人类，还需要进行后训练对齐，例如监督式微调（SFT）和强化学习（RL），以提高模型的可靠性.

简单来说，DeepSeek 等大模型的核心技术是 Transformer 神经网络，它们通过学习大量的文本数据，掌握了预测和生成文字的能力，并且模型越大、训练数据越多，性能就越好。

下一步要关注什么？

最后一部分展望了 DeepSeek 等大模型未来发展的方向。作者认为生态的爆发即将到来，AI技术将更广泛地应用。

PDF提出了几个值得关注的环节:

• 算力底座：包括AI芯片（GPU）、高性能网络等，这是大模型发展的基础.
• 模型算法：这是大模型的核心竞争力，持续的模型结构和训练方法创新至关重要。开放对于模型算法的发展非常重要.
• 系统软件：包括推理引擎、训练框架等，技术更新迅速，对使用者提出了更高的要求.
• 行业应用：大模型将在各个行业落地，例如IT、教育、医疗等.知识库服务平台可能成为重要的发展方向.
• 公共平台：例如模型云服务、API服务等，旨在降低大模型的使用门槛。

DeepSeek 等大模型正处于快速发展和广泛应用的阶段，未来将在算力、算法、应用等多个层面迎来新的发展机遇和挑战。了解这些趋势，有助于我们把握未来的发展。相信通过阅读这份PDF，你会对人工智能大模型有一个更全面的认识。

获取完整文档，请👇🏻点击下方关注 MaxAIBox 公号，在聊天框发送 20250309