E179｜DeepSeek技术解析：为何引发英伟达股价下跌？

摘要

• DeepSeek触发的资本市场冲击，来自“低成本打穿美国领先”的叙事，而不只是模型性能。 节目给出的口径是：1月26日登顶苹果App Store、18天下载1,600万次、达到ChatGPT同期的1.8倍，并在全球140个市场下载量居首；次日英伟达跌近17%，市值蒸发5,890亿美元。陈羽北认为市场把媒体报道的低成本误读成全部研发成本，又忽略幻方的算力积累：“整个market是emotional的。”
• R1真正的起点是已经很强的V3，强化学习并非唯一或最难复制的秘密。 陈羽北强调，基础模型每题生成100条时已有约10%的成功率，这使rule-based reward能把稀疏奖励变稠密，再由GRPO等方法强化正确回答；网上有人认为PPO也能奏效，因此“反而强化学习在这里面的地位是次要的”。更关键的是V3通过MoE负载均衡与attention层的KV cache优化，让600多B模型具备高效而扎实的基础能力。
• DeepSeek的技术价值是一套连续的“组合拳”，而非一项孤立突破。 V3先提高架构效率，R1-Zero再用搜索与可验证奖励自我增强，最后把大模型的reasoning和planning蒸馏到Qwen的1.5B至三十几B模型；逻辑是“先让大模型搜得出来，再让大模型教小模型”。它也表明学界思路正在convergence：DeepSeek很强，但陈羽北的初步判断仍是o1在一般任务上的泛化更强，美国leadership并不能仅凭benchmark被判定消失。
• DeepSeek对英伟达是销量利好与溢价利空并存的双刃剑，最终取决于2025年应用能否爆发。 更低成本可能让更多创业公司购买训练与推理算力，却也让客户不必总用最高端芯片；John Yue将其概括为“溢价降低，销售量变大”，市值方向取决于两者比例。若过去应用起不来主要因为GPU价格，成本降至原来的1/10甚至更低会利好英伟达；若瓶颈另有其因，需求增量就未必兑现。
• DeepSeek只证明有人能翻过英伟达的墙，没有让CUDA与互联护城河整体变低。 MoE降低部分Expert之间的互联压力，直接优化PTX也绕过了高层CUDA API，但John随即修正：“没有完全绕过CUDA的ecosystem”，而且这种适配只服务特定模型。AMD短期受益、ASIC获得想象空间，但通用软件生态仍是长期门槛——“这个墙没有变低”，只是DeepSeek证明“it’s possible to go over”。
• 开源与低价API把应用开发者从单一闭源供应商风险中释放出来。 John称DeepSeek让小团队“都有了自己的OpenAI”，不必担心OpenAI下一版把产品功能与价格同时吞没；其每百万输入token缓存命中1元、未命中4元，输出16元，节目估算o1各档约贵26—27倍。闭源模型若持续领先仍像苹果一样有价值，但“闭源如果还不如开源，那可能就没有意义”；开源更像安卓，真正负责降低行业准入门槛。
• 嘉宾不认同2026—2027年AI已在几乎所有场景超过绝大多数人的激进判断，核心障碍是三个数量级的学习效率差距。 陈羽北比较了20瓦人脑与约2万瓦的600B模型、人在20岁前不超过10 billion token与Llama 3的15 trillion、数百万神经元的jumping spider与billion级导航模型；John则补充，创业经验等domain knowledge尚未数字化。更接近AGI的信号不是继续燃烧数据，而是模型能自己寻找学习信号、整理数据并“make every token count”。

精读

1. 市场卖掉的是“低成本击穿美国领先”的故事

• 泓君给出的热度坐标是：DeepSeek于1月26日登顶苹果App Store，18天下载1,600万次，是ChatGPT同期的1.8倍，并成为全球140个市场下载量最多的应用；1月27日英伟达跌近17%，单日蒸发5,890亿美元。

• 陈羽北认为冲击由三层叙事叠加：一个原本低调、并不知名的团队，用“不是最好的算力”和很低的报道成本做出对标o1的模型，于是媒体自然追问“美国的leadership是不是不存在了”。

• 他的保留意见同样重要：DeepSeek在benchmark上与o1伯仲之间甚至更好，但初步来看o1在一般任务上的泛化仍更强。真正值得警惕的是技术思路正在convergence，“你说出来、我压根没想到”的创新变少，而不是一次跑分已经完成领先权交接。

2. V3才是R1跃迁的真正底座

• 陈羽北的反共识判断是：“这次强化学习是被大家过度提到的一个东西。”基础模型每题生成100条时，尚未被强化的成功率已约10%；在他看来，这是后续自我提升能够发生的先决条件。

• 泓君还提到论文中使用了multi-head latent attention；但陈羽北强调的V3两项核心工作都指向架构效率：MoE改善不同Expert之间的load balance，attention层节省KV cache。两者使一个600多B、Megatron级别的模型仍能获得不错的基础表现。

• 这也解释了为何GRPO未必是唯一答案：陈羽北认为其policy gradient实现“算是比较粗糙”，网上已有观点称PPO也可以。若多种RL方法都能奏效，最难复制的部分便更可能是基础模型、数据与底层架构，而不是算法名称本身。

3. R1-Zero把稀疏奖励变成了可搜索的学习信号

• R1-Zero先把奖励函数压到极简：数学答案必须正确，输出格式也必须正确。模型每次生成100条，再提高其中正确回答的权重，不必额外训练复杂的中间过程奖励模型。

• 陈羽北认为它绕过的是强化学习最难的稀疏奖励问题：若生成100条甚至1万条仍全错，模型没有任何提升方向；一旦起点已有约10%的成功率，正确样本便把奖励从“稀疏”变成“比较稠密”。

• 这一过程本质上近似Search：基础模型先提供候选轨迹，rule-based reward负责筛选，再由学习放大有效路径。陈羽北称其与model predictive control、世界模型和model-based RL有相似之处，只是先从答案可验证的简单任务切入。

• 从约10%成功率开始提升的意义，不只是多答对几道题，而是证明“模型的基础能力已经不错”时，模型可能借助自己产生的数据实现bootstrap式增强。

4. 大模型的搜索能力可以被蒸馏给小模型

• DeepSeek先让600多B模型通过反复生成与筛选学会reasoning和planning，再将这些能力蒸馏到Qwen的1.5B至三十几B模型。陈羽北的概括是：小模型自己未必搜得到，但可以直接学习大模型已经找到的路径。

• 这套逻辑有明确边界：若基础模型不够好，Search、model-based RL或自我增强都不会表现得好；若100条候选中已经稳定出现正确轨迹，甚至可以先直接把它搜出来，再决定是否需要继续训练。

• 他因此把DeepSeek视作“组合拳”：V3负责底座和效率，R1-Zero展示自启发搜索，R1再承接能力迁移。单个想法未必前所未有，价值在于每一步都为下一步创造了可用条件。

5. 英伟达面对的是销量增长与溢价下降的双重重估

• 陈羽北认为“几百万美元挑战OpenAI”的报道具有片面性：DeepSeek背后是拥有大量算力积累的幻方，总研发成本并不低；他还以“如果没有搞错”作出限定，认为团队确实使用过英伟达最好的一类芯片，因此没有必要推导出高端GPU不再被需要。

• John把影响定义为一把双刃剑：DeepSeek重新激发模型与应用创业，更多公司会购买算力；但训练和部署同一模型所需的芯片档次下降，也会打击英伟达的定价溢价。“有可能是溢价降低，销售量变大。”

• 最终变量不是单次训练账单，而是application。若GPU价格一直是应用起不来的主要阻力，成本降至1/10甚至更低会盘活需求；若真正阻力是产品、数据或商业化，芯片销量就未必足以抵消价格压力。

6. DeepSeek翻过了CUDA之墙，却没有拆掉这堵墙

• John最初将英伟达两大壁垒概括为芯片互联与CUDA；节目中前者先称InfiniBand，主持人随后以NVLink概括。竞争重点已不是单卡性能，而是多卡互联和一整套通用软件ecosystem。

• MoE让不同Expert分布在不同卡上，并让暂时不用的Expert进入dormant状态，按John的判断，这降低了部分互联的重要性；直接在PTX层做optimization，则减少了对高层CUDA API的依赖。

• 泓君追问“是真的绕过CUDA了吗”，John随即修正用词：“没有完全绕过CUDA的ecosystem。”PTX仍处在其底层体系内，而且逐模型优化工程很大，并不是任何小公司都能照做。

• 他用墙作比喻：过去大家觉得墙翻不过去，DeepSeek跳过去并说“it’s possible to go over”；但这不代表所有人立刻都能过去，“这个墙没有变低”。被削弱的是英伟达的收费溢价，而非通用生态本身。

7. AMD与ASIC得到窗口，但软件仍决定长期胜负

• John判断AMD短期受益，因为它已宣布适配DeepSeek；长期则取决于DeepSeek能否成为gold standard。若下一批模型换了架构，AMD还需重新适配，而CUDA的优势恰是“一套系统什么软件过来都可以用”。

• 对推理芯片，他仍倾向英伟达继续领先。Groq、Cerebras、TPU等方案在硬件上主要体现为CUDA core与Tensor core比例不同；英伟达若确认某种比例有市场，也有能力跟进，真正难复制的是软件维护。

• Groq从芯片做到数据中心和云，说明软件不足会迫使公司向更重的vertical stack延伸；但其资金实力又远逊英伟达。John由此判断，芯片创业更值得投入的是“做出一套比CUDA更优的软件”，而非继续微调DDR或不同core的配比。

• 华为“有可能”，但中国面对的不只是CUDA：高速内存、组装、packaging、台积电制造与ASML光刻机都处在受限链条上。要形成替代方案，硬件制造与软件生态必须同时补齐。

8. 架构继续变化，反而延长了通用GPU的价值

• 泓君指出，若Transformer架构七年不变并从此冻结，市场就能专门为Attention设计ASIC，这反而不利于英伟达；CUDA的通用性只有在模型架构持续演进时才最值钱。

• 她认为DeepSeek引入MoE和Multi-head Latent Attention，再次改变layer与计算方式，因此对英伟达未必是坏事。模型越频繁变化，专用芯片越难押中，开发者越需要能承接多种架构的通用平台。

• 这一变化也可能冲击OpenAI。泓君转述Sam Altman的担忧：如果找到比Transformer更好的架构，既有的大量investment可能“in trouble”；DeepSeek推动架构变化，对芯片龙头和模型龙头的含义并不相同。

9. 开源让应用开发者“拥有自己的OpenAI”

• John回忆，2024年下半年应用创业低迷，一个重要原因是开发者担心OpenAI下一版覆盖自己“百分之八九十”的产品壁垒；若产品本就建立在OpenAI API上，供应商同时掌握功能与价格，创业公司几乎无从竞争。

• DeepSeek开源后，小团队获得了“自己的OpenAI”：模型足够强、成本低，并具有continuity，不必每天担心o4之类的新版本把产品淹没。John把这种平台风险形容为“有一条恶龙，现在它不存在了”。

• 闭源并非因此失去意义。John用苹果与安卓作比：集中管理更可能持续做出领先产品，开源则因人人可用和便宜而推动普及；但“闭源如果还不如开源，那可能就没有意义”，现有落后者只能“自求多福”。

• 陈羽北从产品实践补充，很多开源模型无法直接投入生产；但以Llama为例，它提供了foundation，已经把约90%的任务做好。更强的DeepSeek或Llama会降低产品化门槛、增加真实应用和反馈，避免整个生态只有一家模型公司且定价过高。

10. 低价API来自全栈效率，并不等于旧芯片永久替代新品

• 泓君列出的R1价格是：每百万输入token缓存命中1元、未命中4元，每百万输出token 16元；按她的估算，o1各档约高26—27倍。John认为差距来自PTX调用、MoE load balance和芯片选择的一整套优化，而非单一技巧。

• 模型可以从必须使用H100、A100，扩展到H800、H20或其他平台，单token成本因此下降；但John也保留一种可能：“OpenAI内部说不定早就降下来”，只是没有把内部成本下降传导给retail价格。

• 依赖V100等旧卡不是长期答案，因为英伟达会停产旧芯片，存量还会折旧并增加维护成本；游戏卡又被限制用于正规托管。更可持续的路径是在新芯片上通过优化和虚拟化提高利用率。

11. 小模型把算力经济从“租整卡”推向按需切片

• John的团队长期押注小模型增多：一张A100或H100有80G，但许多蒸馏模型只有约10G；他们最近跑的一个7B模型约20GB，并另以一张H100切出约1/3来跑DeepSeek，而不必为整卡闲置空间付费。

• 推理workload天然有弹性，客户量会突然上升或下降；若每张物理卡都留下大量空余，扩容时浪费会同步放大。GPU虚拟化的价值是“完全没有浪费”，把部署成本与实际需求更紧密地对应起来。

• DeepSeek又强化了这条趋势：大模型先产生reasoning轨迹，再蒸馏出更多小模型。客户要的不是亲自重做PTX优化，而是“简单便捷、很快部署、价格低”的开箱即用solution。

12. 端—边—云将解锁被闲置的算力与数据

• 陈羽北观察到过去6—8个月小模型能力进展很快；在单一、明确的任务上，只要training充分，小模型与大十倍、百倍的模型可能差异很小。话筒降噪就是例子：模型继续放大，最终SNR未必明显改善，极小神经网络反而最适合直接嵌入设备。

• 手表可在本地完成问答和API调用，复杂任务再offload到云端；高通手机芯片的推理能力可达50 TOPS，按他的比较“没有比A100差多少”，足以承接小语言模型、VLM与Audio ASR等初级智能。

• 他设想的AI基础设施是端、边、云分层：传感器处理普通感知，边缘设备执行更多agentic功能，最复杂任务才交给云端。由于手机以十亿级、传感器以更高数量级出货，全球端边算力相加可能是HPC GPU算力的100倍。

• 数据也有类似结构：约90%—99%的数据停留在端和边，摄像头视频往往“use it or lose it”，不可能全部上传。端侧AI可以先挑出有价值的内容，充当大模型的数据压缩器；但选型标准仍是“小、快、足够好”，鲁棒性不能为成本让路。

13. 推理虽重要，三个数量级的效率差距才是AGI门槛

• 陈羽北把reasoning定义为必须经过中间步骤才能得到答案：查询天气只需调用一次API，不算推理；从Palo Alto去纽约找最快路线，则需比较机场、驾车距离、航班与多条路径，属于reasoning与planning。

• Rich Sutton在2019年的《The Bitter Lesson》提出两种最general的能力：学习与搜索，并告诫“do not try to be too smart”。预训练与fine-tuning偏向学习，推理与规划偏向搜索；DeepSeek用自启发搜索产生候选，再以rule-based reward学习，正好把两者结合。

• 但人类的数据效率仍高出几个数量级：一种估算认为人到13岁接收少于100 million token；另一种按每秒30 token、每天12小时计算，20年也不超过10 billion，而Llama 3预训练用了15 trillion。陈羽北以蒸汽机从约0.02%效率提高到约20%作比，追问何时能把“数据燃烧效率”提高三个数量级。

• 因此陈羽北认为Dario Amodei关于2026—2027年的时间表仍有挑战。Dario将Scaling Law、算法与芯片每年4倍或10倍的效率提升，以及把强化学习阶段投入从10万—100万美元推到1亿美元叠加，预测AI届时在“almost”所有行业超过绝大多数人；陈羽北认为五年后尚可讨论，但从2025年看明后年实现“各行各业”超越人仍极具挑战。

14. 世界模型、自我提升与未公开数据决定下一轮胜负

• 陈羽北用三组尺度解释自己为何谨慎：人脑约20瓦，600B模型约需16张卡、功耗约2万瓦；人20岁前接触不超过10 billion token，Llama训练量达15 trillion；jumping spider仅数百万神经元，却能做复杂三维navigation，而工程模型往往是billion参数级。

• John从数据所有权提出另一道门槛：多年创业经验等domain knowledge只存在于个人身上，既未完整数字化，也未交给模型。陈羽北则认为更根本的问题是自我提升——机器何时能自己寻找学习信号、做data curation并“make every token count”，而非继续依赖human in the loop准备数据。

• Yann LeCun推动的世界模型被陈羽北视为关键方向：给定当前state和action预测未来；GPT可看作没有action的world model，DeepMind的Genie 2则能从一幅画出发，让主体向前、向后穿梭。模型足够准确后，现实可被其copy替代，用强化学习、model predictive control或直接Search寻找轨迹。

• DeepSeek尚未公开的部分也恰是他最想知道的：数据composition、balance、curation过程和具体训练细节。John最后把产业影响设成条件句——若DeepSeek持续push the envelope并成为应用gold standard，其他芯片会获得机会、英伟达溢价继续承压；若Llama 4远强于它，“一切又回到起点”。