下文为直播部分内容精选，完整直播回放 & 最新直播预约可关注“AI 前线视频号”查看。
以下为谢国斌的分享实录部分（经编辑）：
在原创核心技术方面，我们特别关注以下几个方面。
群体相对策略优化（GRPO）：在传统的强化学习中，评价一个模型表现好坏的函数通常需要人工设定。而 DeepSeek 采用了一种创新方法，即引入多个“评委”进行投票，取平均值作为评价标准。这种方法省略了人工设定评价函数的流程，简化了算法，是强化学习领域的一个关键创新。
多头潜在注意力（MLA）：该架构通过降维操作大幅压缩了计算量，显著降低了模型的训练和推理成本。
混合专家模型（MoE）：这种架构通过集成多个专家网络，极大地扩展了模型的参数规模，同时在推理侧显著加速了推理过程。这种结构类似于“有通识专家、有专识专家，相互配合、各司其职”，与传统方法相比，效果显著提升。
多令牌预测（MTP）：这一技术已经在很多技术专家的分享和网络博客中被广泛讨论，因此我们这里也不再详细介绍。
在企业应用落地方面，DeepSeek 的价值主要体现在以下四个方面，这些价值对全球 AI 格局产生了深远影响。
降低推理成本：虽然训练成本已经较低，但 DeepSeek 的最大优势在于推理成本。通过 MLA 等技术，推理成本降至之前的约 3%，降低了 97%。这一优势对中小企业尤其友好，能够加速 AI 大模型在企业应用场景中的落地。
模型思考，深度如人：R1 模型是一个深度思考模型，不仅提供问题的答案，还展示了推理过程，类似于数学题的解题步骤。这种推理模型的可解释性更强，更适合赋能更多企业应用场景。用户可以通过模型的推理过程，清晰地看到模型是如何得出答案的。
小模型，大作为：除了完整的全参模型，DeepSeek 的 R1 模型还蒸馏出了 7 个不同尺寸的小模型。这些小模型数据质量高，蒸馏效果优于同类尺寸模型。在企业落地时，可以选择这些小模型，进一步降低推理成本，同时保持良好的效果。
开源、全栈自主可控：DeepSeek 将模型开源，为全球同行和企业提供了一个自主研发和迭代的基础。目前，国内众多企业，包括芯片企业和云厂商，已经开始接入 DeepSeek 原生态模型。这不仅推动了国产化进程，也为建立安全可控的 AI 生态提供了重要的参考和标杆。
在全球市场，包括国内的重点领域，AI 市场格局发生了诸多变化，对企业与个人而言，机遇与挑战并存。以神州数码为例，我们是一家专注于 ToB 的技术服务公司，从客户市场需求的角度出发，探讨客户需要什么样的 AI 技术企业为其提供服务。除了 DeepSeek 这样的开源大模型外，企业客户还需要以下几方面的技术进行叠加。
企业需要将 DeepSeek 大模型部署起来，并在部署过程中尽量利用 GPU 算力优化，以节省 GPU 算力成本，无论是训练成本还是推理成本。
基于 DeepSeek 开源模型，企业可以进行场景化、专业的小模型后训练，例如 7B、14B 等，以降低算力门槛。在训练过程中，数据源就像炒菜的原材料一样重要。只有通过专业的模型训练，才能保证模型的质量和效果。
企业还需要引入私域化的知识，例如企业内部的文档和专家经验等。这是因为通用的大模型无法满足企业的个性化需求，就像厨师需要根据客人的口味进行私人化的调制一样，企业也需要将内部的知识和经验融入模型中，通过知识管理实现这一点。
企业需要提供一套智能体协同框架。以炒菜为例，整个过程可以分为多个步骤，如放油、炒佐料、放菜品、勾芡等。在企业中，智能体可以将这些步骤串联起来，让每一步都发挥专业功能。在 AI 技术中，这可能涉及引入外部工具，此外，还可以结合不同的大模型和小模型、专业模型和通用模型，以提升智能体的效果。
当企业的应用越来越多时，就需要一个大模型平台来承载这四方面的功能，以便在企业中有上百个、上千个应用和智能体时能够正常运转。神州问学平台正是按照这样的逻辑进行研发和服务于企业的。在实现过程中，客户不仅需要技术手段，还希望在业务中实现高准确性和高并发能力。例如，对话机器人在回答客户问题时，需要较高的准确性，并且能够同时支持上百个、上千个 C 端客户的提问。同时，项目还需要满足经济预算要求，例如对话机器人的预算可能是 50 万或 100 万。最终目标是让大模型在企业应用场景中落地，帮助企业实现增收降本和提升办公效率。
客户需求和市场需求的变化正在深刻地引导整个 AI 市场格局的演变，尤其是 ToB（企业服务）领域。虽然 ToC 领域也会受到影响，但这里我们重点关注的是 ToB 市场格局的变化。DeepSeek 的出现，凭借其开源、低成本等特性，正在引发 AI 市场格局的重大变革，并推动商业模式的重塑。
生态格式变化： 众多企业围绕 DeepSeek 建立生态，上下游企业纷纷进行 适配。这可能导致市场格局转向更加开放和多元化的竞争格局。更多的企业将有机会参与到 AI 技术的研发和应用中，推动 AI 技术的普及和创新。
垂直领域分化： 医疗、法律等专业场景将出现基于 DeepSeek 的细分模型，打破通用基础模型的统治。
产业链价值转移： 上游算力需求向推理侧倾斜，下游应用开发门槛降低将催生更多垂直领域 SaaS 服务商。硬件厂商需转向算力部署和能效优化，软件企业则需强化工程平台和应用能力。
开源重要性上升： 从 DeepSeek R1 的成功我们可能会看到更多的公司转向开源或部分开源模型，以保持竞争力。这种变化将促使 AI 市场形成更加良性的竞争环境，消费者也将获得更具性价比的 AI 服务。
催生新的商业模式：DeepSeek R1 的成功及开源，改变了市场竞争的格局和态势，将来也会催生新的商业模式。比如围绕开源生态、高效推理、模型蒸馏等模型架构创新、 核心关键技术展开新的商业范式。
企业流程重塑与再造：DeepSeek R1 的成功及开源，改变了市场竞争的格局和态势，将来也会催生新的商业模式。比如围绕开源生态、高效推理、模型蒸馏等模型架构创新、 核心关键技术展开新的商业范式。
对于企业而言，AI 技术的发展既带来了机遇，也带来了挑战，两者是并存的。
DeepSeek 生态的建立为技术企业带来了新的机会。例如，中小企业可以通过低成本接入 DeepSeek 生态，实现低成本创新。
DeepSeek 通过模型蒸馏技术赋能中小企业，降低 AI 开发门槛， 推动 AI 应用从头部企业垄断转向长尾场景渗透，如金融、医疗、 教育等领域。
DeepSeek 轻量版适配手机、电脑 AIPC、IoT 设备，催生本地 化 AI 应用（如离线语音助手）。
专业标注公司可能会向推理链标注等高阶服务转型。
技术企业将面临更多样化的挑战：例如，如何在保证模型性能的同时进一步降低训练成本和推理延迟等。企业需要不断提升自身的技术实力和创新能力，以应对这些挑战。
软硬协同能力：技术企业需建立算法 - 硬件协同优化能力（如 DeepSeek 的 GRPO、MLA、MoE 与架构创新结合）。
安全合规风险：垂直开源模型应用可能面临一定的安全风险，需内嵌审计模块。
以我们公司过往的经验为例，首先，作为一家专注于 AI 技术落地应用的公司，神州数码的第一个策略是为行业提供完整的 DeepSeek 解决方案。这包括模型的部署，无论是满血版还是各种尺寸的蒸馏版，以及模型训练和算力管理。例如，基于千问 32B 这种主流模型，我们现有的平台产品不仅能支持模型训练，还能实现多元异构算力的高效利用和管理，从而提升算力的使用效率。同时，我们的平台还集成了智能体和知识管理模块，以支持企业场景的应用和适配。我们认为，这个过程不是一个单向的，而是一个不断迭代的循环。通过模型的部署、训练和应用适配，我们不断循环优化，持续抽取企业行业中的最佳实践案例，从而为客户提供更优质的解决方案。
我们的第二个策略是践行 DeepSeek 在行业中的实验应用，特别是在企业的知识治理平台上。我们会将企业内部的结构化数据中台和数据仓库中的结构化数据，与中台里的知识对象以及非结构化数据进行融合。这里所说的非结构化数据，是指大家常见的 PDF 文档、Word 文档、PPT 文档，甚至是图片和语音等。这些数据都可以被纳入我们的知识治理平台进行利用。当然，在使用过程中，我们会充分考虑数据的脱敏和安全，确保这些数据仅在企业内部使用，不会对外泄露。基于我们问学的知识治理平台，我们将企业的知识类化到模型中，或者作为外部工具进行调用。
我们的第三个策略是提供一个敏捷的应用流程平台，类似于厨师炒菜的步骤规划。我们将其称为智能体平台，它的作用是将一个复杂的应用分解为多个步骤。这就好比人脑的规划过程——比如从北京到上海出差，我们会先规划订机票的时间、起飞时间，以及当地的酒店和行程安排。规划完成后，在出差过程中会用到各种工具，比如订机票和酒店，这些工具在我们的平台上被称为“功能调用”（Function Call）。在此基础上，我们在规划过程中设计了执行流程，通过这些流程提高效率并创新企业的业务流程。最后，我们利用低代码工具将这些流程串联起来，从而轻松构建智能体，赋能企业的应用。
神州数码的未来愿景是通过 AI 助力企业内部流程的重塑与再造，提升效率，并为此提供相应的工具和服务。我们认为企业流程主要体现在三个方面：首先是商业模式，即企业如何创造、传递和获取商业价值；其次是管理方法，涉及企业内部运营资源的决策、绩效管理等基本实践；最后是技术的领先性，通过技术架构（如大模型架构、AI 架构和中台架构）与商业模式和管理方法的融合，提升企业的运行效率、降低成本并优化资源配置。
神州数码提出的“AI for Process”概念，正是商业模式、管理方法和技术架构三者的融合点。我们倡导的企业落地方法论是“大小模型通专融合”，以促进企业 AI 在流程中的应用。具体而言，横向的基础模型，如 DeepSeek V3 以及其他商业或开源模型，通过不断迭代，逐渐从狭义走向广义，最终迈向通用人工智能。这些模型就像通识专家，能够解答各种问题，其通用能力会越来越强。而纵向的专业能力则是通过小模型 (专识专家) 结合场景数据进行微调，例如 7B、14B 模型，它们可能针对金融、招聘、财务或风险管控等具体场景，逐步达到甚至超越专业人才的水平。
以下为对话实录部分（经编辑）：
谢国斌： 我个人认为 MoE 架构很有可能成为主流的大模型架构。在 MoE 出现之前，尤其是在 DeepSeek 出现之前，大约 90% 以上的模型架构都不是 MoE 的。自 2 月份 DeepSeekMoE 架构推出后，我们观察到许多公司，都在积极跟进这一技术。从现实情况来看，越来越多的企业倾向于尝试 MoE 架构。
从 MoE 算法本身的逻辑来看，它也非常适合在行业中占据重要地位。MoE 架构将专家分为通识专家和专识专家，类似于通用大模型和专业大模型的搭配使用。从 DeepSeek V1 到 V2 再到 V3，专家数量不断增加，从 16 个提升到现在的 250 多个。我们可以预见，随着 MoE 架构的不断发展，专家数量的增加将使其在语义理解上比传统架构更深入，因为每个专家都专注于特定的任务。此外，与相同参数量的其他大模型相比，MoE 在推理过程中能够显著降低成本，对行业应用非常友好。
我们观察到 AI 竞争的一个趋势是，国外主要依靠硬件堆砌，尤其是通过大量 GPU 来提升算力，这种方式被称为“Scaling Law”。但我们认为，算法创新同样重要。现在，架构性、核心算法的创新正在成为一种趋势，而不仅仅是算力的堆砌。实际上，MoE 架构与传统非 MoE 架构、硬件堆砌与算法创新之间并不矛盾，它们是相辅相成的。 当算力堆砌达到一定程度后，自然会有团队和公司去考虑算法创新。而在算法创新的过程中，也会进一步推动数据利用、算力利用和应用创新方面的“Scaling Law”。这种动态的、相辅相成的发展模式更适合未来 AI 在企业中的落地。
谢国斌：RAG 技术，中文称为“检索增强生成”，它与大模型的最大区别在于：大模型像是一个已经内化了知识的学生，比如一个学生学习数学，知识被吸收并理解后存储在模型内部。而 RAG 技术则通过向量检索和文档切片的方式，从数据库中调取与问题最相关的片段，这种能力属于模型外部的增强，与大模型的内部知识存储有本质区别。简单来说，一个是模型内部的知识运用，另一个是模型外部外挂的辅助检索。
RAG 技术本身可以通俗地分为三个步骤：
1. 文档处理。将文档（例如一千页的内容）进行切片，可以按段落、每 1000 词或每页等不同方式切分，然后将这些切片存入向量数据库。目前有很多开源和商业版的向量数据库可供选择。
2. 检索和召回。当用户提出问题时，系统会通过向量大模型算法计算问题与文档片段之间的相似度，从一千页文档中找出与问题最相关的 5 个片段。这一步主要是基于向量运算的相似度匹配。
3. 答案生成。最后将问题和这 5 个最相关的片段一起输入到大模型（如 V3 或 R1）中，由大模型理解并生成最终答案。只有这最后一步真正利用了大模型的能力，而前两步主要依赖于向量运算，与大模型关系不大。
谢国斌：RAG 技术确实能让大模型的搜索更加精准。一方面，大模型的训练数据通常有一个截止日期，比如截止到今天。这意味着模型在上线后无法实时处理新信息，例如明天北京下雨这样的实时信息或新闻。这时，就需要通过外部知识或企业内部知识，以数据灌入的方式临时更新模型的知识库。这就是 RAG 的切片和检索增强生成过程。另一方面，企业内部数据量庞大，不适合直接用于模型训练，而 RAG 技术提供了一种低成本的解决方案。目前，许多云厂商提供的向量数据库报价非常低廉，几乎可以忽略不计。RAG 技术不仅能实时更新信息，还能快速处理数据。如果 RAG 配置得当，其检索速度可达毫秒级，尤其在文档切片合理、数据量较小时，性能优势尤为明显。不过，RAG 的语义理解能力相比大模型内化的语义理解稍弱。因此，RAG 技术在 2024 年得到了广泛应用，尤其是在企业知识管理领域。
谢国斌： 对于中小企业而言，大模型 DeepSeek 的影响主要体现在以下几个方面。首先，在具体场景中选择落点时，中小企业可能对数据隐私和准确性要求并不那么敏感。因此，我们建议的低成本接入方法是，选择一个数据隐私要求不高、对准确性要求不那么严格的场景，先将其跑通。在这个阶段，企业可以使用 DeepSeek 的开源云 API，利用云上的数据进行开发。这样可以让企业内部的 IT 人员和业务人员对整个流程有一个全新的认识，了解对话机器人或内部问答系统是如何运作的。
当企业对流程有了全面理解后，可迅速切换到更敏感的场景，就可以开始考虑私有化部署 DeepSeek。在私有化部署的初期，可以选择一些小参数模型，比如 14B、32B，或者是 DeepSeek 蒸馏版本的模型。通过小参数模型的私有化部署，企业既能保证数据安全，又不会因为一次性部署满血版模型而承担过高的服务器成本。当某些场景对精度要求较高时，企业可以选择两条路径：一是直接使用 DeepSeek 的满血版开源模型；二是基于企业自身数据进行微调或模型蒸馏，从而提升精度。这些方案对中小企业来说较为友好，关键在于先跑通流程。
我们判断，金融、医疗、教育和汽车等行业的应用可能会率先爆发。这些行业对 AI 技术的需求大，市场空间广阔，但同时也面临着较高的开发成本和门槛。通过我们提到的技术落地方案，如模型微调、数据蒸馏等，结合平台工程能力，可以大幅降低开发门槛，释放行业潜力。当然，除了这些行业，制造业、企业办公等应用也有很大的发展空间。
谢国斌： 在金融领域，我们已经有了一些大模型的应用案例。神州数码在金融领域已有多年布局，尤其是通过上市公司神州信息与相关企业展开合作，专注于金融科技和金融软件的研发和服务。在银行核心系统的开发中，以前 代码编写和业务场景设计 主要依赖人工。现在，我们通过 DeepSeek 和大模型技术，将其应用于银行核心系统，提升编程效率和交付能力，同时优化与企业业务相关的流程设计。在银行获客和营销方面，我们利用大模型处理结构化和非结构化数据，帮助银行更好地理解客户、获取客户，并助力零售业务发展。大模型不仅可以作为对话机器人，还能优化企业内部信息沟通流程，尤其在客户认知和客户获取方面，提供了很大帮助。
此外，我们在金融风控和监管报送领域也进行了实践探索。例如，在银行、监管部门的一些业务应用中，大模型能够快速分析数据之间的复杂关系，帮助防范金融风险。因为银行流程中存在大量控制点，仅靠人工判断有时难以快速响应，而大模型可以高效处理这些复杂关系，从而在金融风控和监管报送领域发挥重要作用。
谢国斌： 在为 ToB 客户提供 IT 运维服务时，DeepSeek 可以从两方面带来价值。一方面是为客户（甲方）创造价值。对于客户的机房和后台系统，包括安全系统、日志系统、邮件系统等，运维过程中涉及大量非结构化数据，如计算机日志和文档。这些场景非常适合利用大模型进行处理。过去依赖人工的环节，现在可以通过运维框架中的运维智能体来实现，从而降低服务成本，优化流程。这正是 AI for Process 在运维领域的体现，能够为甲方带来显著的流程优化价值。
另一方面，对于提供 IT 运维服务的企业自身而言，DeepSeek 也具有巨大价值。在运维过程中，企业可以基于大模型开发小型工具，例如代码工具、自动检测工具、警报工具或 BI 工具等。这些工具能够降低企业在服务过程中的自身人力成本和研发成本，提高服务效率。因此，从服务甲方和优化自身成本两方面来看，DeepSeek 都具有潜在的巨大收益。
谢国斌： 从学术和常识角度来看，蒸馏分为 数据蒸馏和模型蒸馏。数据蒸馏是指通过调用优质模型的 API，以问答形式按照固定格式生成标准答案，甚至推理过程。DeepSeek 在其论文中就采用了数据蒸馏的方式。模型蒸馏则是用大模型去指导小模型学习。业界有一个通俗的比喻：假设有一个资深的高级数学教师（大模型，如 R1/V3），他要教一个聪明的学生（小尺寸模型，如 32B）。教师将自己的知识和技能逐步传递给学生，这个过程就是蒸馏。经过蒸馏，小尺寸模型在企业应用中会有两个显著好处：
模型尺寸变小，推理时算力需求降低，从而极大节省成本。例如，一个满血版的大模型（如 R1-671B）可能需要两台机器、16 张显卡来部署，成本极高。但如果将其蒸馏到 32B 模型，仅需一张显卡即可部署，成本节约可达十几倍到几十倍。
经过蒸馏的小模型在特定领域会变得越来越聪明，甚至可能在某个细分领域超过大模型。比如在数学的某个子学科（如代数或几何）上，经过良好训练的小模型可能表现得比大模型更出色。我们在实践中也观察到类似现象，许多论文也复现了这些结果。
因此，对中小企业而言，蒸馏技术最大的好处是降低成本，同时在具体场景中可能实现比大模型更优的性能。
