揭秘李飞飞团队成功还原DeepSeek R1：揭开神秘面纱
深度揭秘：李飞飞团队成功还原DeepSeek R1，科技解密之旅
《科创板日报》2月6日讯，今日一则关于人工智能领域的新闻引发了广泛关注。 在当前科技飞速发展的背景下，这则新闻不仅揭示了人工智能领域的新动态，也反映了该领域正在以前所未有的速度改变我们的生活与工作方式。随着技术的进步，人工智能的应用范围不断扩大，其对社会经济的影响也越来越深远。我们期待看到更多创新成果，同时也应关注技术发展带来的伦理和社会问题，确保科技进步能够惠及每一个人。
据报道，李飞飞等来自斯坦福大学和华盛顿大学的研究团队，仅耗费不到50美元的云计算成本，便成功开发出了一款名为s1的人工智能推理模型。
据说该模型在数学和编程技能测试中的表现可与OpenAI的O1以及DeepSeek的R1等顶级推理模型相媲美。
这一消息无疑在AI界投下了一颗重磅炸弹，真相究竟如何？
《科创板日报》记者在调查和采访相关业内人士后了解到，S1模型的训练并不是从零开始，而是依托于阿里云的通义千问（Qwen）模型进行了有监督的微调。
这意味着，S1模型的卓越“低成本”优势，依托于其背后的强大开源基础模型。
通义模型的“基座”作用
根据李飞飞等人的研究论文，s1模型的训练仅使用了1000个样本数据。按照业内共识，这一数据量在AI训练中确实显得非常有限，通常不足以训练出一个具备强大推理能力的模型。然而，这一成果也引发了对深度学习技术的新一轮讨论。尽管数据量较小，但该模型仍然展示了一定的推理能力，这表明在数据效率方面可能有新的突破空间。未来的研究或许可以在此基础上进一步探索如何更高效地利用有限的数据资源，从而推动人工智能技术的发展。
青年AI科学家、上海交通大学人工智能学院谢伟迪副教授告诉《科创板日报》记者，如果仔细研究斯坦福s1的论文会发现，s1模型的神奇是以通义千问模型为基座进行微调，这1000个样本训练的作用更像是“锦上添花”，而非“从零开始”。
国内某知名大模型公司CEO也向《科创板日报》记者表示：“从论文原文来看，所谓用50美元训练出新的具有推理能力的模型，实际上只是用从谷歌模型中提炼出来的1000个样本，然后对通义千问模型进行监督微调。这种微调的成本确实很低，但明显是站在既有领先模型的‘肩上’才能做到。”
斯坦福s1论文原文指出模型是在阿里通义千问模型基础上进行微调得到的。
谢伟迪指出，国内外其他团队也宣称以极低的成本训练出了具备推理能力的新模型。然而，一旦细读其论文，便会发现这些模型无一例外都是基于通义模型作为基础进行开发的。
多位国际人工智能研究者表示，许多所谓的“新”模型其实都是基于通义模型进行的开发和改进。
谢伟迪表示，“依托通义千问模型为基础，确实能够使用少量样本数据生成新的推理模型，但若换作其他基础模型，则无法提升新模型的能力。因此，真正具备强大功能的是Qwen模型，而非s1。”
低成本训练大模型有局限，但也是方向
虽然s1模型的低成本训练在一定程度上体现了AI训练的潜能，但其不足之处同样不可忽略。
首先，这种低成本训练方法依赖于现有的强大基座模型，例如阿里的通义千问模型。若缺乏这类成熟的基座模型支持，低成本训练的效果将会显著降低。在当前的技术环境下，构建一个能够与这些先进模型相媲美的基座模型不仅需要大量的资金投入，还需要长时间的数据积累和技术沉淀。这使得许多中小企业和个人开发者难以涉足这一领域。因此，如何在有限的资源下实现高效训练，依然是人工智能发展中的一大挑战。
其次，1000个样本的数据量通常不足以满足大部分训练需求，特别是面对那些复杂的任务时。
此外，低成本训练的成功不仅引发了对AI模型知识产权和伦理问题的广泛讨论，还促使我们思考未来的发展方向。随着越来越多的研究倾向于利用现有的基座模型进行微调，基座模型的开发者是否应当得到相应的回报成为一个亟待解决的问题。此外，如何确保AI技术的公平使用和共享，也是我们需要深入探讨的重要议题。 确保技术的公平性与透明度，对于维护科技行业的健康发展至关重要。一方面，我们应鼓励和支持基座模型的开发者，通过合理的授权机制给予他们应有的经济回报。另一方面，建立一套公正透明的使用规范，防止滥用和不正当竞争，才能促进整个行业的良性循环。这需要政策制定者、研究机构和企业共同努力，共同探索出一条可持续发展的道路。
尽管S1模型的低成本训练引发了一些争议，但其背后的研究思路无疑为AI领域开辟了新的思考路径。 这一创新性进展不仅展示了技术上的突破，也反映了人工智能研究正逐渐向更加高效、经济的方向发展。低成本训练的可能性意味着更多资源有限的研究机构和个人都有机会参与到尖端AI技术的研发中，这将极大地促进AI技术的普及与应用。同时，这也提醒我们，在追求技术创新的同时，成本控制同样重要，这可能成为未来AI研究的一个新趋势。
武汉人工智能学院的一位高级研究员在接受《科创板日报》采访时指出，在不牺牲模型表现的情况下，如何减少训练开销，是当前AI研究中的一个关键议题。
未来，随着技术的不断进步和算法的持续优化，未来确实有可能见证更多兼具低成本与高性能的AI模型的涌现。这些创新不仅有望降低人工智能技术的应用门槛，还能促进各行各业实现更广泛的智能化转型。我们可以期待，在不久的将来，无论是初创企业还是大型机构，都能更容易地利用这些先进的AI工具来提升效率和创新能力。这无疑将为数字经济的发展注入新的活力，同时也对技术伦理和社会责任提出更高的要求。 这样的发展趋势让人充满期待，但也提醒我们必须关注由此带来的各种挑战，包括但不限于数据安全、隐私保护以及就业市场的变化等。因此，在推动技术创新的同时，我们也需要同步构建相应的监管框架和社会支持体系，确保技术进步惠及所有人群，而不是加剧社会不平等。