从专业角度谈谈deepseek以及相关的投资机会

看到论坛上某些朋友发布的关于deepseek的言论和质疑，对其有很大的误解。我觉得有必要从技术角度来谈谈，本人是985学校计算机专业的博士，专业性还是有保障的。
首先deepseek很开放，不但公开了大模型的参数，而且从去年至今已经发布了相关论文8篇，很多研究机构根据这些论文已经复现了deepseek的算法，满足了论文的可重复性与可验证性要求，所以论文的可靠性也是有保障的。
deepseek最重要的论文有三篇：
一是提出了DeepSeek-LLM，论文名为：以长期主义推动开源语言模型扩展（LLM Scaling Open-Source Language Models with Longtermism）。论文提出了社区驱动的开源治理框架和多任务优化方法，提出了DeepSeek chat并为它将来的长期开源发展提供理论支撑。
二是提出了DeepSeek-V3，论文名字：高效的混合专家模型（ A Strong Mixture-of-Experts Language Model），这是去年12月发布的，提出了一种高效的混合专家模型，通过仅激活少量参数，在性能和计算成本之间实现了优化平衡，这是一个划时代的突破。
三是提出了DeepSeek-R1：论文名字：通过强化学习提升大型语言模型的推理能力（Incentivizing Reasoning Capability in LLMs via Reinforcement Learning）。这篇由郭达雅博士作为一作的论文在世界范围引发了轰动效应。因为不到一个月，通过这篇论文的工作把deepseek从chatgpt 4.0的水平提升到了chatgpt o1的水平,训练过程消耗了2.8M H800 GPU 小时，总成本约 $5.58M，成本是其它大模型的几十分之一。这篇论文的最大贡献是通过强化学习的方法（提出了GRPO算法），用较低的成本把deepseek有关逻辑方面的数学和代码编写能力提升到了当前世界最高水平。这证明了无须提供人工打标签的监督训练数据，大模型通过纯强化学习也能达到极高智能，一方面这降低了训练成本，另一方面为将来机器人的自我进化提供了理论依据（说到这里我觉得有些不寒而栗....）。

deepseek之所以引起轰动，主要是打破了两点垄断，一是打破了闭源模型的垄断，证明了开源路径才是最有利于技术发展的路径。二是打破了硬件垄断，证明大模型的发展并不是一定要大力出奇迹，通过拼命堆叠硬件资源来解决，而是通过算法优化可以同样快速进化（deepseek通过对transformer模型的KV数据低秩压缩和并行计算来极大降低硬件资源需求）。所以deepseek的胜利，是我们IT行业内难得的基础架构和算法方面的胜利，而不是以前我们经常做到的应用层面的胜利，在中国IT行业发展史上，也是有划时代的意义的。

对于今年的投资机会，我认为在机器人和AI上，今年还会有较好的趋势性机会，因为deepseek的创新不止于此，DeepSeek-R1只是在逻辑推理方面相对V3进步了很多，在其它方面后续必然还会有更多的迭代，会形成持续性的技术发展高潮。本人节前就买入了deepseek相关概念股浪潮集团，航锦科技，浙江东方。相信会有好的回报。