DeepSeek：計算機如何從“鸚鵡學舌”到“對答如流”？

讓機器“說話”

人類擁有極其復雜且高度發達的語言系統，可以運用口語、文字等抽象符號進行溝通，這也是人類區別于其他絕大部分生物的顯著特征之一。因此，能理解豐富的詞匯和復雜的語法，以及擁有強大的表意能力，是人類高級思維的重要體現。

自然語言處理（Natural Language Processing，簡稱NLP）是通過計算機實現語言分析，研究人機交互并進行有效通信的理論與技術。它旨在使計算機能夠理解、處理和生成人類的語言，實現人機之間的有效交流。這需要將數學、語言學、計算機科學等多學科的理論與方法進行融合，是人工智能的重要研究方向。

不斷更新的“語言理解”算法

1947年，沃倫·韋弗（Warren Weaver，美國數學家，被譽為“機器翻譯之父”）提出“計算機語言自動翻譯”理念。

機器翻譯（machine translation）是自然語言處理最早的研究領域。經歷了一系列技術進步，現在發展到了基于自注意力機制（Self-Attention）的Transformer模型（ChatGPT和DeepSeek都是基于Transformer模型開發的）。

自注意力機制是Transformer模型的核心創新點之一，它可以讓模型在處理序列數據時，動態地關注輸入序列的不同部分，計算每個位置與其他位置之間的關聯程度，從而更好地捕捉文本中的長距離依賴關系。

“猜謎大師”養成記

簡單來說，你可以把訓練DeepSeek等大模型的過程看成一個“猜謎大師”的養成過程。在訓練時，它會被“投喂”海量文本，但它不記憶具體知識，而是學習詞語之間的關聯規律，比如“狗喜歡吃……”后面大概率出現的詞匯是“骨頭”或“肉”，而不是“草”。隨著訓練量增大，它可以不斷提高自己產生結果的概率和合理性，例如“地道”后面是“戰”還是“美食”，它會根據上下文語境做出判斷。

在對話階段，Transformer模型主要采取邊聽邊猜并不斷優化的模式進行。例如，當你輸入“為什么天空看起來是藍色的”時，Transformer模型會利用自注意力機制拆解關鍵詞，找到“天空”“藍色”等關鍵詞，然后根據在訓練階段掌握的規律找到“光的散射”和“大氣層”等知識片段，再逐詞生成完整的回答。在生成答案的過程中，它還可以根據反饋不斷調整和優化結果。

更優秀的大語言模型之路

許多預訓練語言模型都是通過增大訓練參數規模來提高模型訓練的效果的，但這樣會對數據和算力有很高的要求，使得訓練和部署模型的成本巨大。

DeepSeek的突出創新點之一在于，它主要是通過優化算法來達成較好的模型訓練效果的，因此需求的訓練數據相對較少、訓練算力相對較低。在這一過程中，它使用的混合專家模型（Mixture of Experts，MoE）起到了突出作用。

為了更好地理解混合專家模型的工作機制，我們可以舉個例子：一間準備裝修的毛坯房，想要將它裝好，需要20個泥瓦工、20個木工和10個油漆工，其他大模型會在整個施工期間都“養”著這50名工人，而DeepSeek則會根據施工需要，在特定的時段“雇傭”特定的工人，所以DeepSeek的訓練成本更低。

此外，DeepSeek對圖形處理器（GPU）和芯片進行了深度優化，進一步降低了模型訓練和部署的成本。

同時，DeepSeek是開源的，它公布了自己的模型參數和訓練工具鏈，吸引廣大二次開發者對其應用和優化，迅速形成了自己的開發生態，從而進一步滿足模型在醫學、法律等特定領域的需求。

一次次的工業革命告訴我們，被迭代的始終是工具，大語言模型替代的是工具性技能，而非人類的能力——提出問題、定義價值、賦予意義。它無法取代人類“不理性”的價值、“無意義”的探索和“不完美”的聯結。真正的危機或許不是“機器太過強大”，而是“人類太像機器”。如何對待疾速發展的人工智能技術，正是我們亟待解決的命題。

（責任編輯 / 牛一名 美術編輯 / 周游）