这几天趁着热乎劲，研究了一下DeepSeek。大概有个认知，跟大家分享一下。

简单说，DeepSeek发明了一种针对特殊应用场景的AI软件框架，可以单独训练一个针对性的边缘AI，可以本地化部署，但需要提前用中心化的大模型AI进行训练。

DeepSeek先让Chat-GPT给他一个答题的最大可能性方向。然后再通过输入的数据在这个方向上推导逻辑过程。这样当然就节省算力了！

当然也不是完全没有创新，因为边缘系统对问题场景的运算效率很高，因为有很高的针对性，这是大模型无法实现的。大模型会“培训”一套机制给边缘AI（就像给一套模拟试题集，然后给模拟考试)，一旦学会后，边缘AI就可以解答具体情景里的问题了。

这个过程有点像学开车，一开始新手学车需要大脑充分参与训练，等学会了以后，大脑对开车这件事的参与度就很低了，比如你可以边开车边聊天。“肌肉记忆”下的简单感官反应，就能实现开车的大部分过程。在这里，大脑就是GPT这种大模型，身体手眼脚等会在培训中形成一个针对开车这件事的“肌肉记忆”，就是具体的AI软件，培训形成这个软件的机制框架就是DeepSeek。这个反应很快不太需要大脑参与的肌肉记忆，需要大模型深度参与的“提前”训练。一旦训练完成，使用次数越多，远端大模型的参与就会越少，甚至最终不用参与。

这种方式的缺点是具体某个边缘AI软件只能解决有限的一类应用场景。比如可以帮助医生快速诊断开处方，但不能解决厨师的菜谱问题。你想让他学新东西，恐怕就要花钱升级硬件了。优点是速度快省钱，但不可能什么都懂。

将来的格局可能是这两种AI都存在。边缘AI针对性强，便捷便宜，PC上就能部署，但依赖大模型AI的培训。所以预计会有一轮PC终端设备的硬件升级，目前的终端设备配置普遍还是有些低的。这就像2010年前后的智能手机普及浪潮。

如果未来果真如此，利好的公司会是哪些呢$英伟达(NVDA)$ $台积电(TSM)$  ？