DeepSeek的火爆让人产生了一种它无所不能的幻觉，实际上真正能落地运用的又不是很多，这可能源于技术突破的乐观预期和资本对未来的提前布局。有人说“未来AI会代替人类”，AI会不会完全代替人类时间会给出答案，但未来不会使用AI注定会被时代所淘汰。

作为职场人、程序开发人员，我们不能仅局限于在聊天页面上熟练对话，还需要对通用人工智能产品的一些基础知识做进一步学习。毕竟，AI智能时代机会无处不在。

基础概念

学习AI，我们要熟悉一些常听到的基础概念：

• AI（人工智能）：涵盖所有让机器模仿人类智能的技术总称，让机器像人一样聪明（比如手机里的语音助手）；

• 机器学习：AI的子领域，让机器从数据中学习规律，教机器从经验中学习（比如让电脑看100张猫图，以后能认出猫）；

• 深度学习：机器学习的分支，用复杂神经网络处理高维数据（如图像、语言），用“超级复杂数学公式”让机器学得更准（比如人脸识别背后的技术）；

• LLM：深度学习的延伸，专注语言任务的超大规模模型，具有读、写、推理能力；

• 生成式AI：能“创作内容”的AI技术总称（如生成文本、图片、视频），LLM是生成式AI的核心技术；

• AIGC：生成式AI的实际应用（比如用AI生成短视频脚本）；

• AGI（通用人工智能）：像人一样啥都会的“全能AI”（科幻电影里的机器人，还没实现）；

• 多模态：让AI同时处理多种信息（比如看图说话、听歌写诗）。

用一张简图表示它们之间的关系。

关于LLM

LLM是Large Language Model英文缩写，直译过来就是大语言模型。它是一种通过海量文本数据训练的人工智能，这些数据来自于书籍、网页、系统数据等，实现模仿人类理解和生成语言。其实，早在2018年大语言模型就出现了，为大众所熟知是2022年11月30日OpenAI推出了一款人工智能聊天产品ChatGPT，它可以根据使用者输入的提示词生成类似人类的文本应答。同样，DeepSeek也是大语言模型中具有代表性的一个。

LLM本质是概率预测，即便是现在火爆的DeepSeek-R1也继承自概率预测的特性。有概率就有可能出错，例如它可能会生成看似合理但事实上错误的内容，比如给出的参考文献并不存在，这就是大家常说的“AI幻觉”。它的工作原理类似我们玩的填词游戏，根据已有的信息猜下一个词是什么，以及这些词出现的概率，但它又不是固定的按概率高低来选词，而是选择某种程度上“匹配”的词，不断重复这个过程。

当下，LLM可用于效率辅助，并不能过度依赖或者完全信任使用，可以把它当成给你打工的员工，员工的输出成果要做核验，要保持独立思考。

关于DeepSeek

DeepSeek是一款由国内人工智能公司深度求索开发的大型语言模型，在写作、编程、翻译和解决复杂问题方面可以辅助人类处理任务。

2025年1月20日正式发布DeepSeek-R1模型，并同步开源模型权重。在此之前国内也有很多优秀的大模型产品，为什么偏偏DeepSeek在2025年春节期间火爆全网，成为苹果应用商店美国区和中国区免费应用榜单的第一名。

首当其冲的就是省钱，其极低的训练成本，例如DeepSeek-V3成本600万美元，远低于GPT-4的6300万美元，用相当于同行1/10的费用就训练出对标国际顶级AI模型的能力，相当于用“经济舱价格”造出“头等舱性能”；其API接口调用成本仅为ChatGPT的1%-5%，这对于有应用层开发的个人和企业来说非常划算；不挑芯片，DeepSeek通过算法优化，支持国产芯片和其他品牌GPU，甚至能让普通显卡跑出高性能。

其次，直接开源模型代码和技术细节，相当于把“秘方”免费分享，全球开发者都能自由修改、优化，甚至用几十美元就能复现类似效果，吸引了大批技术爱好者参与，开源之后玩的就是生态，大家一起玩。拿智能手机操作系统来类比，Open AI走的苹果macOS路线，DeepSeek走的是谷歌安卓路线。

DeepSeek这一波免费开源算是把国内外大模型厂家逼到墙角了，国内百度文心一言在2月13日宣布4月1日0时起，开启全面免费，可以体验到最新、最全的模型能力和产品功能。同日，OpenAI也宣布免费版ChatGPT将在标准智能设置下无限制使用GPT-5进行对话。2月20日，马斯克旗下人工智能公司xAI宣布，最新发布的Grok 3模型现已开放免费使用。

此外，DeepSeek-R1深度思考首次实现OpenAI o1级别的深度推理能力，实现了复杂问题的分步推理能力，例如数学计算、逻辑推导等，被认为是国产AI从“生成”到“理解”的关键突破。它是世界上第一个开源的推理模型，要知道当时拥有深度推理能力的大模型产品还只有OpenAI ChatGPT一家，并且使用上有次数限制，要不就升级付费pro版本。

所以，一个省钱、性能强、开源免费、大家一起玩，一个昂贵(使用、训练)、能力确实强、闭源、限制访问的产品，你会选择哪个，火出圈是必然的。

关于DeepSeek的使用，简单问题不需要开启深度思考(R1)，例如询问三角函数公式，这样会更快，此时会使用DeepSeek-V3模型；非时效性问题不需要联网搜索，例如唐朝建国多少年；深度思考(R1)的使用场景包括需要深度推理、复杂逻辑分析、专业领域的问题，例如数学题、代码调试、学术研究框架、伦理分析等；联网搜索适用于需要实时数据的情况，如股票行情、新闻事件、最新政策等。深度思考(R1)+联网搜索混合使用时，会先联网获取数据，再用R1分析，或者在需要验证信息时交叉使用。

DeepSeek-R1 671B中的"671B"表示该模型的参数规模为6710亿（671B，即671Billion），属于超大规模语言模型。模型参数是AI训练过程中调整的变量，参数越多，模型通常具备更强的学习能力和复杂任务处理能力。

关于Token

作为程序开发人员，容易误认为Token是用于身份识别的字符串。在大模型中Token是模型用来表示自然语言文本的的最小单位，可以是一个词、一个数字、一个标点符号、甚至单个字符等。通常1个中文词语、1个英文单词、1个数字或1个符号计为1个token。Token是文本与模型之间的“翻译器”，将人类自然语言转换为模型能处理的数字序列。

上下文窗口大小

上下文窗口大小是大模型可以处理Token数量，是大型语言模型处理文本时的“记忆容量”，决定了模型能同时考虑多少Token（文字片段）来生成连贯的回复。上下文越大，能处理的Token越多，大模型对信息的理解就越充分，生成的内容就越接近我们需要的结果。就像你读书时，需要翻回前几页才能理解当前内容，上下文窗口就是模型能“往回翻”的最大页数。

Prompt

Prompt（提示词）是用户与大模型交互时输入的指令或问题，相当于告诉AI“我需要你做什么”。使用大模型最直接的方式就是输入一段信息，让大模型根据输入内容生成目标内容，我们输入的内容就是提示词。它决定了AI的思考方向和输出质量，可以理解为给AI的“任务指南”，它的核心是让AI理解你的真实需求。

很多人会感觉大模型一点不好用，无法理解提问人的真实诉求、提供不了有效回复。实际上并不一定是大模型不好用，而是你提供的Prompt不够准确。就好像你到饭店吃饭，告诉服务员“给我上菜”，服务员会一脸懵“上菜？上什么菜？是要粤菜，还是川菜？是青菜豆腐，还是龙虾鲍鱼？”。所以，你需要提供足够多的信息。和大模型交互，你把它当成一位智者，告诉大模型他是谁(设置角色)、任务背景(任务关联的人和事等)、任务目标(要他完成什么)、输出要求(形式、字数、风格等)，他也好综合考虑并推理给出你可能最想要的答案。

学会提问也是一门技术，DeepSeek考虑到这个问题，官网也提供了一份提示词样例(https://api-docs.deepseek.com/zh-cn/prompt-library/)，感兴趣的可以看看。

Temperature

上面说到LLM在做概率预测时，并不会选择概率最高的词，你有没有想过如果每次都选择概率最高的词，生成的回复会不会很固定，就会出现大量同样的回答，这样就失去了“创造性”思维。这就好比，你向别人提问，每次都是固定的回答，你会不会觉得很无趣，那如果每次都换一种思维方式，会不会让你觉得“这个人蛮有意思”。这就是大模型的“创造力”，它的回答是随机的，也就是说同样的提问，回答可能不同。

Temperature参数，通过改变其取值，控制生成结果的随机性，产生不确定的“创造性”。对于DeepSeek来说，取值介于0和2之间，更高的值，如0.8会使输出更随机，随机意味着存在天马行空的风险；而更低的值，如0.2会使其更加集中和确定。这个参数可以在DeepSeek对话API请求参数中调整设置。

AI幻觉

AI幻觉是指大语言模型生成看似合理但实际错误或虚构内容的现象，通俗来说就是AI“一本正经地胡说八道”，它不会说“不知道”。AI幻觉的产生源自训练数据的问题、训练过程的缺陷、概率预测机制、上下文遗忘等，有时候普通人很难辨别，使用大模型要保持怀疑态度。

当然，行业内也有解决方案。比如，多模型交叉验证(用魔法打败魔法)、提供准确基础知识作为样本、通过不同可信度分为自动信任和人工确认等。

完全消除AI幻觉比较困难，但长期来看是趋势。

蒸馏技术

蒸馏技术在大模型中相当于“老师教学生”的过程，本质是让一个更小的模型（学生）学习一个更大、更强的模型（老师）的知识，从而在减少计算资源消耗的同时，尽量保持模型的性能，但体积更小、计算更快。

拿“浓缩果汁”来类比，原始大模型就像是一大桶新鲜果汁，里面有很多复杂的风味，但体积大、存储和运输成本高；蒸馏后的小模型就像是浓缩果汁，虽然体积变小了，但尽量保留了原有的风味和营养，便于存储和使用；蒸馏过程就是把果汁里的“水分”去掉，提炼核心的味道和营养，让小模型学到大模型的精华部分。

简单来说，蒸馏技术就是让“大师级”AI把知识“浓缩”后，教给“小AI”，让它在更低成本下也能做出类似的决策。例如DeepSeek-R1-Distill-Qwen-32B是基于DeepSeek-R1蒸馏而来的模型，在Qwen2.5-32B的基础上使用DeepSeek-R1生成的样本进行微调，保持了强大的推理能力。

RAG

RAG即检索增强生成，它是一种将“查找资料”与“生成答案”结合起来的技术。想象你在回答一个问题时，先去翻书、查互联网，然后把找到的信息整理后回答别人。RAG就是让AI在生成回答前，先检索相关的外部信息，再基于这些信息生成更准确、更新的回答。通过这种方式，RAG技术既发挥了大模型强大的生成能力，又借助检索模块补充最新和更具体的信息，让生成的答案更准确、实用。

Agent

在AI领域，Agent指的是一个具有自主“思考”和“行动”能力的智能体。也就是说，Agent不仅能“理解”信息，还能根据环境自主决策并执行任务。可以把Agent想象成一个非常聪明的私人助理，它不仅能给你建议，还可以主动帮你办事。例如，你问它“今天我需要带伞吗？”，它不仅会回答，还可能自动查好天气信息，再给出提醒。如果说大模型是“智慧的大脑”，那么Agent就是将这份智慧转化为实际行动的“执行者”，能操作工具、调用外部资源，甚至完成一系列复杂任务。

目前，字节跳动推出的扣子(Coze)就支持大模型智能体开发，感兴趣的可以试试。

Ollama

Ollama是一个开源的工具，专门用来在本地电脑上轻松运行和管理大型语言模型，它提供了简单的命令行接口和图形界面，只需几条命令就能下载、运行，甚至定制自己的AI模型，它把原本复杂的模型部署过程简化，让不太懂技术的人员也可以轻松部署大模型。

DeepSeek火爆全网之后，通过Ollama实现私有DeepSeek-R1-671B大模型部署不再是难事。如果你担心数据风险、隐私泄漏问题，可以尝试部署自己的私有大模型。

Hugging Face

Hugging Face是一个专注于人工智能和机器学习领域的开源社区和平台，里面收藏了各种预训练好的智能“工具”（也就是模型），比如翻译、聊天、问答、图像识别等。你可以使用这些工具，用于解决实际问题，而无需从头开始构建一个模型。

最后附上两幅图，据说众多大模型都在这道题上栽了跟头，无一幸免。

上图 ChatGPT o3-mini作答

上图 DeepSeek-R1作答