Vol.51 那些关于DeepSeek的谣言与误解

摘要

• DeepSeek R1 的全球爆火不是单一 benchmark 的胜利，而是技术突破、R1 加联网搜索的产品组合，以及中美叙事在几天内共振的结果。 张涛观察，海外用户晒出的优秀案例约“百分之八十”开了 search；这让大量从未用过付费 reasoning model 的人第一次体验到模型边搜索、边推理、边反思。1 月 24 日 Marc Andreessen 从不情愿认可转向称其为“人类收到的最好的礼物”，1 月 26 日冯骥又以“国运”定调，随后 NVIDIA 暴跌 17%，技术事件遂升级为全民与资本市场事件。
• V3 解决的是受限算力下如何训练一流 base model，R1 则公开跑通了以结果为激励的强化学习路线。 V3 以 2,048 张 H800 训练出被张涛称为 GPT-4o、Claude 3.5 级别的模型，靠的是大量“工程跟算法结合的奇技淫巧”；R1 又用 ORM 路线挑战业界此前复刻 o1 时偏重的 PRM 路线。张涛的标准很直接：“你如果不发 paper，你不放出模型的权重，那我们就等于你没有。”
• “600 万美元训练出 R1”是传播链条制造的神话，原始数字只是 V3 最后一轮训练的可核算 GPU 成本。 技术报告给出的约 280 万 H800 GPU 小时，按每小时 2 美元折算为 500 多万、可粗略说约 600 万美元，并明确排除了前期研究、实验、架构探索、数据准备和清洗等投入。合理比较是一次训练的约 600 万美元对其他模型的数千万美元，而不是拿它对比 Meta 的整体投入、Anthropic 的融资或估值；张涛认为“DeepSeek根本没有想过要骗人”。
• R1 短期打击了 NVIDIA 的稀缺性叙事，长期却可能把推理需求推高两个数量级，只是新增需求未必仍由 NVIDIA 独享。 张涛预计三年内推理算力需求可能扩大 100 倍，并以“西岸都在买，东岸都在卖”概括产业界与华尔街的分歧；庄明浩则提醒 NVIDIA“盈亏同源”，既是 AI 浪潮最大受益者，也是情绪反转时波动最大的标的。华为 910C、昇腾部署 R1 的案例意味着真正被重估的不是算力总需求，而是推理芯片的份额结构。
• 有人认为美国芯片管制倒逼了工程创新；但“DeepSeek 偷用 5 万张 H100”和凭身份回答认定模型蒸馏，现有讨论都缺少可靠证据。 论文明确写 H800，张涛甚至从 V2、V3 为互联带宽所做的 hack 得出直观结论：“他们是真没卡”；Dylan Patel 最初说的是 5 万张 Hopper GPU，后来才被 Alexandr Wang 转述成 5 万张 H100。蒸馏在行业内普遍存在，但模型偶尔自称 ChatGPT 更可能涉及预训练语料与 self-cognition 对齐不足，不能证明套壳、侵权或蒸馏。
• 张鹏认为，DeepSeek 对美国的最大冲击是证明既有“加速美国、拖慢中国”的 AI 竞争政策未能拉开预期差距，因此后续限制可能比技术争论本身更具投资影响。 政策工具已覆盖 GPU、半导体设备、敏感数据、对外投资和潜在的人才限制；Trump 政府头 100 天的顶层设计、H20 是否被进一步管制，以及 Josh Hawley 所提中美 AI 能力脱钩法案都值得跟踪。欧洲更可能围绕隐私和合规“就事论事”，美国则可能像处理 TikTok 一样直接诉诸国家安全，“做再多合规动作可能都是没有用的”。
• 对国内 AI 公司而言，R1 证明 Chatbot 流量不是护城河，机会转向开源模型之上的 RAG、工具调用和 Agent。 豆包用一年多投放做到约 2,000 万 DAU、Kimi 从未达到 1,000 万，而 DeepSeek 十几天内便超过这一量级，却也未必把 DAU 当 KPI；庄明浩称“牌桌上出现了一个异类”，迫使 Kimi、MiniMax 等重新选择开源、闭源与商业化路线。企业端，张涛建议不要再投入预训练，优先使用现成模型、RAG、必要的 post-train 和私有部署；庄明浩转述公司负责人认为，传统企业不能只是等待技术稳定，而应尽早深度参与。

精读

1. DeepSeek先在技术圈发酵，再被中美叙事推成全民事件

• Lily 对“出圈”的判断来自两个非技术信号：先是和菜头专门写文表达震撼，随后她那位“根本不懂 AI”的近四十岁姐姐主动问起 DeepSeek。对她而言，这比公众号的夸张标题更能证明事件已经越过行业边界。

• 张鹏把传播路径概括为“有点出口转内销”：V3 和 R1 发布后，美国主流媒体最初几天没有明显反应，一方面是 Trump 就任占据版面，另一方面是美国方面仍在理解它对美国 AI 产业和中美竞争究竟意味着什么；直到《纽约时报》发文，报道才铺天盖地。

• 庄明浩回忆，V2 阶段开源社区和技术圈已讨论颇多，V3 才扩散到科技、产品与互联网圈。他在 Trump 就任后连续直播中美科技影响和“星际之门”，顺带提到 R1 对高 CapEx AI 叙事的挑战，却也没预料到事情会走到全民狂欢。

• 张涛从产品端看到更早的需求：1 月 23 日前后，国内外深度用户已主动追问其所在产品是否接入 R1，并用自己的 workflow 案例说明它为何不同。行业内部先被真实使用体验推动，舆论破圈则稍晚一步。

2. “国运”、股灾与大V情绪变化完成了最后点火

• 张涛观察到的美国拐点是 1 月 24 日 Marc Andreessen 入场：他最初说模型确实厉害，但“我并不为它的厉害感到开心”，随后很快转向称 R1 是“人类收到的最好的礼物”，并把它描述为 AI 的 “Sputnik moment”。

• Andreessen 原本对中国带有明显对抗立场，其认可因此比普通技术 KOL 更具传播力。张涛坦言自己“有点心潮澎湃”，因为这意味着中国团队的工作获得了立场并不友好的美国意见领袖承认。

• 庄明浩把国内拐点放在 1 月 26 日晚：冯骥发微博谈 DeepSeek，第一次把它提升到“国运”层面；紧接着 NVIDIA 暴跌 17%，原本仍需解释的技术问题被资本市场用一个极端价格动作翻译给了所有人。

• 张涛又是《黑神话：悟空》的忠实用户，因而把冯骥与 DeepSeek 的呼应称作一种“双厨狂喜”。但从这一刻开始，产品能力、民族情绪、地缘政治和美股仓位已经无法再被干净拆开。

3. AI生成的假信与假回应暴露了共识比事实跑得更快

• NVIDIA 暴跌后，一封号称黄仁勋内部信的文字在朋友圈疯传；1 月 28 日，一篇号称梁文锋回应冯骥的知乎文章又被大量转发。庄明浩确认两篇都是 AI 生成，并亲自向知乎运营举报了冒充梁文锋的账号。

• Lily 也曾在群里赞叹那篇“梁文锋回应”写得感人，随后才从庄明浩朋友圈得知是假文。她没有从语言中看到明显 AI 痕迹，这次误判让她第一次切身感到：“真的跟之前不一样了。”

• 庄明浩反复提醒朋友后写下更尖锐的问题：“当一个共识形成，哪怕它是假的，有很多人去相信的时候，那它还是假的吗？”R1 所代表的推理进展，恰好又让人类更难判断一段动人文字究竟来自谁。

• 张鹏补充，政策圈同样出现了所谓 David Sacks 对华 AI“五步绝杀”的假文章，以及“下载 DeepSeek 每人会被罚一亿美元”的耸动解读。二者都借助政策复杂性和群体焦虑传播，读者往往根本没有看过访谈或法案原文。

4. V3的突破是用受限硬件训练出一流base model

• 张涛把 V3 的核心概括为大量“工程跟算法结合的奇技淫巧”，并强调这是褒义：团队在算力受限时，用 2,048 张 H800 训练出其所称 GPT-4o、Claude 3.5 级别的基础模型。

• 这套创新来自工程和算法的结合，不能缩成一个“便宜”标签。模型规模、激活参数量、训练数据和 GPU 时长之间可以相互核算，因而业内首先看到的是一套可验证的系统工程。

• 但若只看模型能力，张涛认为 V3 对普通用户仍可能只是 “another GPT-4o，another Claude”。它对产业内部意义巨大，却不足以单独解释为何一个模型能进入家庭拜年话题和全球政治讨论。

5. R1公开跑通了ORM路线，改变的是推理模型的方法论

• 张涛的技术判断是，业界此前复刻 o1 时走过 PRM、即对推理过程逐步给奖励的路线；R1 则第一次公开证明，更直接地用 ORM、围绕最终结果实施强化学习的路线能够跑通。

• 这条思路不是从来没人想过，而是此前没人公开展示如何把它做成。张涛承认 OpenAI 可能更早实现，但给出的开源世界标准很明确：“你如果不发 paper，你不放出你的模型的权重，那我们就等于你没有。”

• R1 的意义因此不只是一个新模型，而是给全行业“打了个样”：V3 提供基础模型，强化学习让模型形成可见的 reasoning 能力，论文与权重又让别人能够沿着同一范式继续试验。

• 这也决定了不能把 R1 与其小尺寸蒸馏版混为一谈；真正的 R1 同时依赖 V3 和强化学习，而一个只接受 R1 生成的 SFT 数据的小模型，并没有继承完整的训练路径。

6. 真正让大众“哇哦”的是R1与联网搜索同时可用

• 在 R1 之前，真正用过 reasoning model 的用户仍是少数：o1 需要 ChatGPT Plus 或 Pro，张涛提到的门槛分别是每月 20 美元和 200 美元，而且当时 o1 不能调用 search 获取实时信息。

• 张涛查看全球用户晒出的优秀案例后发现，“有百分之八十”打开了 search。用户以为只是 R1 单模型厉害，实际体验来自模型检索现实信息、继续推理、再反思修正的闭环；他反复强调：“这是一个产品啊，这不是一个模型。”

• 庄明浩补上产品演化细节：DeepSeek App 在 1 月中旬上线，早期“R1”和“联网搜索”两个按钮不能同时选择；不联网的 R1 数据源大致截止到 2023 年 12 月。七八天后两个按钮可以同开，体验才出现质变。

• Lily 的使用反馈印证了这一点：服务器顺畅、联网可用时，答案质量是她过去使用 OpenAI Plus 或 Claude 都未体验过的；后来联网搜索不可用，同类问题的答案明显退化。张涛因此判断，如果只发 R1 而不加 search，未必会破圈到这个程度。

7. 600万美元只是一轮V3训练的GPU账单

• “600 万美元”并非 R1 的全部成本，数字源头是 V3 技术报告。报告写明约 278.8 万 H800 GPU 小时，按每小时约 2 美元的租用价格折算，得到 500 多万美元，粗略可说约 600 万美元。

• 张涛强调，报告不仅给了总数，还拆分了 pre-training、context 扩展和 post-train 的成本，并公开模型尺寸、激活参数和数据量；业内可用公式反推训练时长，所以对这张 GPU 账单本身并无太大疑问。

• 同一张表下面也明确说明，这只是 V3 最后一轮训练，不包括此前的研究投入、失败实验、算法与架构探索、数据准备和清洗。把这些排除项重新加回来，才接近 DeepSeek 或幻方的真实长期投入。

• 因而张涛和庄明浩共同接受的表述是：V3 单次训练成本显著低于同级模型，但“500 多万至约 600 万美元”绝不等于公司只花这么多钱便从零得到 R1。

8. 媒体把一次训练成本一路放大成了商业神话

• 最早的技术圈比较是 600 万美元对 Llama 单次训练的数千万美元，张涛认为这完全合理，也足以证明 DeepSeek 确实节省了大量成本。失真发生在非技术 KOL 和传统媒体进入之后。

• 第一轮失真把 600 万美元与 Meta 在 Llama 上的全部投入相比，把多轮实验和整体投入都塞进另一边；随后又有人拿它对比 Anthropic 等公司的融资规模，甚至估值，至此双方已不再比较同一种成本。

• 神话一旦成立，反向叙事便把 DeepSeek 定性为骗子。张涛的追责对象不是技术报告，而是传播链：“DeepSeek根本没有想过要骗人”，中间所有夸张版本主要由缺乏行业常识的英语媒体和 KOL 制造。

• 庄明浩用一句“在成年人的世界里，钱是最简单的标准”解释其传播力：当主流 AI 新闻长期以亿、十亿、百亿乃至千亿美元计价，突然出现“600 万”，普通人不需要理解架构，也会先被相差的几个零击中。

9. 资本开支的数量级落差放大了DeepSeek冲击

• 庄明浩把行业参与者分成三档：科技巨头的年度 AI 基础设施投入以百亿美元计，OpenAI、Anthropic、xAI 等主要参与者以十亿美元计，挑战者则以数亿美元计。600 万美元在这套坐标中几乎像一个统计误差。

• 按他在节目中的财报回忆，微软下一年度相关投入约 800 亿美元、Meta 约 650 亿、Amazon 约 750 亿、Google 约 700 亿；前六大科技巨头上一年合计约 2,300 亿，之后可能上升到 3,000 亿至 4,000 亿。

• “星际之门”计划以 5,000 亿美元的总额制造宏大叙事；若再把其中讨论的 1,000 亿美元算入，数字会进一步扩大。即便同级模型单次训练通常只是两三千万美元，新闻环境仍会把 DeepSeek 描绘成用零头推翻整个 CapEx 体系。

• 张鹏提醒，两国民间都有放大动力：美国内部借此质疑 OpenAI 获得的政策、资本和出口管制支持是否有效，中国舆论则需要一个低成本赶超的突破故事。当情绪同时加码，“事实反而不是特别重要”。

10. 英语世界的信息缺口制造了三类公司背景谣言

• 张鹏认为，美国媒体长期忽略中国 AI，突然需要报道 DeepSeek 时，英语资料“极度落后、滞后”。这不仅导致成本误读，也让一些在中文世界很容易核验的公司信息持续出错。

• 第一类谣言把年轻研究员罗福莉塑造成 DeepSeek 背后的“秘密武器”，忽略中文报道中她已经去了小米等信息；第二类则把 DeepSeek 描绘为量化基金无意做成的 “side project”。

• 在中国 AI 从业者看来，DeepSeek 显然不是随手做的副业；它是一个被认真建设的公司，但这种“量化基金一不小心做出全球第一”的叙事仍在英文世界流行。

• 第三类就是把 V3 最后一轮的 600 万美元改写成 R1 全部研发成本。三种说法共同提供了一个好传播的传奇，却把真正值得研究的组织能力与工程路径遮蔽掉了。

11. DeepSeek宕机意外教育了整个开源推理生态

• DeepSeek 没有应对天量 C 端流量的运营能力，用户于是蜂拥寻找本地或第三方云部署。庄明浩认为，这给国内推理基础设施厂商、聊天机器人厂商和各类模型托管平台带来了此前无法预期的增长。

• 硅基流动在 V3、R1 初发时也未立刻投入全部资源，爆火后才迅速跟进；随后大量用户注册、申请 API、学习调用和部署。邀请注册奖励约 14 元，小红书评论区和 KOL 内容里很快充满邀请码。

• B 站首页同时出现至少 3 个本地或云端部署教程，庄明浩说每个视频都有约 1 万人同时在线。过去只有资深从业者知道的 API、部署及上下游分工，由此进入普通用户视野。

• 这类生态教育的长期价值在当时仍无法估计；这一波至少让更多人知道了相关厂商、服务和部署方式。

12. NVIDIA跌17%是叙事拥挤后的引爆，而非单一事实定价

• 庄明浩认为，不能把 NVIDIA 跌 17%归因于一个低成本模型。股票是多方博弈，原有空头、估值争议和积压情绪都需要一个触发点，DeepSeek 只是把它们同时点燃。

• 他用“盈亏同源”形容 NVIDIA：它既是过去两年大模型浪潮最大受益者，又是七巨头之一，因此围绕它的仓位与争论都最集中。他此前整理标普 500 单日涨跌榜，前后 20 只股票中约有 16 至 17 只都是 AI 相关公司。

• 市场随后形成两套相反逻辑：低成本削弱芯片稀缺性，或低成本降低应用门槛、扩大总需求。两种观点无法说服彼此，只能在 NVIDIA、云厂商和应用公司的股价上持续对冲。

• 同一事件也产生分化定价：NVIDIA 暴跌时 Apple 没跌，端侧逻辑又推动联想、小米受到关注；Google 即便给出激进 AI CapEx，财报后仍跌约 8%。同一信息对不同公司的含义并不相同。

13. 长期算力需求可能增长100倍，但增量不必全归NVIDIA

• 张涛用真格基金雨生转述的观察概括市场分歧：“西岸的都在买 NVIDIA，东岸的都在卖 NVIDIA。”西岸产业界相信开源突破会扩大训练与推理，东岸金融市场则先交易资本开支回报下降。

• 作为从业者，张涛明确看多总需求，甚至判断不需要三至五年，“三年之内”推理算力需求就可能比当时扩大 100 倍，而不是 10 倍。模型更便宜并不等于总计算量下降。

• 真正改变的是份额结构：硅基流动已在华为 910C、昇腾体系上部署 R1，市场自然会追问其他芯片是否也能承担推理。过去缺少能与一线闭源模型正面竞争的开源模型，替代部署的动力并不强。

• R1 第一次制造了大规模、可迁移的真实部署需求，也让用户发现“好像不用英伟达也行”。因此，算力需求长期向上与英伟达承接的份额未必继续独占可以同时成立。

14. “5万张H100”源自从Hopper概念到具体型号的转变

• 张鹏追溯称，Dylan Patel 在 2024 年 11 月提到的是 DeepSeek 拥有超过 5 万张 Hopper GPU，并没有说全是 H100；H800 同属 Hopper，只是内存带宽受美国限制的阉割版本。

• 到达沃斯期间，Scale AI CEO Alexandr Wang 在采访中直接改称 DeepSeek 拥有 5 万张 H100，并推断这些芯片违反出口管制、公司因此不敢公开。这一说法引发了美国商务部、白宫国家安全委员会等方面的关注与调查机制。

• 张鹏的阶段性判断是，5 万张 H100 大概率是假消息，DeepSeek 主要依赖 H800；V3 论文也明确写了 H800。调查是否继续、芯片是否存在其他来源，节目中没有给出确定结论。

• 两派政策解释随即分裂：一派认为出口管制倒逼中国把工程优化做到极致，属于美国“自食其果”；另一派则认为既然 H800 也能训练，就应连阉割卡一起禁，H20 因而可能成为下一轮管制目标。

15. V2、V3里的受限优化被用来支持算力受限判断

• 张鹏引用的技术分析称，团队为克服 H800 内存带宽不足，把每块芯片 132 个处理单元中的约 20 个专门用于跨芯片通信管理，并使用更底层的 PTX 指令集，而非只依赖 CUDA 常规路径。

• 据这些分析，这类优化只有在通信与带宽受限时才有价值。张涛读 V2、V3 paper 时不断问：“为什么要干这个呢？”如果真有 Alexandr Wang 所说的大量满血 H100，团队没有必要采用那么多偏 hack 的方案。

• 庄明浩解释了幻方早期算力来源：量化本就依赖机器推理、计算、分析和总结，在美国禁令完全落地前，幻方已积累相当数量的卡，并同时开展量化与大模型研发；这不能据此证明 R1 使用了违规 H100。

• 张涛还引用一份可能来自 SemiAnalysis 的估算：约 6 万张卡，包括 1 万 A100、1 万 H100、1 万 H800 和 3 万 H20。他把它视为较可信的外部估计，但最终从论文工程取舍得出的直觉更直接：“他们是真没卡。”

16. 蒸馏是常见训练方法，不是“把别人模型精华偷走”

• 张涛先给出较严格的历史定义：用一个大尺寸 teacher model 生成输出，再减少同源网络的层数或参数，以这些输出训练较小的 student model，让它尽可能接近 teacher 的表现。

• 后来定义被放宽，teacher 与 student 可以采用不同架构，只要大模型输出被用来指导小模型。按张涛的概括，蒸馏通常由大尺寸指向小尺寸，student 理论上也不应凭蒸馏本身超过 teacher。

• 这项技术在中美行业内都普遍存在，“关起门来说大家都知道，公开场合就没人会承认”。即便 DeepSeek 使用过其他模型输出，它在 V3、R1 完整训练链中的作用也只可能是一个局部环节，无法替代架构、数据与强化学习。

• 因而把蒸馏想象成熬汤、“把水分熬干，剩下精华”，会天然制造剽窃感；但真实过程是用输出数据训练另一个模型，能学到什么受 teacher 输出、数据设计和 student 能力共同限制。

17. R1自称ChatGPT不能证明它套壳或蒸馏

• 蒸馏指控最常见的证据，是 DeepSeek 偶尔回答 “I am ChatGPT”，或在 reasoning token 中说“作为 OpenAI 的 ChatGPT，我不能……”。张涛认为，仅凭这种截图得出套壳或偷窃结论，暴露的是对现代 LLM 训练过程不了解。

• 语言模型在 pre-train 阶段并不知道“自己是谁”；self-cognition 是 post-train 对齐的一部分，需要专门用 instruction 教模型身份。互联网语料大量包含 “I am ChatGPT”，数据清洗稍有遗漏便可能让模型复现类似表达。

• 张涛认为 R1 少交了许多闭源商用模型必须承担的 “Alignment Tax”。安全、无害和身份对齐都会在某些维度让模型“降智”；R1 paper 甚至提到加入 Harmless 数据后，某项 benchmark 若不加入这部分对齐数据可以提升约 7 至 8 个点。

• 真要蒸馏，最有价值的是 teacher 每次 next-token prediction 的完整概率分布，而不只是最终一个 token；OpenAI API 一年多以前就已屏蔽这类详细概率。训练者也不会故意要求每个回答以 “I am ChatGPT” 开头，因此身份错误不是有效证据。

18. 模型盗窃有清晰边界，蒸馏侵权却仍是法律灰区

• 张鹏列出的明确“偷模型”包括：物理窃取存储设备、破解接口或终端安全保护、网络入侵获取未公开权重。这些行为除民事责任外，还可能触发网络安全相关的行政或刑事责任。

• 另一类是套壳：合法获得模型后，既未引入新数据，也未实质修改架构、训练、微调、对齐或推理，却谎称为自主研发。这可能涉及版权、欺诈和违反开源协议，法律判断相对清楚。

• 若模型自行研发，却从不明渠道取得关键数据配比、架构参数或性能优化秘密，则可能侵害商业秘密。但知识蒸馏本身不当然违法，也不当然侵犯知识产权；在协议明确禁止时，它更可能先构成合同违约。

• 张鹏因此反对从几张输出截图直接跳到“偷窃美国知识产权”。模型蒸馏将成为新的 AI 知识产权研究问题，但需要非常严格的事实、协议和损害证明，而非政治定性替代法律分析。

19. OpenAI的数据争议与DeepSeek蒸馏指控是两个不同问题

• Lily 的反驳是，美国方面非常“双标”：OpenAI 训练时抓取全网内容，外界还曾追问其是否未经许可下载 YouTube 视频；如今它却用行业普遍存在的蒸馏来指责中国公司偷窃技术。

• 张鹏承认训练数据可能涉及版权侵权，但把两个议题拆开：未经许可爬取文本、图像属于输入端争议，蒸馏则使用前沿模型输出的数据，是不同的问题，也可能涉及合同关系，不能用前者自动抵销后者。

• 美国公司的情绪基础是“搭便车”：它们承担了训练前沿模型的成本，中国公司若用输出缩短研发路径，会让其产生强烈不公平感。但“不公平”不等于已经满足知识产权侵权要件。

• David Sacks 已连续三次把蒸馏描述为侵犯知识产权，并可能推动云服务商采用类似银行反洗钱的 KYC，监测和报告中国企业的蒸馏行为。张涛的技术判断仍是：只要模型开放给公众使用，就很难真正阻止。

20. DeepSeek面临的监管首先涉及App隐私，而非模型能力

• Lily 将欧盟、美国及澳大利亚的近期关注概括为，在较狭义的层面可能首先落在 App、数据安全和隐私上。DeepSeek 成立时间短，在产品、运营与安全上的投入和经验显然不如大厂，存在一些瑕疵并不意外。

• 她的反感在于，创业公司的首要任务是开发最有创新性的技术，DeepSeek 已完成这一点；全球许多网站和供应商同样存在隐私与安全问题，却因 DeepSeek 爆火而“枪打出头鸟”。

• 全球化仍要求本地落地。Lily 提到，这两天 Sam 先去了日本，与软银成立合资公司，再到韩国，由 Kakao 负责 ChatGPT 在韩国的落地；其逻辑与“云上贵州”式本地化相似。

• Lily 更担心 TikTok 路径：若监管只是明确标准，公司可以投入资源整改；若目标本身就是排除中国企业，再多合规动作也未必改变结局。TikTok 已付出巨大人力、精力和资金，仍未解除美国政治风险。

21. 美国对华AI竞争已经覆盖算力、数据、资本和人才

• 张鹏梳理，Biden 时期的主线首先是算力：严格限制高端 GPU、生产这些 GPU 所需的半导体设备，以及更上游零部件和原材料，目标是让中国始终落后于美国前沿能力。

• 数据方向的规则则试图切断美国敏感数据流向中国。虽然定义有所限缩以照顾美国企业商业利益，张鹏仍预计该规则在节目播出后一个月左右生效，并会实质影响中美双向数据流动。

• 反向投资审查已经框定先进半导体、量子计算和先进 AI 三个领域，核心理念是“美国的钱不能支持中国发展能与美国前沿模型竞争的能力”。Trump 理论上可以修改，但是否调整要放进关税和双边谈判的大盘子。

• 人才也可能成为下一层限制，包括中国企业在美招聘当地 AI 人才，以及持中国护照的工程师参与美国前沿模型研发。张鹏听到的政策讨论涉及签证与移民工具，但节目当时尚无公开定案。

22. DeepSeek让美国怀疑“加速自己、拖慢中国”的战略失效

• 美国政策把谁先实现 AGI 视为影响中美战略稳定、近似核武器级别的问题：一边通过资金、产业支持和“星际之门”让美国公司跑得更快，另一边用出口管制、资本和数据限制拖慢中国。

• DeepSeek 的冲击正在于，中国模型并未按预期落下一大截，反而快速逼近一线闭源模型，并出现潜在超越可能。张鹏认为，美国政府因此产生了更强紧迫感，正在研究此前工具是否有效以及下一步如何限制。

• Trump 就任后的头三个月、尤其头 100 天，是对华 AI 竞争顶层设计的重要窗口。商务部、国务院、财政部和白宫国家安全委员会可能密集研判，并向总统提交下一阶段限制方案。

• 可能动作包括把当时仍合规的 H20 纳入管制，以及更激烈的立法。Josh Hawley 提出的中美人工智能能力脱钩法案，目标几乎涵盖 AI 技术与知识产权、研发合作和资本流动的全面脱钩；这与“下载一次罚一亿美元”的自媒体说法并非一回事。

23. 欧洲更像合规收费，美国则把中国科技公司视为安全威胁

• 张鹏在欧洲的感受是，欧盟虽然监管强硬，但整体仍偏向“就事论事”，围绕数据、内容和平台合规处理，并未普遍把中国科技企业直接提升到国家安全和产业竞争高度。

• GDPR、数字市场法、数字服务法的高合规要求与巨额罚单，也被批评为一种变相“监管税”；Trump 在达沃斯论坛期间就批评欧盟借监管向美国企业收钱。企业仍有通过本地整改换取准入的空间。

• 美国路径不同：从 Trump 第一任期开始，规则逐渐由硬件蔓延至信息通信服务、投资、双向数据流动、软件和 App，目标越来越像把中国公司排除出美国市场。

• AI 应用比社交媒体更底层，美国官员可能认为其安全风险更大。DeepSeek 等在美国应用商店上架的产品因此可能成为独立监管对象，而不只是被纳入现有隐私法框架。

24. 创业者面对地缘不确定性的答案是先经营，而非提前焦虑

• 张涛认为 Monica 面向全球市场，调用仍以 OpenAI 和 Claude 为主，又不自行训练前沿模型，因此当下政策冲击有限。真正的对立程度和规则尚未落地，“你现在焦虑也没用，还得看最后到底动作是什么。”

• 庄明浩则担心 TikTok 式的情况：如果欧盟只是出台法规要求，公司可以努力满足；但如果对方本来就想排除你，即使投入大量合规人力、精力和成本，也可能无法改变结果。他对此“略微有点悲观”。

• 两人的冷静不代表否认风险，只是创业者无法用今天的情绪解决未来尚未明确的规则，只能等待具体行动并继续应对。

25. Chatbot流量不是护城河，移动互联网KPI也可能失效

• Lily 给出的反差是：豆包用一年多投放做到约 2,000 万 DAU，Kimi 从未达到 1,000 万，而 DeepSeek R1 在十几天内便超过这一量级。用户切换模型几乎没有成本，流量可以一夜涌入，也可能快速变化。

• 庄明浩认为，这验证了字节内部此前的判断：Chatbot 不是理想终局，更像行业暂时都能接受的“次优解”，战略重心不应只放在这个形态上。高 DAU 本身并不证明长期价值。

• 他引用一月份 AI 产品数据称，各家的使用时长与留存仍不理想。过去移动互联网熟悉的 DAU、MAU 和投放叙事未必适合 AI，DeepSeek 内部甚至可能根本没有把做大 DAU、MAU 当成 KPI。

• 这也是现有模型公司的根本压力：若技术能力达不到头部，用户并无替换成本；若只靠买量获得规模，又难以证明规模会转化为持续使用和商业化。

26. 开源模型第一次追平闭源，应用层获得更多组合空间

• 张涛注意到美国舆论已经反转到一句玩笑：“也许到了最后我们发现最大的护城河不是模型，是套壳。”过去开源 benchmark 再高，实际体验仍落后于 Claude、GPT-4；R1 则是开源世界第一次真正赶上。

• 这让应用公司不再必须等待 OpenAI 开放最新 API。OpenAI 发布 Deep Research 后，开发者很快用 R1 加开源 Agent framework 复制类似体验；过去依赖闭源模型的部分场景，突然变得可尝试。

• R1 加 search 只是第一例，后续还可以接 RAG、文档和各种工具。张涛认为，不同组合会带来不同应用场景。

• 张涛认为行业仍缺少 reasoning model 的 prompt 与产品 best practice，用户也在尝试把 R1 与 Claude、GPT、Cursor 等结合。庄明浩则借 OpenAI 的 L1 至 L5 路线解释下一步：Chatbot 是 L1，推理模型是 L2，接下来应走向 L3 Agent，让模型真正完成任务。

27. 国内“六小龙”必须重新选择技术、开源与商业化路径

• 庄明浩认为，已提前转向的公司受冲击相对有限：按他的概括，零一万物已把英伟达 GPU 和训练团队交给阿里，自己专心做方案实施；百川则聚焦医疗。这两家不再正面押注通用模型冠军。

• 智谱的影响可能较小，因为其很早就形成了相对明确的技术路线和实施节奏；阶跃星辰成立较晚、外界了解不足，庄明浩没有强行评价。

• Kimi 与 MiniMax 的问题更尖锐。Kimi 已推出能展示推理过程、实际体验不错的模型，但仍闭源；它必须决定是否跟进开源，以及原有商业化路线如何继续。MiniMax CEO 闫俊杰则在采访中承认，最初可能就应该开源。

• 对这两家公司而言，过去两年的部分战略投入可能意味着“浪费了时间，浪费了钱，浪费了人”。若仍要攀登通用技术高峰，就必须同时面对 DeepSeek 与阿里通义，并重新平衡开源、闭源、融资和收入。

28. DeepSeek的组织结构允许它暂时不回答商业化问题

• 开源并非只有一种经济模型：部分项目开放权重，却要求商业用户购买 license；Stable Diffusion 和通义千问的部分模型可采用这类安排。但 DeepSeek 使用 MIT 协议，第三方部署并提供服务也无需向它购买商业授权。

• 张涛坦言，一时想不明白 DeepSeek 将如何直接赚钱。庄明浩给出的关键差异是，它没有外部投资人，母公司幻方又有强资金实力，至少未来两三年可以像科研机构一样任性投入，不必像 OpenAI 那样立即回应融资方和商业绑定。

• 张涛的底层信念是：“只要一直在创造价值，你在做出真的有价值的工作，这个价值最终一定会以某种形式进行一个变现。”若其实现了有重大价值的 AI 能力，价值变现也不一定只表现为货币收入。

• 庄明浩把它称为牌局中的结构性异类：“牌桌上出现了一个异类”，其出身、资源和所看重的目标都与其他玩家不同。它当下似乎最适合做长期技术投入，但最终是否胜出，节目中的答案仍是“无人知道”。

29. R1让“商业化胜利”与“技术理想主义胜利”再次反转

• Lily 回顾了三重舆论变化：去年三四月朱啸虎说大模型公司“一个都看不上、一个都不投”，当时遭到很多质疑；到零一万物等公司调整、行业强调收入时，市场又把它视为朱啸虎的胜利。

• 不到一个月，R1 以某种程度上比肩行业第一的技术能力获得全球用户，舆论再次称之为“技术理想主义者的胜利”。豆包、Kimi 等花费大量投放仍未获得同等级别的成绩，也让 Lily 得出“技术才是第一生产力”的感受。

• 庄明浩的提醒是，投资前沿大模型本来就是高风险赌局，参与者不能在牌局出现异类后才否认风险。DeepSeek 的打法迫使所有人重新下注，但当前领先结构也不保证最终结果。

30. 企业不应再自训pre-train，但也不能继续站在场外等待

• 面对法律行业或传统企业“现在投入会不会很快过时”的疑问，张涛给出的答案很明确：“不要去投预训练了。”基座模型长期会成为上游 commodity，企业直接购买或使用现成模型即可。

• 绝大多数垂直场景甚至不必复杂 post-train，先解决好 RAG 就可能足够；确有需要时再采用成熟的后训练方法。私有化也不要求自研基座，MIT 协议的 R1 可以部署在自己的环境中。

• 庄明浩转述公司年会上的判断：很多传统行业 CEO 仍想“让子弹飞一会儿”，但鉴于过去两年变化速度，如果现在还不“肉身去深度参与”，未来可能没有机会。

• 这里的投入重点不是押注某个今天最强的版本，而是尽早实际使用和参与 AI 业务。技术会继续变化，但完全不参与并不会减少不确定性。

31. 最后两类谣言都把“能运行”偷换成了“得到真正R1”

• 庄明浩特别否认一则广传消息：DeepSeek 服务受冲击时，国内多家安全厂商、华为云、腾讯等联合提供支援。这个故事“完全是假的”，只是以战狼式互助叙事缓解用户无法访问服务的焦虑。

• 张涛反复辟谣的则是“在手机或电脑本地运行 R1”。多数教程实际运行的是 DeepSeek-R1-Distill-Qwen-32B、7B，甚至 1.5B，或相应 Llama 版本；从命名语法看，中心语仍是 Qwen 或 Llama，R1 只是提供蒸馏指导。

• 这些小模型既不以 V3 为 base model，也没有经历 R1 的强化学习；论文中发布它们，主要是证明 R1 生成的 SFT 数据能提升其他模型。它们与全尺寸 R1 的效果差得非常远，不能拿本地成功启动当作复刻 R1。

• 张涛并不反对借热潮学习本地部署：如果目的只是了解模型运行、显存与工具链，教程仍有教育价值。但用户不应为这类教程支付“满血 R1”的费用，也不应据此评价真正 R1 的能力。