DeepSeek引发的AI创新和开源生态发展的思考

2025蛇年春节前后，杭州深度求索人工智能基础技术研究有限公司（以下简称“DeepSeek”）发布的开源大模型引起了国内外广泛关注。首先是模型基准测试性能与世界领先的OpenAI闭源模型GPT-4o比肩，其次是训练成本相比其他模型大幅降低，且带思考链的推理模型R1及其蒸馏版本可以在多种计算能力设备上部署，最后是其代码、文档、模型权重等在MIT许可协议（极为宽松的一种开源许可协议）下完全开源。这一套集高性能、低成本、开源开放于一体的“组合拳”，使得DeepSeek在短时间内成为国内外人工智能（AI）领域的焦点，后续接踵而至的各行各业推广部署，让大模型应用在中国真正实现了“飞入寻常百姓家”。

大模型从形态上是一种软件。虽然模型文件通过训练生成，通过参数和数据迭代，以概率性输出结果，无法精确断点调试，黑盒特征明显；但与传统软件一样，它可复制、可复用，需要操作系统提供运行环境，需要存储系统，需要处理用户输入并输出反馈。因此，DeepSeek大模型这一来自中国本土的技术创新和开源开放实践，也为中国软件行业提供了可深入分析并学习借鉴的模式。

本文将DeepSeek的创新模式归纳为“以软补硬”、“开源传播”和“生态优先”。同时，也从生态入口、开源软件供应链、开源基础设施3个方面，分析当前我国AI开源创新仍然面临的问题和风险。最后从大模型操作系统布局、软件供应链保障、开源基础设施建设、软硬件协同发展4个维度，提出加强我国科技基础能力的建议，以期更好支撑中国创新团队的长足进步发展，不断抢占AI和软件领域的全球科技制高点。

DeepSeek的创新模式分析

在算力资源受限的背景下，DeepSeek通过软件架构创新和算法优化，使其模型在保持高性能的同时，大幅降低了对硬件投入的依赖，并为全球开发者提供了可复现、可负担的“以软补硬”技术方案。这让近年来大模型领域普遍推崇的规模定律（scaling law）出现了拐点，依赖大规模硬件投资建立的算力垄断“高墙”出现了缺口，大模型研究和应用的门槛被大大拉低，资源有限的中小企业、研究机构甚至个人，都迎来了AI创新和AI赋能的可能性。

软件在这一轮大模型浪潮中往往被忽视。事实上，对于硬件架构确定、优化目标明确的场景，软件改进带来的总体收益通常大于硬件。2017年图灵奖获得者汉尼斯和帕特森于2018年4月在国际计算机学会（ACM） 做获奖演讲时，给出了用不同编程方法计算两个4096×4096矩阵相乘的性能对比，该数据引用了美国麻省理工学院（MIT）计算机科学与人工智能实验室（CSAIL）雷瑟斯等人发表在Science上的文章There’s plenty of room at the Top: What will drive computer performance after Moore’s law? （《顶端仍大有可为：摩尔定律之后什么将驱动计算机性能发展？》，这里的“顶端”指代软件），具体对比数据见表1。从表中可以看到，用C语言编写比Python要快47倍，分治法并行优化后可得到6727倍的加速，而采用SIMD指令集则可加速6万多倍。同样，DeepSeek使用英伟达PTX，即介于CUDA高级编程语言和实际GPU机器代码之间的中间代码表示语言，也起到了极大的加速效果。

表1　采用不同编程方法对两个4096×4096矩阵相乘的加速效果

在过去几年中，华为鸿蒙操作系统同样采用了“以软补硬”的方法，在处理器制程受限的情况下，通过操作系统、编译器、渲染引擎等多种软件优化手段，在手机上保持了良好的用户体验。

更重要的是，软件优化方案为快速传播奠定了基础。软件之于硬件的一大优势，就是传播的便捷和迅速，通过网络下载就可以快速到达最终用户。试想，如果这次DeepSeek发布的是“星际门”一样的硬件堆叠方案，又或是使用了某种硬件加速方案（如同当年谷歌为深度神经网络专门设计的TPU），将很难如此快速传播推广。

软件的核心竞争力是用户。大规模、高质量、多样化的用户群体，不仅是软件价值变现的坚实基础，更是推动软件持续迭代创新的强劲动力。正如中国科学院计算技术研究所包云岗研究员所说，在开源模式下，软件的价值计算和传播效应遵循梅特卡夫定律（Metcalfe’s Law），即网络的价值与网络中用户数量的平方成正比。具体表现为两个方面，一是用户规模效应：用户越多，价值越大，反馈和改进更多，生态系统更丰富。二是网络效应：更多开发者参与，就会有更多的应用场景，继而更快的迭代速度。当众多用户转变为开发者和测试者，就会极大地降低软件开发测试成本，驱动软件升级演化和价值提升，继而吸引更多的开发者参与，形成持续的良性循环。

前面提到大模型本身也是一种软件，因此开源软件曾经创造的发展模式，完全可以被大模型所复用。然而，DeepSeek开源模式创造了比传统软件更为迅速的用户增长奇迹。据统计，DeepSeek连续登顶苹果App Store和谷歌Play Store全球下载榜首，上线18天累计下载量突破1600万次，远超Chat-GPT发布首月的900万下载量。这其中固然有大模型概念热度的加持，但更有DeepSeek几乎毫无保留开放了模型文件、权重文件、核心代码和技术文档的原因。由此在短短半年内吸引了全球超过百万开发者，建立了活跃的开发者社区，不仅贡献了大量的代码和工具，还形成了自发的技术交流和学习氛围，例如GitHub上DeepSeek所维护的awesome-deepseek-integration页面。这种社区驱动的创新模式，为AI技术的快速迭代和应用落地提供了强大的动力。DeepSeek的经验也表明，即便在AI时代，开源开放仍然比封闭垄断更具竞争力。

DeepSeek在建立生态方面同样展现出了很高的效率，在短短一个月内，DeepSeek R1从满血版671 B到70 B、32 B、7 B甚至1.5 B等大小不同模型得到快速部署，大到云服务厂商、互联网巨头、国资央企、高校院所，小到街道办、实验室、个人用户等，从制造业到服务业，从教育到医疗，DeepSeek渗透到各行各业，推动效率提升和智能化转型。

生态快速壮大背后则是其对调用接口和AI软件工具包的标准化，以及因此而快速聚集的上下游生态伙伴。标准化调用接口简化了AI应用的接入流程，使得DeepSeek很容易被Ollama、vLLM、SGLang等大模型服务框架所支持，也使得ChatBox、AnythingLLM等大模型入口应用能够很快接入DeepSeek。标准化软件工具包大幅降低了AI应用部署门槛，同时还提供了丰富的预训练模型和数据集，使得开发者可以通过领域精调和检索增强生成（RAG）实现自身业务需求，进一步开展应用创新；同时，使得华为昇腾、寒武纪等其他非英伟达芯片能很快完成适配，形成百花齐放的国产软硬件协同适配景象。

从更宏观的生态视角看，DeepSeek已经在中国建立了事实上的大模型标准。自从2020年底Chat-GPT发布以来，无论美国还是中国都进入了“百模大战”的格局，尽管OpenAI引领了发展，建立了提示词工程（Prompt Engineering）等事实标准，但因其选择闭源策略，且其最大投资者微软公司的Windows操作系统同样闭源，使得“应用—模型—系统—硬件”生态链路参与者无法自主开展大模型和系统的适配，阻碍了参与者的参与意愿和创新动力。例如，对于大量非英伟达的硬件加速卡厂商来说，因为无法修改基础模型和相关代码，只能模拟与转译英伟达GPU指令集，无法实现与模型的原生适配；对于亚马逊、谷歌、阿里等云平台服务商来说，由于与微软Azure的竞争关系，也无法与OpenAI实现充分的业务整合。

DeepSeek开源发布之后，不仅出现了微信、WPS等应用整合，也出现了华为云、阿里云、腾讯云等服务集成，还出现了华为昇腾、寒武纪、沐曦、海光、申威等硬件原生适配，甚至出现了大量本地部署的一体机解决方案。以DeepSeek为大模型事实标准，中国正在形成“应用—模型—系统—硬件”全链路的生态聚集。长远来看，这一变化必将重塑中国乃至全球AI的发展格局。

我国AI开源创新面临的风险挑战

在看到DeepSeek成功一面的同时，还需要看到当前中国AI开源创新面临的一些风险挑战。

所谓大模型入口程序，对于部署者是指Ollama、SGLang、vLLM等大模型服务框架程序，用来启动大模型服务进程；对于用户是指通过封装多个大模型服务，为用户提供更加方便易用、灵活可配置的交互界面程序，如ChatBox、AnythingLLM等。

以Ollama为代表的大模型服务框架，在启动大模型服务时通常以网络守护进程的方式出现，会打开某个端口并监听来自网络的服务请求。这样的守护进程一旦出现漏洞，攻击者很容易通过服务端口入侵服务主机。事实上，近期已经发现了Ollama导致的、可被利用的大模型服务漏洞。

而对于用户交互的入口程序来说，尽管ChatBox等通过开源来证明自身程序的安全性，但却无法证明用户隐私数据的安全性，毕竟所有的对话信息都会被入口程序转发和截取。

对主流入口程序的掌控和主导，会成为大模型竞争的焦点之一，但目前为止，大模型的入口程序还是运行在已有主流操作系统之上，因此操作系统不自主可控的风险将会延伸到大模型入口程序，毕竟操作系统很大程度上决定了谁能成为入口，20世纪90年代网景公司NetScape浏览器在与微软IE浏览器竞争中败北就是前车之鉴。

DeepSeek的开发依赖大量开源或闭源组件。例如：基础框架中的PyTorch深度学习框架、CUDA GPU加速库；训练相关的Megatron-LM分布式训练框架、Flash Attention高效注意力机制；推理优化相关的FasterTransformer推理加速引擎、TensorRT推理优化库、ONNX模型转换标准库；工具链中的版本控制Git、容器化部署Docker；数据处理中的NumPy数值计算库、pandas数据处理库，以及HuggingFace数据集管理工具等。

以上仅是基于公开信息的判断，实际使用的工具可能更多，有些专有工具可能未公开。而在这些互相高度依赖的软件供应链中，有些关键环节仍然被Meta公司等国际竞争对手掌控（如PyTorch开发框架，以及前面所述的Ollama入口程序），或属于某家公司私有产品（如英伟达CUDA），均存在断供可能。此外，根据奇安信的最新报告，已出现一些专门针对DeepSeek的供应链伪造或投毒攻击。这些都构成了我国AI面临的软件供应链安全可靠风险。

健康的大模型生态需要一个同样健康的开源软件生态。对于软件供应链，特别是开源软件供应链关键节点的认真梳理和持续维护，仍然是企业和行业，甚至国家实现人工智能高水平科技自立自强必须要付出的投入。

不仅DeepSeek，国内主要开源大模型项目几乎都选择在美国微软公司旗下的GitHub平台发布，这是因为GitHub全球开发者集中度最高，有完整的开源基础设施能力、成熟协作工具链和已经发展壮大的程序员社交网络，因此国际影响力更大，更有利于项目推广。然而，选择GitHub未来也面临挑战和风险，包括但不限于地缘政治风险、数据主权问题、潜在的访问限制风险等。这并不是DeepSeek和国内开源项目维护者的问题，而是国内缺乏与GitHub竞争的开源基础设施，从设施完善程度、开发者聚集规模、国际化程度、运营能力等，国内现有基础设施与GitHub相比都存在较大差距。

Hugging Face近年来随着大模型爆发而异军突起，成为全球最流行的模型托管平台，国内的阿里魔搭等平台虽然已经起步并初具规模，但与Hugging Face相比，同样在功能、规模、国际化、运营等方面存在显著差异。

加强我国AI创新能力的建议

基于以上分析，本文提出加强我国AI创新能力的如下建议。

尽快启动大模型操作系统的研发探索

大模型仍然以软件的形态存在于现有操作系统生态体系，虽然出现了ChatBox等新的入口程序，但不足以撼动Windows、iOS、Android的生态主导地位。美国苹果公司和我国华为公司先后提出了面向意图的开发框架，旨在整合大模型的能力，继续掌控用户入口。微软公司通过预装Copilot并与办公套件、浏览器等深度捆绑，巩固其桌面领域垄断地位。上海交通大学陈海波团队提出了大模型操作系统的3种技术路线，即渐进路线（大模型作为操作系统外挂组件）、激进路线（大模型即操作系统）和融合路线（大模型与操作系统深度融合），并建议采用融合路线，从而在利用大模型能力的同时，最大程度兼容现有操作系统应用生态。鉴于大模型带来的机器智能跃升和交互范式变革，无论采用何种路线，大模型操作系统研发工作都迫在眉睫。随着大模型和操作系统各自发展，不同技术路线会自然合并，然而一旦错过生态初始构建的机会窗口期，将面临新的、更难突破的生态垄断。

加强开源软件供应链治理

开源软件已经成为组装大型复杂系统软件的“原材料”和“元器件”。一个Linux开源操作系统发行版（如Debian、openEuler等）往往包含上万个开源组件，通过这些组件的彼此依赖关系编译组装而成。一个大模型从开发、训练到部署、运行、推理，也依赖于大大小小的开源组件。随着大模型成为像操作系统一样的战略基础软件，其开源软件供应链的保障必不可少。中国科学院软件研究所从2019年发起“开源软件供应链点亮计划”，梳理全球开源软件知识图谱，找出操作系统等大型复杂基础软件的关键供应链节点，通过“开源之夏”等活动，持续培养能够看护关键开源软件的高水平人才。建议围绕大模型的开源组件依赖情况，持续梳理开源软件供应链，对其中关键节点进行重点布局，投入或培养相应的人力资源，确保具备持续开源维护的能力。

加快对标GitHub和Hugging Face的开源基础设施建设

面对GitHub和Hugging Face托管平台的垄断局面，一方面继续完善现有国产代码托管平台，提升平台稳定性和功能完整度，优化开发者体验。另一方面也要有过渡策略，采用多平台同步策略，建立战略备份机制。从2019年中国科学院软件研究所启动建设“源图”开源软件供应链基础设施，迄今已形成对全球关键开源软件的全量备份，并提供可信软件仓、可信编译构建环境等平台服务。后续还需要面向大模型的新需求、新场景，加快打造新一代开源开发基础设施，联合国内优势力量逐步培育本土开源基础设施生态，并以更加开源开放的模式，吸引国外机构和开发者参与，共同对冲潜在的地缘政治风险。

加大开源软硬件协同力度

在新一届美国政府不断升级管控施压的背景下，英伟达GPU硬件供应限制和CUDA软件生态壁垒，已经成为中国实现AI领域高水平科技自立自强面临的最主要障碍之一。例如，DeepSeek训练优化所使用的PTX仍然属于CUDA生态体系。建议加大RISC-V开源指令集下软硬件协同，特别是AI相关扩展指令集的协同力度。RISC-V指令集的崛起，不仅为了从指令集层面打破x86/ARM的生态垄断，同时也有望打破英伟达GPU私有指令集和私有算子的垄断。随着RISC-V向量指令集、矩阵/张量指令集的制订和完善，新的软硬件接口标准规范有望取代CUDA私有接口规范，并配合编译器等在RISC-V专用AI加速卡上实现软硬协同。一旦某款RISC-V加速卡在性能功耗比上超越英伟达的旗舰GPU，整个RISC-V生态也将迎来“DeepSeek时刻”。

需要强调的是，以上风险分析和建议，并非为了形成封闭的、防御式的技术体系，而是为了中国乃至全球都有更为开源开放的选择，平等参与AI新技术、新产品、新服务的研发应用，共同打造AI时代的人类命运共同体。