KeyFrame內部研究專用

DEEPSEEK梁文锋内部讲话流出,意外泄露中美ai真实差距

正确君27 min中文
觀看原始影片

三句話摘要

中美 AI 竞争的核心差距在算力,而非人才或理念,算力不足导致实验机会受限,最终形成人才经验与模型能力的连锁差距。 算力不只是硬件瓶颈,它决定了从实验机会到工程经验到算法创新的整条链条,以及由此衍生的用户、数据、收入和生态的差距,中国要真正超越需要架构创新或学习方法突破,单纯的成本优化和追赶可能永远是一步之遥。 算力决定研发效率而非最终结果:AI 研究更像化学实验而非数学证明,需要大规模快速失败积累经验。美国团队每年可跑 100 轮实验,中国可能只能跑 20 轮,造成研究员看到的真实结果数量相差 10 倍,这种差距无法用智商弥补。

重點整理

  1. 算力决定研发效率而非最终结果:AI 研究更像化学实验而非数学证明,需要大规模快速失败积累经验。美国团队每年可跑 100 轮实验,中国可能只能跑 20 轮,造成研究员看到的真实结果数量相差 10 倍,这种差距无法用智商弥补。

  2. 低成本模型的结构性限制:中国模型便宜的本质是激活参数少(每个 token 调用参数少),美国前沿模型可能在 800 亿激活规模,这是战略选择而非技术无奈。美国可随时为成本优化版本降低激活参数,中国则难以反向提升能力规模。

  3. 用户数据飞轮的三重差距:美国同时运转三个飞轮——模型能力飞轮、用户数据飞轮、收入算力飞轮。中国模型便宜 20-50% 仍难以跨越地缘政治与数据安全壁垒,企业采购考虑远超价格因素。

  4. 追赶与超越的本质区别:中国可将落后从两年压缩至三个月(追赶),但只要技术路线(Transformer + GPU + Scaling Law)不变,就仍在看别人背影。真正超越需要改写路线,如新架构、新芯片或 Scaling Law 失效。

實用技巧與重點

  • 具体数字与规模对比
  • DeepSeek 当前算力:约 2 万张 H100 等效、还在采购中
  • 美国前沿模型激活规模:约 800 亿参数(梁文峰的行业信息推测)
  • DeepSeek 当前激活规模:10 亿~几十亿级
  • 同等规模训练所需:约 5 万张 H100 或 20 万张华为 950
  • 2026 年中期收入规模:Anthropic 年化 ~700 亿美元、OpenAI ~500 亿美元、国内头部模型公司(全年)~7.24 亿元人民币(差距超千倍)
  • 核心概念
  • MOE(混合专家模型):只激活必要参数,不同问题调用不同专家模块
  • 激活参数 vs 总参数:总参数可达数万亿,但每次仅激活几百亿~几千亿
  • 蒸馏/征流(Distillation):用强模型的输出训练弱模型,限于复制已有能力
  • Scaling Law:模型更大、数据更多、算力更高通常带来能力提升(成幂次增长)
  • 具体案例
  • 提示词工程:同样问题,改变措辞方式("你是专家请逐步思考"),效果可能显著改善
  • 蒸馏应用:DeepSeek 开源多个蒸馏模型,复制 Claude 等强模型能力
  • 美国小模型策略:OpenAI 近期大幅下调模型价格扩大采用,证明可同时提供高端与成本优化版本

結論

算力不只是硬件瓶颈,它决定了从实验机会到工程经验到算法创新的整条链条,以及由此衍生的用户、数据、收入和生态的差距,中国要真正超越需要架构创新或学习方法突破,单纯的成本优化和追赶可能永远是一步之遥。

完整解析

梁文峰的这份讲话最核心的洞察可以浓缩为一个问题:为什么中国即使人才充足、工程能力出众,仍然落后美国?

问题背景。表面上看,AI 研究需要智商、创新能力和工程技能。但梁文峰指出,当代 AI 研究的本质已从传统数学科学转变为实验科学。如果数学是在黑板上推导真理(一个天才三天推翻爱因斯坦),那 AI 则像化学——需要大量试错、观察、微调。一个老化学家看眼颜色就知道反应进度,这不是理论而是从数百次失败中获得的手感。同样,一名年轻 AI 研究员如果每年只能跑 50 次实验,而同行每年跑 500 次,五年后一个人见过 2500 个真实结果,另一个见过 250 个,这不是智商问题而是经验问题。

论述的连锁推理。为什么运算量决定经验?因为每一次大模型训练前都有大量前期实验——测试多少层、每层多宽、多少专家、激活参数多少、语言与代码比例等。假设有 20 个值得测试的想法,每个用 500 张 GPU 跑三天。算力充足的公司三天内能跑完 20 组,立即进入第二轮迭代;算力不足的公司排队跑需要 30 天。前者已迭代 10 轮,后者还在等第一轮。更关键的是,这不是线性差距——先走的团队用强模型加速研发(用 AI 写代码、整理数据),速度进一步加快,形成指数级差距。

中国的折中策略。中国无法靠绝对算力超越美国,所以转向"高效率追赶":在激活参数少的策略下提升工程能力,让每张卡发挥最大效能(这正是 DeepSeek 的 MOE 优化)。这样可以将技术时差从两年缩短到三个月。但这里有个悖论——中国模型便宜不是因为工人工资低,而是激活参数少、计算量少。美国从不是学不会,只是战略优先级不同,美国先把能力边界顶出去(用 800 亿激活参数),再向下做成本优化。这就像汽车公司先造 F1 赛车,再把空气动力学下放到民用车。

隐藏的商业悖论。低成本模型还面临用户采购的现实困境。企业不只看价格,还看数据安全、地缘政治风险、法律责任。企业客户宁愿多花 8000 美元用美国模型,也不会把全部交易数据交给地缘政治风险高的供应商。中国模型需要便宜一个数量级或完全开源自建才能穿越信任壁垒。更关键的是用户数据飞轮——美国模型吸引企业、产生真实反馈、改进模型、吸引更多用户,形成能力、数据、收入三个叠加的飞轮。中国市场内虽有防火墙保护,但国外高价值市场难以进入,最终可能形成两个生态,而非全球统一市场。

最后的困局。只要技术底层路径(Transformer、GPU、Scaling Law)不变,中国就仍在追赶。真正超越需要革新——新模型架构、新学习方法、国产芯片突破或 Scaling Law 失效。从梁文峰讲话看,这些突破尚未出现,中国仍在走"高效率+低成本"的追赶路线。这条路可能让中国永远落后三个月,但要改写竞争格局,需要改写技术路线本身。

11 min
AI 安全中文11月21日

防蒸餾的三道防線:OpenAI 怎麼保護 AI 的思考過程

一隻羊聊AI看原片 ↗
  • 思考過程是最值得保護的資產:完整的思維鏈(Chain-of-Thought)包含最終答案中沒有的中間步驟,蒸餾來的模型若學到完整思考過程,會多掌握超出預期的能力,包括原本應被防護的攻擊技巧。實驗顯示,學完整思考的學生在資安測驗中表現顯著優於
  • 三層防護結構應對單次請求與持續威脅:模型透過對抗訓練自我拒絕套話,分類器檢查請求意圖與回應內容(包括工具參數),API 層將思考過程與對話綁定,防止跨對話搬運。九月報告曾揭示的加密思考搬運攻擊已被修補。
10 min
AI 安全中文11月13日

The New AI Security Nightmare: Undetectable LLM Backdoors

Internet of Bugs看原片 ↗
  • LLM 可被訓練成在表面上表現正常,卻在特定條件(如在程式碼註釋中看到某個特定字串)觸發時執行訓練者指定的惡意行為,例如上傳環境變數檔案到遠端伺服器。這種後門是不可偵測的,研究者找不到檢測方法,且即使進行後續重新訓練也無法消除。
  • 任何參與模型創建或分發的人員都可能植入這類後門,不論模型是由知名 AI 廠商託管在雲端、還是自行部署。只要組織內有不可信任的人員,就無法完全排除這個風險。
22 min
AI 技術中文10月27日

Switch 2 宣告失守! AI 黑客 14 日暴力破解,唔使拆機、唔使焊晶片!任天堂今次真係驚咗?

大世界看原片 ↗
  • 漏洞來源出人意料:攻擊源於 iTunes 上售價約 25 美元的編程教學軟體 Small Basic。黑客利用其解釋器中的 32 位整數溢位漏洞穿過沙盒限制,再透過 ROP 鏈和緩衝區溢位層層深入,最終取得檔案系統完整權限。這套設計精妙的攻
  • AI 徹底改變破解生態:研究員 Pepsi Poo 坦承,破解工作大部分由 OpenAI 的 Codex AI 編碼代理執行。他搭建自動化測試裝置讓 AI 24 小時不間斷地觸發漏洞並自動重啟,兩週內完成原本需耗時數年的工程。這不是 AI