关注公众号回复1
获取一线、总监、高管《管理秘籍》
在之前的文章《AI的非对称性》我们有一个观点，做产品要着眼于明年，原因有二：
第一，当前AI模型训练和推理成本依旧高昂，一般玩家难以承担；模型响应速度仍有改进空间，直接影响产品体验。
若在现阶段推出产品，不仅面临资费压力削弱盈利能力，还可能因用户体验欠佳获得负面市场反馈，甚至被前置抄袭，打击团队信心与发展。
第二，AI模型的更新速度显著加快，行业最佳实践不断刷新。
过早基于现有模型进行设计，可能因半年后更高效、更经济的模型出现而导致设计过时或资源浪费。
因此，产品设计应尽量依赖最新模型，以降低重构成本、提升长期竞争力。
我以为这个时间点应该是25年年底，却不想deepseek在春节投下了重磅炸弹！
deepseek异军突起
一、效果很好
在我印象中DeepSeek-R是第一款直接剑指ChatGPT又取得了不错成绩的国内模型，从数据来看很硬：
所有大模型发布初期多少会有效果夸大部分，但在我亲测使用的情况下：个人评价还是很高的，这其实是令人震撼的。
二、私有化部署
在考虑其低成本与开源，并且开放训练手册（学习成本）等特性，新的机会也诞生了：
基于deepseek-R1模型 + 优质数据，使用工程或微调手段，能达到之前必须依赖GPT才能达到的效果
要特别注意，deepseek-R1可是能私有化部署的！这解决了医疗、金融等很多行业的安全性问题！
当然，研发过程中我依旧是最初的观点：研发要着眼于半年后，依赖最强大的模型。
三、成本优势
在24年5月，DeepSeek就发布的一款名为V2的开源模型。
其性价比奇高：推理成本约等于Llama3 70B的七分之一，GPT-4 Turbo的七十分之一。
大模型最终效果一定离不开：数据(你们猜数据供应商是不是通用的？)、算法、算力三方纠缠。
区别于其他公司，DeepSeek提出的一种崭新的MLA架构，把显存占用降到了过去最常用的MHA架构的5%-13%。
同时，它独创的DeepSeekMoESparse结构，也把计算量降到极致，所有这些最终促成了成本的下降。
其实，抛开效果很好这一基本元素，私有化部署与成本优势都在其次；但在效果尚可这一前提下，成本优势就有巨大身位领先！
因为，应用层玩家看不懂这些东西，我们会用脚投票，投票依据首先是【效果】其次是【成本】
对AI应用的启示
站在工程应用的角度，对于基座模型的选择只有三个考虑点：
第一，谁效果好我用谁； 第二，谁便宜我用谁； 第三，政策、业态要求我用谁，我就用谁；
之前最好用的AI产品的两个路径是：
直接用API接口； 配合API接口叠加一些RAG技术；
也有少量财大气粗的公司在做预训练或者微调，但如果预训练或微调的成本只有原来的1/10，那么对我们的技术路径会有非常大的影响。
最佳实践的迭代，都可能对前一次最佳实践带来毁灭的打击
这意味着，对很多领域公司，非对称性的机会又来了，有几个点：
组织优质数据的成本可能仅有原来的1/10； 之前一些由于成本不愿意微调的公司，现在有更多的路径选择；
这里简单提下几条AI产品技术路径。
提示词 VS RAG VS 微调
在AI应用落地中，提示词、RAG（检索增强生成），以及微调是三种常见的技术路径。它们各有特点，适合不同场景需求：
| 对比维度 | 提示词 | RAG | 微调 |
|---|---|---|---|
| 定义 | 通过优化输入文本，引导现有模型生成预期结果 | 将外部检索系统与模型结合，增强生成内容的准确性 | 使用特定领域数据对模型进行二次训练，提高定制化能力 |
| 开发成本 | 极低，无需模型修改 | 中等，需要搭建检索和存储系统 | 高，需要大量优质数据和计算资源 |
| 技术复杂度 | 低 | 中等，需整合检索系统和模型 | 高，涉及数据清洗、标注和训练流程 |
| 适用场景 | 灵活、轻量级需求，如客服对话、创意文案 | 需要实时更新或动态领域知识，如医疗、法律咨询 | 高精度、高专业性需求，如金融分析、企业知识问答 |
| 优点 | 快速、无成本、简单易用 | 知识扩展能力强，适合知识动态变化的场景 | 效果精确，满足专业化和领域化需求 |
| 局限性 | 受限于基础模型能力，难以满足高专业性或精度需求 | 对检索系统和知识库质量依赖较大 | 开发周期长，成本高，不适合快速变化的需求 |
| 响应速度 | 快 | 较快，但受检索系统效率影响 | 较慢，需事先完成模型训练 |
| 扩展性 | 高，直接基于现有模型 | 中等，依赖知识库更新与维护 | 低，需重新训练模型 |
| 典型应用 | 客服自动回复、生成文案、创意触发 | 医疗问答、法律建议、实时行业动态 | 行业专用AI工具、精准预测分析 |
从底层逻辑来看，提示词、RAG 和微调的本质都是在影响模型的输入输出权重，只是作用方式和影响深度不同：
提示词：通过优化输入，引导模型内部已有的权重在不同路径上发挥作用，本质是利用模型现有权重的最佳组合，属于浅层引导。 RAG：通过外部检索引入新的上下文，将额外信息作为输入嵌入模型，改变其权重分布。本质上是动态扩充输入信息维度，让模型在已有权重基础上生成更准确的输出。 微调：直接通过新增训练数据调整模型内部权重分布，深度影响模型在特定领域的输入输出关系。本质是重新校准模型，使其更适合某些任务。
三者的差异在于对模型输入输出权重的影响深浅：提示词影响轻微、RAG扩展输入、微调直接改变权重参数。
其中，RAG的底层逻辑相似，都是为优化输入与输出，但微调通过直接调整模型权重，从根本上改变模型能力。
DeepSeek横空出世，对于各个公司技术路径选择会有深刻影响，需要提前布局。
结语
AI领域的演进总是充满变数，DeepSeek 的突围正预示着技术路径的新一轮洗牌。
对于大多数企业尤其是小R玩家来说，如何在不确定的技术浪潮中找到自己的节奏和方向，是当下最重要的问题。
以下是几个建议：
一、技术不是目的，适配才是关键
产品研发切忌过度设计或追求“最优模型”，重要的是结合实际需求，找到“刚好够用”的技术解决方案，既降低成本，又避免资源浪费。
二、数据为王，规则驱动
优质数据和明确规则是AI产品成功的核心。深耕行业知识、挖掘未被系统化的数据，是未来的突破口，也是AI产品竞争力的关键。
三、不要迷信AI，扬长避短
AI是工具，使用它的前提是了解它的优势和局限。只有扬长避短、合理分配任务，才能让AI为业务带来真正的增值。
四、保持耐心，坚守初心
AI产品的开发注定是一场持久战。无论是提示词的优化，还是技术路径的选择，都需要冷静思考和持续调整。
DeepSeek 的崛起表明，当技术成本降低、能力门槛放宽，市场将迎来更多的可能性，只不过最终结果如何，还得留待时间观察。
然而，这也意味着竞争的加剧。
正如我们所探讨的，未来的技术路径将更多元化，企业需要时刻警惕 “最佳实践” 的更新迭代，抓住每一次非对称性机会。
最后，产品的成功不仅是技术的胜利，更是商业逻辑的胜利。用技术创造真实价值，专注用户体验，做好长期布局，才能在瞬息万变的市场中找到自己的位置。
