如何在人工智能领域获胜：为什么权力下放能帮助美国避免下一次 DeepSeek 事件？
中国的 DeepSeek 公司在严格的限制条件下建立的低成本模式震惊了人工智能行业。以下是美国制造商如何通过去中心化避免下一次竞争冲击。
DeepSeek 最近震惊市场的人工智能突破凸显了中国和美国截然不同的科技创新战略，促使许多新兴产业的从业者重新评估他们对竞争和进步的假设。
长期以来，中国的技术战略一直由不懈迭代的文化所定义。在西方，研究突破往往受到专利、专有方法和竞争机密的保护，而中国则不同，它擅长通过集体创新来完善和改进想法。
这种快速迭代的能力使中国能够利用现有技术，将其推向最佳状态，使其更高效、更具成本效益、更易于普及。DeepSeek的R1模型几乎与OpenAI的最佳模型一样有效，尽管使用成本和培训成本都低得多，这表明这种心态可以带来巨大的回报。
西方科技文化憎恶抄袭他人作品的想法，这导致人们不愿使用已证明成功的策略，生怕显得没有创意。不得不重新发明解决方案的每一个部分，必然会导致项目进展缓慢。
中美两国在研发方面的根本区别之一在于保密方法。美国公司和研究机构往往各自为政，以保护竞争优势，而中国则营造了一个更加开放、协作的环境。这种文化使研究人员和工程师能够在彼此工作的基础上更上一层楼，加快技术进步。
创造力在约束条件下蓬勃发展--这是早已被证明的事实。在这种情况下，本应阻碍进步的制约因素反而使研究人员领先于西方人工智能的稳步发展。中国面临着巨大的障碍，特别是由于制裁限制了高性能硬件和软件的获取。
尖端基础设施的缺乏迫使中国公司开发替代方法，使他们的创新更具资源效率，更容易获得。这就导致了 DeepSeek 的意外发布，挑战了世界对人工智能进步的看法。
DeepSeek R1 充分体现了这种迭代方法的优势。与通常依赖专有数据和高端基础设施的西方同行不同，DeepSeek 在设计时就考虑到了效率。DeepSeek 以大型语言模型或 LLM（如 ChatGPT 和 Llama）为基础进行训练，作为一种更轻便、更具成本效益的替代方案迅速发展起来。
DeepSeek 将大型模型的推理能力整合到一个更小、更高效的系统中。DeepSeek 不依赖庞大的数据中心或原始计算能力，而是模仿天体物理学、莎士比亚和 Python 编码等领域的专家给出的答案，但方式要轻便得多。对于相同的查询，这两种模型往往能给出相似的答案。
DeepSeek 的成功源于中国的思维模式，即在现有工作的基础上进行开发，而不是孤立地开展工作。这种方法缩短了开发时间，降低了成本，帮助中国在受到制裁的情况下仍能保持在人工智能领域的竞争力。在没有顶级硬件的情况下开展工作，也促使开发人员发挥创造力，找到充分利用现有资源的聪明方法。
虽然 DeepSeek 并不是最强大的人工智能模型，但它比迄今为止我们所看到的人工智能模型更易于使用。在许多方面，它让人想起上世纪 80 年代家用电脑的出现。
当时，IBM 大型机在计算机行业占据主导地位，虽然功能强大，但易用性有限。家用电脑的功能虽然要逊色得多，但却通过向大众普及而彻底改变了计算行业。IBM 等公司依靠其优越的资源获得了竞争优势，但为了在不断变化的市场中保持其相关性，不得不反复调整和适应。
同样，DeepSeek 的原始能力可能还无法与某些西方竞争对手相提并论，但它的可及性和成本效益可以使其成为人工智能民主化的关键力量。
正如家用电脑行业的快速迭代和改进一样，DeepSeek 等模型的发展速度很可能会超过孤立的模型开发。通过拥抱去中心化和集体创新，中国已经为人工智能的持续发展做好了准备，即使是在资源有限的情况下。
那么，西方世界如何与之竞争呢？通过分散式人工智能开发。
Anthropic、DeepMind、OpenAI 和谷歌面临着一个巨大的挑战，那就是面对成本效益越来越高的替代品，如何保持技术领先地位。如果单打独斗无法战胜它们，那么也许是时候联合起来了--即使这有悖于竞争性资本主义的精神。
美国在人工智能发展方面落后于中国的关键原因之一是其研究工作的集中化。虽然这可以带来更强的控制力和专有优势，但也将创新限制在了单一实体的资源范围内--无论是政府机构、科技巨头还是研究实验室。
去中心化人工智能协会（DAIS）最近成立，旨在促进人工智能领域的合作，以实现去中心化治理。DAIS 经常强调集中化的风险，特别是它如何将权力集中在少数人手中。
现在，我们看到了集中化的另一种危险：它会限制我们利用集体知识的能力，从而阻碍进步。权力下放的力量在于让许多贡献者能够完善和迭代现有的工作。去中心化使创新得以复合，从而带来更快、更强的技术进步，而不是多个实体在孤立的孤岛上重复工作。
人工智能的发展还有很长的路要走。真正的人工通用智能可以进行逻辑推理和推断，而当今的 LLM 与之不同，其功能是预测序列中最有可能出现的下一个单词。这意味着它们缺乏基本的逻辑推理能力，无法根据物理定律等现实世界的原理来验证它们的答案。
在一次包括基于 Eliza 的代理在内的 Telegram 对话中，我要求获得 Github 上一个 repo 的访问权限，代理立即回复说："访问权限已授予！让我们开始工作吧！"但该代理并没有 Github 账户，更不用说授予我访问权限的管理权限了。当人工智能对讨论的主题缺乏真正的理解时，这就是典型的行为。
LLM 因其性质而受到限制--例如，它们无法根据物理定律或任何严肃的定律和规则体系来验证自己的结论。LLMs 提供的是概括性知识，其本质就是幻觉。它们可以预测对话中的下一个词，但它们没有上下文来验证其答案的含义。
这些局限性突出表明，虽然人工智能已经取得了长足的进步，但要达到真正的智能，仍有很大的发展空间。如果没有该领域主要建设者的公开合作，实现这一目标的过程可能会特别漫长和昂贵。
随着人工智能的不断发展，DeepSeek 的经验教训表明，促进开放、迭代和分散式创新可能是未来取得突破的关键。合作意味着与其他创新者分享荣誉，但这并不是每个人都喜欢的。获胜的并不总是最大的参与者，有时是那些愿意以不同方式做事的人。
编辑：安德鲁-海沃德
Related News
© 2025 DeFi.io