20250416 DeepSeek洞察与大模型应用：人工智能技术发展与应用实践.pptxVIP

DeepSeek洞察与大模型应用

人工智能技术发展与应用实践

联通数据智能有限公司

史树明

2025年;;DeepSeek公司概况;DeepSeek-V3;DeepSeek-R1;-5-;DeepSeek模型效果(2/2);

V3vs.R1：R1在普通的中文和英文任务上性能小幅领先，在数学和代码等需要深度推理的场景下明显胜出

R1蒸馏版vs.R1满血版：在数学、代码等场景下的性能有明显差距，蒸馏版参数量越小，与满血版差距越大

R1蒸馏版vs.V3满血版：140亿以上参数的R1蒸馏版的深度推理效果显著强于V3满血版；低参数量R1蒸馏版能力落后于V3;;

DS作为一款现象级应用，对全社会开展了一次人工智能科普再教育，DSC端应用人人装，人人感受人工智能，政府、企业管理者认识到人工智能战略意义，由探索尝试，升级为战略布局，市场进入爆发期;

DS开源策略全面冲击基础模型商业模式，将大厂在C端、B端过去一年构建的技术优势拉回同一起跑线

，市场竞争从一阶段比拼模型能力，进入比拼应用、数据、工程化交付能力的第二阶段;;中美在AI领域的对比：人才与技术;中美在AI领域的对比：企业

中美头部高科技企业的市值差距非常显著

我国AI独角兽的数量和估值落后于美国

头部高科技企业

美国7大科技公司市值：均在万亿美元以上，合计约18万亿美元

中国7大科技公司市值：第一名5600亿美元，合计约1.4万亿美元

AI独角兽;中美在AI领域的对比：GPU芯片;;;;国内主流大模型;国内外主流大模型工具/应用;;;;;;大模型赋能船舶设计;大模型赋能国产大飞机装备运维;大模型赋能文博文创;

DS优势在6000亿级语言大模型，在R1版惊艳的推理效果，在应用侧落地仍需要多模型组合、多外挂工具，以及大量工程化配合;;;

什么是大模型的幻觉？

生成式语言模型在生成文本或者回答问题时，产生与事实不符或者逻辑错误的内容，即“一本正经地胡说八道”

示例1：一篇根本不存在的参考文献（右图）

大模型幻觉产生的原因

目前的大模型结构和训练机制：基于概率的生成模型，本质上没有理解自己所学习的内容

缺乏对真实世界的有效建模方式和全息感知能力

训练数据的局限性：数据质量、重要数据的缺失、不同类型数据的比例

如何应对（用户角度）

建议1：建立“大模型结果不一定可信”的认知，根据自己的需要，对于模型的输出进行不同层次的验证（享受便利，控制风险）

建议2：通过大量使用而加深对一款大模型能力边界的理解：知道什么情况下模型输出更可靠，什么情况下更容易出现幻觉;

模型训练：算力消耗大

大模型庞大的参数量：通常包含数十亿到数千亿个参数

训练数据：通常包含数万亿到十几万亿token

训练时间：通常几个月

模型推理：算力消耗大，实时性差，支持的并发低

大模型庞大的参数量：通常包含数十亿到数千亿个参数

当前神经网络推理方式的特点：大量的矩阵乘法操作

Transformer推理阶段的“按token依次输出”机制：生成每个token的算力和时间消耗*token数

用户可感知的结果：DeepSeek投入大量算力提供服务，仍然频繁出现“服务器繁忙”；硅基流动等部署DeepSeek模型服务的第三方厂商亦无法有效承接流量

建议3：学会接受大模型的输出速度，效果越好的模型，速度可能越慢;认识大模型的局限性：知识实时更新能力差;认识大模型的局限性：偏见、隐私与安全

偏见

大模型的输出结果可能包含性别、种族、年龄、价值观、文化等偏见

核心原因：训练数据中包含了偏见信息（比如西方的数据中反映西方价值观的信息占比更大）

隐私与安全

难以避免生成有害内容：可能会输出虚假信息、脏黄反信息、宣扬暴力和仇恨的内容等

安全评估与防范难度大：大模型结构复杂、参数量众多、可解释性差

，给安全评估和防范带来了挑战

易受到有毒数据的攻击：多项研究表明，少量的有毒数据就可以显著提高模型输出错误或有害内容的可能性

建议5：问大模型的问题不要涉及政治敏感、黄赌毒、暴力、歧视等（有法律风险和被封禁的风险）

建议6：问大模型的问题中不要包含国家机密或者机构的商业秘密（有信息泄露风险和法律风险）;认识大模型的优势和特色;谢谢！