DeepSeek横空出世,以低成本、高性能、强开源的三重属性颠覆大模型产业链的传统逻辑,为我们提出了发展AI技术的另一个解法——并非一味地追求算力膨胀。各行各业都在讨论和积极尝试DeepSeek,用户对于智能化的认知与实践正经历着新一轮的深刻变化,这些变化也影响着用户的AI规划和落地路径。

一、全面拥抱DeepSeek,建设AI的共识空前一致

各行业用户进行AI建设之前,往往要进行大量战略对齐工作,而在DeepSeek R1火爆之后,用户建设AI的共识达到空前一致,原本因技术不确定性而存在的观望态度迅速消解,取而代之的是对AI建设的战略聚焦。

资源的重新配置体现为研发预算的倾斜、跨部门协作机制的建立,以及对长期技术投入的容忍度提升。这种自上而下的共识推动AI项目从边缘试点向核心业务渗透,形成了一种“技术驱动战略”的新型决策逻辑。

二、DeepSeek重塑用户AI建设路线图

一个典型的AI建设整体路线图,包括8个关键步骤,才能实现AI项目的全面落地与持续运营。

(一)把DeepSeek提升为战略级目标

目标应与用户的战略紧密相连,确保AI的建设为实现整体战略目标服务。用户在建设AI时,经营目标、运营目标和部署目标相互依存,形成一个完整的目标体系。用户在部署大模型时需要清晰地识别其适用场景与局限,不能一刀切,而应制定合理和差异化的目标。因此,了解何时适合采用AI、何时避免使用AI,以及针对特定场景选择何种AI技术至关重要。

DeepSeek大模型的突破性进展,抬高了大模型能力天花板,AI适用场景进一步扩大。它能够模拟人类专家级的逻辑推演过程,展现出极高的逻辑严密性,其核心在于将传统AI的“规则响应”升级为“认知推演”,这使得AI能够处理非结构化信息交织的模糊性场景。

当这种接近人类高阶思维的能力注入业务场景,能力的质变直接打破了“AI仅适用于标准化场景”的固有认知,推动应用边界向战略规划、创新设计等高阶领域延伸。

(二)评估现状,了解AI的落地成熟度

在明确了DeepSeek的战略目标之后,我们需要了解用户自身所处的阶段,发现薄弱环节,并为下一步的建设方向提供指导。我们主要从4个方面来评估现状。

1、战略与场景

要确保用户内部已达成目标的对齐,同时需要优先选择符合战略目标,并且具备可行性的场景进行实施。

2、数据就绪度

AI项目的成功,一定是数据驱动的。无论是传统AI还是生成式AI,高质量的数据是AI模型项目的基础。但对于生成式AI来说,更重要的一点是数据的规模和多样性。比如DeepSeek R1模型能力强,一方面原因是算法创新,如MLA、强化学习等,更重要是数据质量高、场景覆盖广。另外,想要长久保持AI模型的高质量服务,还需要不断采集数据、反馈数据,对模型进行迭代更新。

3、AI项目的落地实施,离不开团队

需要具备理解业务并转化为项目的核心架构,以及一些工程化的角色,如数据标注、清洗、模型训练和调参、工程优化等角色。DeepSeek的优异性能,让越来越多中小企业可以直接应用,进一步降低了工程化团队的要求,也会使得AI项目落地更加容易。

4、资源就绪度

指的是AI算力,包括计算、存储、网络等,以及为了实施项目所需要的一些基础框架、开发工具等,目的是提供对AI全生命周期的支撑。随着DeepSeek的规模化应用,AI行业重心从训练转向推理,未来推理算力的消耗和供给将会极大增加,推理算力占比将从30%提升到70%,用户在算力选择方面也会更加便利。

如何选择AI应用场景,归根结底都是围绕降本增效、提升体验和模式创新三个方面来展开的,这些也是各行业智能化转型的终极目标。

(三)选择DeepSeek应用场景

首先关注战略匹配度,看是否符合这三个方面的目标,其次是技术支撑,重点考虑是否是生成式AI的应用场景,以及通过哪些技术路径来支持场景落地。

另外就是数据和AI基础设施:数据层面,需要具备精标注数据、反馈数据,以及垂类语料(无标注数据)条件;算力方面提供AI计算支撑;基础大模型方面,这是应用AI的最基础条件,用户需要考虑大模型的开源/闭源路线。目前开源路线已得到极大发展,尤其是DeepSeek生态已快速形成并在规模化扩张,芯片厂商、云厂商、软件厂商都在主动接入或适配,未来将会持续扩张。拥抱DeepSeek是一种更高性价比的选择。

(四)初步评估可行性

选定场景后,我们需要对某个特定场景进行初步可行性判断,这个判断需要业务、技术和工程角色共同参与评估。

业务如何判断呢?DeepSeek的优异性能和获得的便利性,让我们可以随时进行场景验证。例如,业务方是合同审核部门,场景是审核合同里的关键内容是否缺失,那么可以基于DeepSeek进行初步验证,输入一段合同文本,输出就是几个关键字段和它的值,而目标就是提取这些信息,并且内容没有丢失。这是没有任何技术和工程参与优化的结果。这个工作业务团队是完全可以胜任的,如果让技术部门来判断,可能会存在业务知识缺少的情况,无法准确判断业务场景的可行性。

技术部门则重点关注基础模型本身的能力,也就是大模型在预训练阶段基本定型的,主要包括它在预训练阶段用的知识、采用了哪些语言、有没有用一些带有逻辑推理的语料。在这些方面,DeepSeek模型也表现出极为出色的能力,尤其是671B满血版,经历了SFT冷启动、COT数据、GRPO强化学习算法及全场景强化学习等多个创新点,模型已具备高效及强大的思考能力。

最后是工程角度,在DeepSeek出现之前,使用大模型需要掌握一些Prompt(提示词)优化技巧,有时还需要结合few shot(示例),以及思维链等方式,来激发大模型本身的能力。而DeepSeek本身已经表现出了以接近人类专家的水平的思考过程,这就极大降低了Prompt设计工作的复杂程度。

各行业用户内部,知识问答的需求将会爆发式增长,因为接入DeepSeek来实现企业RAG(检索增强)生成这种方式,整体的工程化落地难度也大大降低,越来越多用户会开始建设知识问答应用,以服务内部或外部客户。

同样的,DeepSeek本身对语言理解能力以及对指令的遵循能力变得更好,所以进行大模型SFT(Supervised Fine-Tun-ing)微调甚至进行二次预训练,这种场景将会大幅减少,对其工程化团队的要求将大幅降低。

(五)准备DeepSeek落地所需资源

在确定初步可行之后,即可开始准备大模型落地所需资源。主要从4个方面准备:与建设场景相匹配的数据、算力、开发工具和团队。

1、准备数据

根据选择场景的不同,需要准备的数据也会有很大不同:

RAG场景:文档预处理(如文档格式转换等)、文档解析(PDF识别,版式识别)、OCR(图像转文字)、文档切分(切分为小的片段)、数据增强(提取QA、生成摘要)。

大模型微调场景:对于少数具备较强AI技术能力的团队,在微调场景需要准备:精标注QA数据(问答对形式)、准备指令数据(如人设遵循、输出格式要求等)。需要确保数据准确性(例如做过滤低质量,去掉重复数据等)、数据多样性(要能够覆盖各种真实应用场景)、数据一致性(数据不冲突)、数据增强(生成QA、摘要)等。

二次预训练场景:这种需求只有在某个垂类领域的头部企业才会选择,包括:专业领域的语料(如金融、医疗等专业术语,这些领域使用语境等)。需要确保数据多样性(如覆盖场景种类足够多)、数据规模足够大(一般要达到数十亿级token以上)、一定的配比数据(增加通用领域数据做二次预训练,如1:1配置)、数据处理能力(去除重复数据、低质量数据、隐私数据、不合规数据等)。

2、准备算力

在大模型建设中,算力的多少决定了训练速度、效率和模型表现,是推动模型快速落地的关键资源。那么要准备多大的算力才能满足实际应用需求?这里有一些经验,可以用于快速进行算力数量估算(此处仅考虑GPU算力)。

对于训练场景,全参微调所需的总显存一般为模型参数量(以B-十亿为单位)的20倍,例如70亿(7B)参数大模型,至少需要140G显存,按照单卡80G显存,则对应的GPU卡至少需要2张。而130亿(13B)参数大模型,至少需要260G显存,按照单卡80G显存,则对应的GPU卡至少需要4张。

3、准备工具

基础大模型的选择,往往决定了应用效果的基线。对于大多数用户来说,首选是DeepSeek R1系列蒸馏模型,在同等参数量下,相比其它开源大模型,它能够取得更好的效果。而在6个蒸馏模型中,32B参数量大模型能够在效果和落地成本方面取得较好的平衡,可以作为应用首选。

如果是为了解决特定场景下的应用目标问题,则需要AI应用开发工具,例如开发一个RAG应用、Agent智能体应用等,需要评估应用开发工具对场景效果的支撑。

在模型微调和部署工具选择上,基于长远考虑,首先关注对资源的利用率和整体性价比,其次需要考虑工具的完整性、兼容性、易用性、可靠性、以及安全性 。例如,在性价比方面,在相同的基础大模型条件下,平台对于算力资源消耗和模型服务性能如何;使用时学习门槛是否足够低,操作是否足够简便,过程是否自动化等。

4、搭建团队

大模型项目更依赖于数据驱动的效果调优、模型微调和二次预训练等技术,而传统系统更关注业务流程的实现与系统的长期稳定性。用户在推动大模型项目落地时,应根据首先落地的场景,来做差异化的团队配置。

例如,初期只选择内部流程自动化场景,只需要做Prompt优化和系统对接就可以,所以在AI团队上重点配置提示词优化工程师、工程开发工程师;而在RAG应用场景,就需要文档数据预处理、检索优化等工程师。

(六)分阶段实施

阶段一:场景为王&运营提效

场景为王,指的是选择最简单、最容易做出效果的场景去建设。当前,基于DeepSeek模型的RAG应用正成为各行业智能化转型的关键突破口。DeepSeek推动大模型技术逐步走向产业化规模化落地,用户亟需找到投入产出比高、见效快的AI应用场景。RAG技术凭借其“知识检索+智能生成”的双重能力,正成为用户构建智能系统的首选方案。

对于希望快速实现AI价值的用户,建议优先选择知识密集度高、流程标准化强的场景切入,例如技术文档问答或产品知识库建设。通过小步快跑的方式,用户可在3个月内看到明显的效率提升,为后续更复杂的AI应用奠定基础。在实施过程中,要特别注意建立知识更新闭环,持续优化检索策略和生成质量,最终形成具有特色的智能知识中枢。

相较于其它通用大模型,DeepSeek模型在构建企业RAG(检索增强生成)应用中的优势不仅体现在成本降低和技术性能提升,更能通过开源生态为用户提供从基础应用到深度智能的全链路支持。

例如推理成本降低,DeepSeek在复杂推理任务(如金融研报生成)中实现了70%的成本降低。其蒸馏模型(如DeepSeek-R1)在更小规模下仍能保持高性能,减少了对高端计算资源的依赖;

长思维链与自我验证,通过强化学习和模型蒸馏技术,DeepSeek能在小参数模型中实现长推理链与自我验证,满足用户对复杂场景的高准确率要求;

开源商用授权,DeepSeek模型提供开源商用授权政策,用户可免费用于微调、量化及衍生开发,降低技术门槛和法律风险。

以知识库检索问答(RAG)方案为例,用户正将AI应用从单点工具升级为全域知识中枢。某处于装备制造产业链下游的传统型企业,需要对接上千家上游元器件供应商。企业有数百名产品设计人员,主要工作是结合工艺参数的需求,进行物料选型,再给后续环节使用。

物料总计有3000余个,对应1万多份物料技术规范书文档。员工通过手动整理参数表格并结合人工核对来完成物料筛选,完成一个场景的物料选型往往需要数天时间,严重影响生产效率。当Deepseek出现后,用户可以通过对话的方式,让大模型准确回答其所需要的物料,使得整个过程缩短到分钟级,准确率达到90%以上。用户借助该能力中枢,正尝试对多个内部业务系统进行智能提效,如应用于研发、生产、供应链、销售、售后服务系统等,大幅提升效率和竞争力。

另外需要注意的是,在企业级RAG应用上线后,需同步进行运营提效工作,持续收集场景反馈数据,对落地场景效果持续优化,才能在初始落地阶段产生明显价值。

阶段二:场景扩展

基于第一阶段的成功,用户要深入到核心业务场景去解决复杂的场景问题,发挥AI的价值,从辅助性角色变成核心角色。例如销售机器人、个性化服务机器人、运维机器人等。这个阶段的特点是复杂度更高,往往不是单靠大模型能完成的,需要借助小模型、智能体等来协作完成。

阶段三:持续优化

不管是什么样的AI模型,部署后,其固有知识相对不会变化,但业务场景不是一成不变的,如果不持续优化模型,它的效果会持续衰减。另外,随着落地的场景越来越多,并发量越来越大,它所消耗的资源也成倍增加,如果不对它的底层资源进行优化,后续将有非常大的成本支出。

综上,我们可以通过不断采集、反馈、优化,形成数据闭环,来持续对场景做提效。构建数据反馈闭环是确保企业大模型适应业务变化的基础,优化后的模型重新部署到业务场景中,继续收集新的数据,形成持续反馈的闭环。这不仅让模型适应业务的变化,还能不断提高其在核心场景中的应用效果。

阶段四:赋能核心业务

这是AI落地的终极目标,AI大量融入到关键业务链条中,深入核心业务,比如制造业的研产供销服等环节。未来,用户的AI建设不断深入,将会覆盖到全部链条,例如——

在研发板块,可以充分利用大模型的理解以及调用外部工具、生成代码的能力,辅助进行产品工艺设计和参数选择;

在生产板块,可以通过语音自然语言交互,对机器人进行操作;

在销售板块,大模型结合数字人,能够为用户提供更好的体验和服务响应;

在设备运维方面,能够及时给出设备故障的维修方案;

在运营方面,通过大模型提供个性化的数据分析和运营报告。

……

(七)评估

对大模型项目建设评估不仅是对一次项目执行结果的评估,更是对阶段性工作的评估,包括但不仅限于项目业务价值、用户体验、成本效益、模型性能与合规性、安全性等多个维度的综合评估。通过建立持续的监控与反馈机制,优化运营成本,分析模型的扩展潜力,并结合未来发展战略,用户可进一步确保大模型项目的成功和长期价值。

(八)持续运营

只有坚持长期在数据和场景方面的运营深耕,才有助于构建持续竞争优势,这个过程可重点关注数据飞轮持续化和场景运营精细化。

1、数据飞轮持续化:

整合多源数据(销售、客服、供应链……),统一数据质量标准,设置专门的数据治理团队;

设置模型效果评估标准(基于标准测试集和基于业务反馈结果);

收集线上/线下反馈数据;

关键指标监控(性能指标、业务指标,如转化率、复购率);

明确实施微调优化的准入标准;

通过持续的数据积累、数据反馈闭环,推动模型的不断优化和迭代。

2、场景运营精细化:

一把手牵头,发动各个业务部门梳理业务场景,细化到最小粒度场景;

对全量场景做价值度评估,排优先级;

建立业务部门和AI团队的场景对接机制,明确场景提出-评估-立项/关闭-建设-评估-运营的整个闭环;

建立效果评估机制,对用户反馈做闭环跟踪;

挖掘新场景,鼓励内部做业务场景与AI结合的创新。

在这场由DeepSeek引发的智能化浪潮中,各行业用户的数字化转型路径都在发生变化,深信服将在这场变革中,助力用户更顺利地实现AI+云化升级。