DeepSeek应用成功登顶美国与中国App排行榜，凭借创新技术挑战OpenAI

在2025年的蛇年春节前夕，DeepSeek应用一举成名，成为科技界讨论的热点。1月27日，这款应用在美国苹果应用商店的免费App下载排行榜中成功登顶，超越了广受欢迎的ChatGPT，标志着其在美国市场的巨大成功。同一天，DeepSeek也在中国区苹果应用商店的免费排行榜中夺得第一，展示了其在全球范围内的吸引力和潜力。

DeepSeek究竟凭借何种优势实现这一成就？在与新浪科技的交流中，浙江大学计算机博士傅聪对此进行了深入解析。傅聪指出，DeepSeek的成功主要源于其在技术方面的创新和战略布局。

DeepSeek背后的技术基础是DeepSeek-V3和DeepSeek-R1两款强大模型。相较于OpenAI的GPT-4o和o1模型，DeepSeek不仅在效果上不相上下，而且其研发成本仅为OpenAI相应模型的十分之一。这得益于DeepSeek的两项核心创新：Multi-Head latent Attention（MLA）和DeepSeek MOE架构，这些技术的运用使得DeepSeek在保持高性能的同时，显著降低了对显存的需求。

傅聪进一步解释了DeepSeek如何降低模型成本并增强性能。通过引入专家加载均衡技术，该技术可以确保在训练过程中，仅激活少量专家网络参数，从而实现了对计算资源的高效利用。这一策略在DeepSeek V2的2360亿参数模型中已得到验证，而在最新的6710亿参数模型的DeepSeek V3中，效果得到了进一步证明。并且，DeepSeek V3在多个基准测试中的表现与GPT-4o和Claude-3.5比肩，展现了强劲的竞争力。

DeepSeek引入了“对偶流水线（Dual Pipeline）机制”，通过实现极致的流水线调度，使得模型训练时所有计算资源得以高效利用。这种机制能够有效减少GPU中指令执行过程中的“气泡”，理论上使得延迟降低近一半，确保计算过程几乎不间断。

第三，傅聪还提到DeepSeek所采用的稀疏激活设计，每个token在向GPU集群传递时，其激活的网络参数数量被有效限制，这样不仅减少了通信开销，还保证了模型的高效运算。

DeepSeek还利用FP8混合精度训练架构，在不同计算环节交替使用FP8、BF16、FP32等多种精度，显著提升了计算速度，同时降低了通信成本。这些技术的结合使得DeepSeek能够以更低的成本实现优异的模型效果。

在模型性能方面，DeepSeek并未止步于技术优化。傅聪指出，他们还采用了多token预测技术（multi token prediction），使得模型在训练过程中能够同时预测更远位置的token，从而增强了模型对长序列的理解能力。

值得一提的是，DeepSeek-R1模型的推出标志着DeepSeek在强化学习领域的重大突破。R1几乎完全基于强化学习进行“后训练”，使得模型的推理能力显著提升。傅聪强调，这一策略与业界对OpenAI o1模型后训练路径的猜测相契合，DeepSeek通过实践验证了其可行性。通过这种方式，小模型（7~13B）也能利用CoT（思维链）和强化学习实现思考能力的增强，克服了以往小模型的局限，展现出巨大的潜力。

加入R1后，DeepSeek的技术进展不仅预示着强化学习及推理能力提升的未来方向，也为合成数据的研究提供了新的动力。在“后训练”的时代，基于CoT思想的优质合成推理数据需求将激增，推动AI领域的进一步发展。

DeepSeek凭借其独特的技术优势和创新的策略，在竞争激烈的AI市场中脱颖而出，成功挑战了OpenAI的霸主地位。随着DeepSeek继续推进其技术研发与应用落地，未来在国际市场上的表现，以及对AI行业的影响，值得我们持续关注。