孤勇的梁文鋒，全民的DeepSeek V4

近日，AI行業一直在連臺唱戲：OpenAI GPT Image 2、GPT5.5、騰訊混元 Hy3、Kimi K2.6等大模型扎堆登場。讓人應接不暇，也讓人審美疲勞。

在這場AI軍備競賽的喧囂中，梁文鋒帶來了大家翹首以盼的DeepSeek V4。

有人振奮于其使用國產算力芯片進行訓練，感嘆這是打破英偉達壟斷的里程碑；也有人對于V4的性能表現略感失望，認為只是“接近”國外先進水平。

但當你反復研讀DeepSeek V4官宣文案和技術文檔之后，你會發現，區別于其他大模型不計成本堆料式追求頂尖生成效果，DeepSeek V4在設計上的特點，無一不在透露著梁文鋒團隊從一開始就堅持的選擇：

效能優先、成本門檻優先、現實應用優先。

梁文鋒正憑著一腔孤勇，帶著DeepSeek追逐一片小眾獨特的星辰大海。

這份“獨特”可能比千篇一律的成績，更讓人振奮。

匠心獨具的設計思路

一個偉大的作品總是處處彰顯著設計者的極致思考。

相對于官宣文案中并不異常突出的模型評分，讓我們把目光轉向DeepSeek重點提及的幾大特性：

一、存算分離的MOE架構——降低部署和使用的成本

簡單解釋下MOE（混合專家架構），其核心是：總參數很大，但每次推理只激活少量參數（專家），做到大參數的能力、小參數的推理成本。

DeepSeek V4在MOE的基礎上，依然帶來了獨樹一幟的設計——ENgram條件記憶架構。這個架構理念是，將靜態知識檢索與動態計算推理徹底解耦。

概念很高深，但作用很直觀：通過這套架構，模型可以將海量靜態知識（非激活參數）存儲在廉價的CPU內存中，釋放昂貴的GPU顯存專注于動態推理。

這便是DeepSeek V4降本增效的第一招，利用架構創新，降低對硬件的需求。

要知道，顯存的價格是同等存儲規格內存的數倍甚至10倍以上，而這套設計不但幾乎沒有降低模型檢索和推理的性能，反而因為釋放了GPU資源從而提高了模型的整體性能。

更值得關注的是，DeepSeek V4的總參數是所有開源模型最高的，但壓縮比（激活參數占總參數的比例）是所有已知模型中最低的，只有3.06%。

二、全新混合注意力機制——上下文成本和機制的里程碑式突破

與ENgram架構相輔相成的，是DeepSeek V4全新的混合注意力機制——CSA（壓縮稀疏注意力） 和 HCA（重度壓縮注意力）。

官方解釋是，CSA和HCA能大幅降低計算和顯存的需求。看似平平無奇，但是他們的實際意義遠不止于此。

眾所周知，上下文長度，代表著大模型對于輸入內容的記憶長度，一旦超出限定長度，模型便容易失憶、降智。

因此，各大廠商會將上下文長度作為第一宣傳重點。目前，最高的上下文長度可以達到1M。

但是，這個上下文長度目前不能無限擴大。原因之一是過長的上下文會導致算力成本極高。

比如，傳統上下文的算法復雜度是O (N2)，這意味著1M上下文的算力和顯存消耗，是128K的64倍。這種平方級增長，導致算力資源的爆炸性消耗，資源和成本很難支撐。

第二個原因是，傳統Transformer的注意力機制，天然不擅長萬級以上距離的弱關聯邏輯。過長的上下文，會因為注意力稀釋和噪聲增大，導致性能極速下降。

而DeepSeek V4的CSA和HCA，恰好解決了這兩個問題：前者保持關鍵局部細節的同時，大幅壓縮全局計算量，后者以更宏觀的全局視野，捕捉超長距離的依賴關系。

簡而言之就是：CSA抓重點，省算力，HCA看全局，管長文。

這套機制，將算法復雜度降成了接近線性的O（NlogN），即算力和顯存支出與上下文長度，變成了線性相關。

這意味著，1M上下文的算力和顯存消耗，是128K的8倍，而不是之前的64倍，這使大規模上下文實用成為可能。

DeepSeek官方給了更準確的數字：對應1M上下文所需要的KV cashe（上下文用顯存）降到了原先的10%（PRO版)和7%（Flash版），計算所耗算力降為原來的27%和10%，對更大上下文的支持還更經濟，效果更好。

ENgram架構與CSA、HCA機制配合的結果是：保證一流模型能力的同時，訓練、推理成本降到了普通企業可以承擔的水平。

AI不再是大廠的奢侈玩具，而是可以走進各行各業的實用工具。

三、三項專門優化基礎能力——降低用戶的門檻

想讓AI真正走入各行各業時，低成本部署和運行只是門檻，易用性才是關鍵。

與效能提升的設計思路一脈相承的是，DeepSeek的官宣文中重點提到的三項能力：Agent能力大幅提高，豐富的世界知識，世界頂級推理性能。

看似是泛泛而談，但實際上全部指向了普通個人用戶和企業用戶使用時所需的關鍵能力——從應用能力層面降低用戶的門檻。

我們來一一解讀：

Agent 能力：諸如OpenAI等智能體工具調用時最依賴的能力，這也是個人和普通企業用戶現在利用AI解決問題的最常見場景；

豐富的世界知識：包含大規模、多領域的常識 + 專業知識。對于普通企業，由于已存在的專業領域知識，不再需要昂貴的模型訓練，更容易通過微調和RAG等形式，建立自己行業和公司專屬的AI模型。

世界頂級推理性能：這更加是個人和普通企業用戶難以調整優化的核心AI智能性能。

這三項專門強化的應用能力，無一不是個人和普通企業用戶使用和部署時，難以靠自身逾越的門檻，但DeepSeek將這些基礎能力專門優化后，預置在模型中，使得普通個人和企業用戶AI易用性大幅度提升。

特別是DeepSeek對于flash版本的調整和描述，簡直是對普通企業用戶的專屬優化版：常用的推理能力和簡單的agent能力和pro版接近，但是較少用到的世界知識和復雜任務能力降低，更加印證了模型的設計思路和取舍。

四、宣傳圖上的小字——國產替代打破壟斷高價

還有最關鍵的一點，DeepSeek V4在算力報價單下方標注了一行小字“受限于高端算力，目前Pro的服務吞吐十分有限，預計下半年昇騰950超節點批量上市后，Pro的價格會大幅下調”。

這代表著DeepSeek在推理部署階段，可以全面轉向國產算力卡。而DeepSeek在官方文檔中，已經確定支持全系國產算力卡。

在筆者發稿前，DeepSeek 通過降價活動，向市場展示了他的極致的成本優勢：百萬token輸入輸出只有3元和6元，對標國內同檔次開源的智譜5.1和Kimi 2.6只有二分之一，而后兩者只有128k和200k的上下文，對于國外同等1M上下文的模型更是只有十分之一和三十分之一，真正實現了普惠的1M上下文。

而DeepSeek在訓練和部署上使用國產算力卡的成功經驗，也必將帶動更多國產廠商向國產算力轉型，從而打破國外算力壟斷帶來的模型訓練和使用成本的巨大門檻，最終實現全行業運營成本的下降。

笨蛋，關鍵是效能！

“笨蛋，關鍵是經濟！”這是美國前總統克林頓的競選標語，精準戳中了當時社會的痛點。

而現在AI行業的痛點是什么？是模型幻覺？算力競賽？還是商業化困境？

但對于更多企業、用戶而言，高的是門檻，難的是入門。而DeepSeek V4設計的核心，就是“普惠”。

從硬件需求，到用戶易用，再到國產替代，梁文鋒對于V4的設計思路，正在努力將AI向全民普惠上引領。

誠然，現在的DeepSeek V4還和最頂尖的國外閉源大模型有著很多明顯的性能差距，例如編程能力，例如剛進行識圖模式測試、6月份才支持全模態等等，但是DeepSeek選擇的這條路卻代表著更遠大的未來。

首先，當前大模型核心發展方向，是模擬人腦的思考模式，大模型要真正逼近并超越人類的智能，必然走向提升效能的模式，而不是無止境的堆砌硬件。

因為人腦是一個極致高效的體系，僅需20w左右的功率便能驅動接近1PB的數據容量產生智能。DeepSeek V4的效能提升，完全符合這個大的趨勢。

其次，DeepSeek V4 依托算法與架構優化，突破了傳統大模型的規模化瓶頸。

傳統集群部署會面臨通信成本激增、算力利用率不足的問題，且單卡性能受物理條件難以快速迭代。當前多數模型依靠高端硬件、大顯存冗余維持運行，成本高且擴容天花板明顯。

而DeepSeek V4 通過算法與架構革新實現了算力效能的顯著提升。模型的性能與規模化擴展上限，無疑會遠高于僅堆疊硬件的模式。

最后，并非所有用戶和企業都能夠承擔當前大模型“天價”的使用成本，也并非所有的需求都需要那些極致AI生成效果，性能夠用、成本可控的模式無疑能適配更多行業的實際需求。

這種提升效能、降低門檻、拓展行業寬度的發展模式，在當前“堆參數、堆性能、搶第一”的AI軍備競賽環境中，顯得格格不入。

但梁文鋒和團隊依然堅持普惠的全民路線。

“不誘于譽，不恐于誹，率道而行，端然正己。”

我們不能確定，在日新月異的AI世界，這種堅持會帶來什么結果。但這種“雖千萬人，吾往矣”的孤勇，或許才是梁文鋒和團隊的底色，也是DeepSeek V4帶給AI行業最珍貴的寶藏。