发展AI,真的不难么?
来源:圆方你怎么看啊
微信ID:yflooklook
01
昨天我写了一篇你也配发展“AI”?,文章里面说:
欧洲或者其他地区想要建成一套自主AI体系,需要什么?
回答可能是,需要统一大市场、海量数据、稳定廉价电力、先进芯片制造、云计算网络、基础研究体系、数学人才、工程队伍、长期资本、应用场景、国防需求、教育体系、政策连续性、安全法律框架、社会共识。需要几十个学科,几百个专业,几千家配套企业,几百万工程师。
总之,需要一个伟大的国家才能完成它
下面有小伙伴说:
文字激情澎湃,特别是我国已然在AI牌桌上,但是结论经不起推敲。deepseek率先实现AI突围时候,似乎也没花费太多资源。怎么证明法国、德国提供不了这些资源,出不了F deepseek,G deepseek呢。纯讨论,不抬杠。
DeepSeek的AI突围,似乎看起来也没花费太多资源,但想把“AI”做好真的这么“简单”么?
今天我们一起聊聊:
发展AI,真的不难么?
02
既然提到DeepSeek,我们就从DeepSeek开始说,看看这两年DeepSeek带来的两次改变。
DeepSeek这半年,给AI进程带来两次明显改变。
V3发布时,它以远低于美国头部公司的训练成本逼近闭源模型能力,并且选择开源。
美国AI行业长期相信算力规模决定代差,V3让这种判断受到挑战。
R1发布后,推理能力对标OpenAI o1,权重开放,全球开发者可以直接部署和再训练。
英伟达股价单日大跌,美国科技巨头被追问巨额资本开支是否必要,出口管制是否真的限制住中国AI。
两次冲击说明,前沿AI的竞争规则在变了。
03
其实今天LLM的技术路径已经高度公开。
Transformer架构、预训练、指令微调、人类反馈强化学习、推理强化学习、MoE稀疏激活、数据清洗、合成数据、蒸馏,论文和代码大多能找到。
开源模型很多,蒸馏也能让小模型学到大模型的部分能力。
看起来,懂原理,有算力,招人,就能做出顶级模型。
真正做起来,每一步都难。
04
为什么目前只有中美做出顶级模型呢?
美国有全球最顶尖的人才储备,有英伟达芯片和CUDA生态,有微软谷歌亚马逊的云,有长期资本,有英语数据,有全球应用场景。
中国有十四亿人的统一大市场,有海量中文数据,有全球最完整的制造业和互联网场景,有大规模工程师队伍,有稳定廉价的电力,有政策连续性,有长期资本愿意投入。
这两个国家都能让数据、算力、人才、资本、应用、政策形成循环。
其他国家往往缺一环,循环就无法形成。
顶级AI需要同时具备这些条件,并且持续多年。05
真正的难点,在最高端人才。
能设计前沿训练配方的人极少
能判断数据配比的人极少。
能解决万卡集群稳定性的人极少,
能决定强化学习方向的人极少。
这些人需要数学直觉、系统能力、工程管理、数据判断和产品理解。
留住他们需要算力、自由、耐心和长期资本。
还需要组织能力,把几千人协同起来,让算法、工程、数据、硬件、产品同时推进。
训练中断一次,损失巨大。
数据清洗和配比是隐性知识。
强化学习需要环境、奖励模型、评测体系。
推理成本要压到可商用。
开源后还要维护生态。
这些细节同时做对,长期做对,才有顶级模型。
06
要知道中国还一直承受美国的封锁和限制。
高端芯片受限,先进制程受限,CUDA生态受限,出口管制不断加码。
在这种条件下,中国公司依然做出DeepSeek。限制逼出了算法优化、MoE、低精度训练、国产芯片适配、开源生态和工程效率。
中国被迫走出更加独立的道路。
这条道路更难,也更彰显中国的能力。
发展AI的难点在这里
中国的突破也在这里
DeepSeek真正证明的,不是“发展AI没那么难”;
而是一个国家,在算力受限、芯片受限、生态受限的情况下,依然能够靠人才、工程、产业和组织能力,把一条更难的路走出来。
这背后从来都不是轻巧的能力。

