電話會議的主要內容：
DeepSeek的創(chuàng)新來自于多個模型優(yōu)化，包括專家混合（Mixture of Experts）、模型架構（如多頭潛在注意力）、FP8的使用等。DeepSeek R1似乎不是一個獨立的基礎模型，而是可能建立在其他開源模型（如Lambda）的開發(fā)基礎上，隨后在專門的數(shù)據(jù)集上進行訓練，包括其他大型語言模型（LLM）的輸出。
DeepSeek的訓練成本約為600萬美元并不能完全反映真實情況，因為這個成本沒有考慮其他間接費用、開發(fā)其他基礎模型的成本等。似乎MoE模型已經(jīng)被訓練并優(yōu)化以應對一些關鍵任務，如編程和數(shù)學，這使得它在這些任務上接近甚至超過OpenAI的性能。
這并不代表范式的轉變，而更像是LLM模型、算法和技術的持續(xù)創(chuàng)新。如果這些效率被廣泛實現(xiàn)，將導致推理模型成本大幅下降，從而加速Agentic AI的發(fā)展。目前，專家認為，Agentic AI可能在2025年仍然處于炒作階段，實際部署可能會推遲到2026年，原因在于企業(yè)對于授權和信任的需求。專家對AI模型未來的演進持樂觀態(tài)度，認為我們仍處于AI發(fā)展的初期階段，類似于互聯(lián)網(wǎng)普及周期的1996年，而非1999年。
前沿模型的開發(fā)影響尚不明確。他一直認為，LLM模型可能會迅速商品化，特別是在蓬勃發(fā)展的開源生態(tài)系統(tǒng)中。同時，他認為大型云服務提供商（CSPs）將繼續(xù)追求前沿模型，作為區(qū)別化競爭的手段，并開辟生成式AI（如視頻、現(xiàn)實世界AI、物理AI等）新的領域。
AI資本支出和能源使用預算可能會保持強勁，但如果R1的效率在所有新模型中得以實現(xiàn)，最終可能會對這些方面進行重新思考。然而，計算需求可能依然會非常強勁，因為便宜的推理過程將推動更多AI的普及。專家認為，500美元的推理成本可能會繼續(xù)下降，從而進一步推動AI的普及和應用。
專家認為，對于中國的限制措施大多是徒勞的，且可能會使中國的更多AI發(fā)展對外界保持隱蔽。專家認為，更多的開放合作和信息共享有利于整體AI生態(tài)系統(tǒng)的發(fā)展，并能避免潛在的陷阱。紀要私享圈
