DeepSeek的最近市场震惊的人工智能突破强调了中国和美国的对比技术创新策略，促使许多萌芽行业的许多人重新评估他们对竞争和进步的假设。

中国的技术策略长期以来一直由一种不懈的迭代文化定义。与西方不同，在西方地区，研究突破通常受到专利，专有方法和竞争性保密的保护，中国在完善和改善思想方面表现出色通过集体创新.

这种快速迭代的能力使中国能够采用现有技术并将其推向最佳形式，从而使它们更有效，成本效益且易于访问。 DeepSeek的R1模型是几乎和Openai最好的有效，尽管使用和训练便宜，但训练便宜，但表明了这种心态如何可取得丰厚的回报。

西方科技文化对复制他人的作品的想法感到遗憾，从而导致不愿使用可证明的成功策略，以免出现非原始人。必须重新发明解决方案的每个部分具有减慢项目降低的不可避免的效果。

中国与美国在研发方面的根本差异之一是保密的方法。尽管美国公司和研究机构倾向于在孤岛中运作以保护竞争优势，但中国促进了一个更开放的协作环境。这种文化使研究人员和工程师能够在彼此的工作基础上加速技术进步。

创造力在限制下蓬勃发展，这是经常证实的事实。在这种情况下，旨在阻碍进步的限制因AI在西方取得的稳定进步之前弹射了研究人员。中国面临着重大障碍，特别是由于制裁限制了获得高性能硬件和软件的访问。

缺乏尖端的基础设施迫使中国公司开发替代方法，使其创新更加资源效率和易于使用。这导致了DeepSeek发射的惊喜，这挑战了世界对AI进步的信念。

另一个爆发时刻？

DeepSeek R1体现了这种迭代方法的优势。与通常依靠专有数据和高端基础设施的西方同行不同，DeepSeek的设计有效率。 DeepSeek经过了主要的大型语言模型或LLM，例如Chatgpt和Llama的培训，是一种更轻巧，更具成本效益的替代方案。

DeepSeek将较大模型的推理能力包装成一个较小，更高效的系统。想想它就像以身式学习一样 - 而不是依靠大量的数据中心或原始计算能力，DeepSeek模仿了专家在天体物理学，莎士比亚和Python编码等领域所能给出的答案，但以更轻松的方式。而且这两种模型通常都对相同的查询给出了类似的答案。

DeepSeek的成功来自中国基于现有工作的心态，而不是孤立地工作。这种方法减少了发展时间和成本，尽管制裁了制裁，帮助中国在AI中保持竞争力。必须在没有顶级硬件的情况下工作也促使开发人员发挥创造力，找到聪明的方法来充分利用可用的东西。

虽然DeepSeek并不是最强大的AI模型，但它比我们迄今为止所看到的更容易访问。在许多方面，它回想起1980年代家用计算机的出现。

当时，IBM大型机主导了计算行业，提供了巨大的功率，但可访问性有限。家用计算机虽然强大，但通过使群众提供的计算彻底改变了计算。像IBM这样的公司依靠其优质资源以获得竞争优势，不得不反复旋转并适应其在不断发展的市场中的相关性。

同样，DeepSeek可能尚不符合某些西方竞争对手的原始能力，但是其可及性和成本效益可以将其定位为AI民主化的关键力量。

就像家庭计算机行业的快速迭代和改进一样，诸如DeepSeek之类的模型的进化速度可能会超过孤立的模型开发。通过拥抱权力下放和集体创新，中国为持续的AI进步，甚至在资源限制的情况下做好了准备。

集中化与权力下放

那么西方世界如何竞争呢？随着分散的AI开发。

面对越来越具有成本效益的替代方案，拟人化，Deepmind，OpenAI和Google在维持技术领导方面面临着巨大的挑战。如果您不能单独击败他们，那么也许是时候联手了，即使这与竞争性资本主义的精神背道而驰。

美国在AI发展中落后于中国的关键原因之一是集中研究工作。尽管这可以带来更强的控制和专有优势，但它也将创新限制在单个实体的资源上 - 无论是政府机构，技术巨头还​​是研究实验室。

最近成立了分散的AI协会（DAIS），以促进AI的合作，以分散治理。戴斯（Dais）经常强调集中化的风险，特别是关于它如何将权力集中在几只手中。

现在，我们看到了完全不同的集中化危险：它可以通过限制我们建立集体知识的能力来阻碍进步。权力下放的力量在于使许多贡献者能够完善并迭代现有工作。权力下放使创新变得复杂，从而使技术进步更快，更强的技术进步，而不是多个实体复制孤立的孤岛。

人工智能发展还有很长的路要走。与真正的人工通用智能（可以通过逻辑推理和推断）不同，当今的LLMS通过预测顺序中最有可能的下一个单词来发挥作用。这意味着他们缺乏基本的逻辑推理能力，无法根据物理定律等实际原则来验证其答案。

在电报对话中，其中包括基于伊丽莎的代理商，我要求GitHub访问存储库，代理人立即以“访问权限！让我们开始工作！”但是该代理没有GitHub帐户，更不用说能够授予我访问权限的管理访问权限了。当AI对所讨论的主题缺乏真正的理解时，这是典型的行为。

LLM受其性质的限制 - 例如，他们无法验证其对物理定律或任何严重的法律和规则制度的结论。 LLM提供广义知识，是受幻觉的约束根据它们的本质。他们可以在对话中预测下一个单词，但是他们没有上下文来验证答案的含义。

这些限制强调了一个事实，尽管AI已经走了很长一段路，但在达到真正的智力之前，它仍然有很大的增长空间。如果没有空间中的主要建筑商的公开合作，到达那里可能是一个特别漫长而昂贵的过程。

随着AI的不断发展，DeepSeek的教训表明，促进开放，迭代和分散的创新可能是未来突破的关键。协作意味着与其他并非每个人都喜欢的创新者分享信贷。这并不总是赢得胜利的最大球员，有时是那些愿意做不同的事情的人。

编辑安德鲁·海沃德（Andrew Hayward）