DeepSeek创新突破：R1模型引领ChatGPT新时代【独家揭秘】
ChatGPT：AI对话引领智能交流新纪元
近日，面壁智能联合创始人兼首席科学家刘知远在谈及DeepSeek近期引发的热潮时指出，“DeepSeek最近发布的R1模型的重要价值在于它成功地再现了OpenAI的深度推理能力，并且通过开源的方式发布了相对详细的介绍，为行业发展作出了重要贡献。” 这一举措不仅展示了DeepSeek在技术上的突破，还体现了其开放合作的态度。通过开源模型，DeepSeek让更多的开发者和研究者能够参与到这个领域的探索中来，共同推动人工智能技术的发展。这种开放性和透明度对于整个行业的进步具有积极意义，有助于构建更加健康的技术生态。
刘知远指出，由于OpenAI并未公开其具体实现细节，这就好比引爆了一颗原子弹，但却没有分享制造它的方法。DeepSeek可能是第一个利用纯强化学习技术重现OpenAI模型能力的团队，并且他们还将这一成果进行了开源共享。 这种做法无疑为学术界和工业界带来了巨大的推动力，使得更多的人能够参与到这一前沿科技的研究与应用中来。通过开源，不仅可以加速技术的发展和迭代，还能促进全球范围内对于人工智能伦理和安全问题的讨论，从而确保技术进步的同时，社会各层面都能得到积极的影响。
刘知远指出，DeepSeekR1的训练流程展现了两大重要创新：首先，它通过规则驱动的方式成功实施了大规模强化学习；其次，它通过结合深度推理数据与通用数据进行微调，显著提升了模型在不同任务中的推理能力。这种创新让DeepSeekR1达到了与OpenAIo1相当的推理水平。 这一进展不仅展示了人工智能技术在推理能力上的新突破，也表明了通过特定的数据混合策略可以有效提升模型的泛化能力。这为未来的人工智能研究提供了新的思路和方向，特别是在如何使机器更好地理解和处理复杂任务方面，具有重要意义。
首先，DeepSeek R1 创造性地基于 DeepSeek V3 基座模型，通过大规模强化学习技术，得到了一个纯粹通过强化学习增强的强推理模型，即 DeepSeek-R1-Zero，这具有非常重要的价值，因为在历史上几乎没有团队能够成功地将强化学习技术很好地应用于大规模模型上，并实现大规模训练。DeepSeek 能够实现大规模强化学习的一个重要技术特点是其采用了基于规则（rule-based）的方法，确保强化学习可以规模化，并实现面向强化学习的扩展（Scaling），这是它的第一个贡献。
其次，DeepSeek R1 的第二个重要贡献在于其强化学习技术不仅局限于数学、算法代码等容易提供奖励信号的领域，还能创造性地将强化学习带来的强推理能力泛化到其他领域。这也是用户在实际使用 DeepSeek R1 进行写作等任务时，能够感受到其强大的深度思考能力的原因。
刘知远指出，“这种泛化能力的实现分为两个步骤：首先，利用DeepSeekV3基础模型，通过提高推理过程的可读性，生成了融合深度推理能力的SFT（监督精调）数据。这类数据结合了深度推理能力和常规通用SFT数据，用于对大模型进行微调；随后，再经过强化学习训练，最终得到具备出色泛化能力的强推理模型，即DeepSeekR1。”
在他看来，DeepSeekR1之所以能够获得全球性的成功，与其在OpenAI于发布o1之后选择了不开放源代码，并且对深度思考过程保密，同时还采取了较高的收费策略有关。这导致o1无法在全球范围内让更多人享受到深度思考带来的震撼。相比之下，DeepSeekR1则像2023年初的OpenAI ChatGPT一样，使所有人都能真正体验到这种震撼，这也是DeepSeekR1能够脱颖而出的重要原因。 从这个角度来看，DeepSeekR1的成功在于它更加开放和亲民的策略，让更多人可以接触并使用这项技术。这也反映出用户更倾向于那些能够让先进技术普惠化的产品和服务。