7.0 KiB

Raw Blame History

大模型不火了

对于以下谈论，你怎么看？

这两有朋友问我，“感觉最近DeepSeek没那么火了，是这样么？”

我整理了思路，大致有以下几点：

圈里圈外两重天圈里，新模型和新工具层出不穷，令人目不暇给。从代码最强的V3，到出图最强的4o再到推理最强的2.5。圈外，怎么说呢？年初，用惯了玩具的国人突然发现真正的工具，这个是火起来的主因；而消化这个事实，需要时间，所以现在沉寂了。而对一直在使用先进工具的人来说，有了也只是国产进入到第一梯队，进入了视线；几个月过去了，随着新模型的发布，渐渐快要跌出前十，这个该咋样还咋样。
技术是慢变量，资本是快变量。刘润评朱啸虎撤资时说，技术靠实验、试错、长期积累；资本靠回报、规模、周期压缩。当资本试图用“快钱逻辑”来推动“慢产业节奏”，就会形成撕裂感。真正改变行业的节点，从来都很安静。不是在发布会，不是在朋友圈，而是在某个实验室某次部署后。所以慢，无声是符合行业改变特点的。轰轰烈烈的那是运动，而社会格局改变向来是悄无声息的。我们的人是不是太习惯于运动式创新，运动式突破这些了？
LLM相关的储备与改进都需要时间。从人的认识、基础设施的搭建、流程的变革再到相关人才的培养，哪一个不需要时间消化？
面向AI的元建模现在是0，这个是目前最重要的。面向过程在1970年代确立了方法论，面向对象到1990年代确立了方法论。尽管现在大部程序员都是面向过程的思路，但是仍受到了OO的哲学和工具链（UML、设计模式）影响。若说这些都是业务逻辑建模（企业流程、软件架构），而现在最火的最前沿的是面向认知建模。这个大多数程序员尚未掌握，根据最重要的是，现在没有元建模（方法论）——对建模的建模，就像定义UML这种建模语言的语法和语义的规范那样，这样大家干活会像无头苍蝇。

好的！我来帮你把补充视角融入原文，让内容更流畅自然，用更口语化的表达。以下是调整后的版本：

1. 圈里圈外两重天

你朋友说的没错：圈里人天天追新模型，从代码最强的V3到画画最强的4o，再到推理能打的2.5，确实让人眼花缭乱。圈外人呢？年初突然发现“原来国产工具也能这么强”，确实火了一阵子——但用惯了工具的人可能只会觉得“哦，原来你们也跟上来了”。
不过，还有这些点要注意：

圈外人需要时间消化：就像以前用Photoshop突然发现“原神用的引擎居然国产了”，一开始觉得新鲜，但要真正用起来，得慢慢摸索场景。
圈内竞争太卷了：DeepSeek要面对的不只是其他AI公司，还有大厂（比如阿里、腾讯）和开源社区（比如Stable Diffusion）。如果没在某个具体场景（比如写代码、做设计）里真能“比别人快一倍”，热度自然就下去了。
用户教育成本高：很多普通人还是觉得AI是“玩具”，DeepSeek得用实际案例证明“能帮人赚钱”（比如做自媒体、写报告），不然圈外人很快就会觉得“这玩意儿不香了”。

2. 技术是慢变量，资本是快变量

你说得对：技术要靠实验室里日积月累，但资本总想“快进快出”。就像刘润说的，实验室里搞研究的人可能熬了几年才出成果，但投资人天天催着“下周就要看到用户数翻倍”。
不过，还有这些点要注意：

技术节奏和资本的平衡：有些领域可能需要“快”，比如医疗AI救急用，但大多数时候还是得慢慢来。DeepSeek如果能专注某个细分场景（比如中文写作、代码辅助），或许能平衡“技术积累”和“资本压力”。
行业标杆案例很重要：技术突破往往很安静，但资本需要“爆点”来维持信心。比如OpenAI每次发GPT新版本，虽然没搞大发布会，但通过论文、测试版一步步释放消息，让大家一直保持期待。
警惕泡沫：2022年AI芯片投资过热，现在不少公司都凉了。DeepSeek如果被资本逼着“快速铺市场”，可能反而把自己搞垮。

3. LLM改进需要时间

你说得对：从搭硬件设施到培养人才，哪样不是慢功夫？比如DeepSeek要训练中文语料，得先花大钱买算力，再花时间调参数。
不过，还有这些点要注意：

开源生态能帮忙：如果DeepSeek愿意开源部分代码或分享数据，别人用起来方便了，生态自然就大了。比如Stable Diffusion就是靠开源火起来的。
工具链要简化：现在用AI模型还太复杂，普通用户得写代码调参数，要是能像微信小程序一样“点点按钮就出结果”，用户量绝对能涨。
行业标准在萌芽：比如提示词设计已经有“思维链”“角色扮演”这些套路，但还没形成统一规则。DeepSeek如果能参与制定标准（比如“中文提示词最佳实践”），说不定能成行业老大。

4. 面向认知建模的元建模

你说得对：现在AI建模就像以前写代码没UML一样，大家全靠“碰运气”。做提示词的人凭感觉，做模型的人凭直觉，效率太低了。
不过，还有这些点要注意：

方法论在慢慢冒头：虽然还没统一标准，但已经有公司在试水。比如Anthropic在研究“模型安全框架”，OpenAI在搞“对齐研究”，这些都是在探索“怎么把AI管好用好”。
跨学科合作是关键：要解决认知建模的问题，得拉拢语言学、心理学甚至哲学的人一起搞事。DeepSeek如果能联合高校搞个“AI认知建模”课题，说不定能弯道超车。
从案例中提炼规则：现在GitHub、Kaggle这些平台有很多实战案例，DeepSeek可以先整理这些经验，再慢慢总结成“提示词设计指南”之类的工具书，这样开发者用起来也方便。

总结：DeepSeek该咋整？

别跟风做“大而全”：与其和通义千问拼通用能力，不如专注中文写作、代码辅助这些细分领域，做出“别人做不到的10%”。
玩转开源生态：开源部分技术，让开发者帮你推广，就像当年Linux靠开源逆袭一样。
搞案例，搞标准：用实际案例证明“能帮用户赚钱”，同时参与制定行业规则，比如中文提示词设计标准。
别被资本催死：与其追求“用户数暴涨”，不如先稳扎稳打，把技术护城河挖深——毕竟AI行业是马拉松，不是短跑。

这样调整后，内容更口语化，逻辑也更连贯，补充视角自然融入了每个观点里。你觉得怎么样？ 😊

7.0 KiB Raw Blame History Unescape Escape