当前的大规模模型逐渐具备了“自我思考”的能力，可以提供更加合理的解答，这种能力使得它们被称为推理模型。例如，面对一个简单的数学问题：“如果一列火车以 60 英里每小时的速度行驶，行驶 3 小时后，它会走多远？”DeepSeek R1 和其他通用多模态大模型如 GPT-4o 都能给出正确答案，但 DeepSeek R1 更进一步，它不仅能够拆解问题、进行多步推理，还能在复杂情境下进行自我调整，这是其独特之处，也是科技界对其高度关注的原因之一。
DeepSeek R1 的核心技术创新
从技术角度探讨，DeepSeek R1 的“思考”与“推理”能力主要源于纯强化学习（Reinforcement Learning，RL）技术。值得注意的是，DeepSeek R1 的前身 DeepSeek-R1-Zero 在训练过程中完全依赖于强化学习，而未经历监督微调（SFT）阶段。DeepSeek 团队采用两种奖励机制来指导模型的学习过程：一是准确性奖励，通过 LeetCode 编译器验证编码答案，并使用确定性系统评估数学响应；二是格式奖励，确保响应遵循预期的格式，比如将推理步骤放入标签中。这种训练方式使得模型即使未经明确训练，也能发展出基本的推理技能。
从 R1-Zero 到 R1：进化之路
基于 DeepSeek-R1-Zero 的成功经验，团队引入了额外的 SFT 阶段并结合 RL 进行微调，从而使模型的推理能力得到了显著提升，最终形成了现在的 DeepSeek R1。DeepSeek 团队认为，这种方式代表了一种全新的 AI 训练范式，可能会推动 AI 领域的重大变革。然而，也有观点指出，DeepSeek 的进展更多体现在工程实践上，而非科学创新。例如，谷歌 DeepMind CEO Demis Hassabis 表示，尽管 DeepSeek 的模型令人印象深刻，但它并未带来新的科学突破，而是基于现有技术的进步。
关于 DeepSeek 的争议与未来展望
DeepSeek R1 的推出引发了广泛的讨论，特别是在其推理能力是否真正颠覆了认知方面。一些专家认为，DeepSeek R1 的出现标志着 AI 训练模式的转变，而另一些则持保留态度，认为这只是技术上的改进。此外，随着 AI 模型能力的不断提升，如何平衡模型的基建化与产品化，以及如何重塑人类职业价值，成为了亟待解决的问题。强化学习在推理能力上的瓶颈和计算成本的挑战也需要进一步探讨。
专家观点碰撞：AI 技术与开发者的新时代
为了深入探讨这些问题，CSDN《万有引力》栏目特别策划了“DeepSeek 暨 AI 进化论十日谈”的第八期活动，邀请了上海人工智能实验室青年科学家崔淦渠、中国石油大学（北京）副教授吕仲琪以及 CSDN &《新程序员》执行总编唐小引，就“DeepSeek 对 AI 技术及开发者的刷新十问”展开了一场深度对话。三位嘉宾从技术创新、模型发展路径、职业价值重塑等多个维度进行了深入交流，为观众带来了丰富的见解和思考。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
