《DeepSeek 零基础完全指南》 公众号“AI 跃迁派”出品 一、DeepSeek 全景认知 1.颠覆性定义：人人都能用的认知引擎 DeepSeek（深度求索）是中国首个全栈开源的大语言模型，由杭州深度求索人工智能 公司研发，定位为“认知智能引擎”。简单来说，它是一个能像人类一样思考、学习和解 决问题的超级 AI 工具。 核心能力： ⚫ 复杂推理：像学霸解数学题一样处理逻辑难题（R1 的探测器可自主分析火星地质，决策效率提升 1000 倍 宇宙语言库：构建跨物种沟通系统，为接触地外文明做准备 ③意识融合实验 ⚫ 记忆上传：临终患者可将人生经历转化为 AI 数字生命 ⚫ 伦理边界：立法禁止“完全意识复制”，保留人类独特性 七、未来演进展望 1.技术演进：突破物理法则的认知革命 DeepSeek 的技术迭代正以“摩尔定律平方”的速度推进，未来 5 年将实现三大突破： 生成内容 ③文明进化方向 ⚫ 星际探索：搭载 DeepSeek 的探测器自主分析外星土壤 ⚫ 意识延续：临终者将“思维印记”存入 AI 实现数字永生 ⚫ 伦理铁律：立法禁止“完全意识复制”，保留人类生物独特性 当我们在深夜与 DeepSeek 对话时，不仅是向机器提问，更是在与人类文明的未来对 谈——这场对话没有终点，因为每一次技术进步都在重新定义可能性的边界。

些在迈向自主智能化系统的过程中践行了其 中一项或多项的企业而言，初步成效已经显 现。我们将在后面的章节中详细阐述每一项 举措。 实现自主智能供应链 8 何为自主 智�供应链？ 供应链的完全自主化不单单指孤岛式的自 动化。传统的自动化系统遵循预设指令，且需要 人工监督。以普通汽车的定速巡航控制功能为 例，它能自动保持设定速度，但仍需人工干预转 向和刹车。 相较之下，自主化系统虽包含一定程度的自 行任务。例如，已在部分城市投入使用的全自动 驾驶汽车，具备自主驾驶能力，并能完全掌控车 辆，几乎不需要驾驶员介入。 8 实现自主智能供应链 实现自主智能供应链 9 The journey towards autonomy implies a true transformation along 4 maturity steps 25% 50% 75% 完全自主化 增强型决策 自动化 人工驱动 Autonomy 改进，从而提升整个组织的集体智慧。 实现自主智能供应链 10 自主化征程： 当下现状与未来十年 我们的调研显示，大多数企业才刚刚开始探 索和部署自主化能力。尽管约25%的受访企业已 开启自主化征程，但在从0（完全人工）到100% （完全自主）的指数体系中，供应链各项活动的自 主化成熟度中位数仅为16%（平均成熟度则为21%）。 预计在未来五到十年内，该成熟度中位数将大幅 提升至42%。 为了更深入地理解如何向更高自主化水平迈

[Honnibal 2016] 3. Attend 4. Predict 1. Embed 2. Encode • 将每个词或字映射为向 量 深度学习的应用：意 图识别 l 基于深度学习，完全数据驱动，无需特征工程 l 效果明显优于传统机器学习模型 l 在 20 多个领域下准确率可达 96% Softmax Attention 输入文本 - LSTM - LSTM LSTM ■ 深度学习的应用 ：实体抽 取 l 基于深度学习，完全数据驱 动，无需特征工程 l 方法通用，适用于多种领域 不同类型的实体抽取 l 效果明显好于传统方法 l 从非结构化的对话中挖掘结构化的知识 l 将知识进行沉淀和统一维护 l 目标 核心 价值 [Wu 2017] 候 选 回 复 用 户 问 题 上下文 结束语 . 提升智能助理产品的可靠性 . 深度学习与智能助理产品 . 智能助理产品的特点 目 录 完全用机器来理解人类语言仍面临诸 多挑战 模糊的 语义内容 复杂的 知识处理 个性化的表 达方式 歧义 上下文 复杂背景 个性化 错误 同义 明天飞北京，订两晚酒店，老习惯

形态。 在内容层面，基于神经网络技术的AIGC与素养发展具有天然相似的基因，企业可以发力C端小模 型从而引领行业发展；在技术层面，大模型分析+多模态交互+Agent规划+具身智能行动，AGI 完全体与教育场景深度适配；在福祉落地层面，教育各界需通力合作，努力克服机会、技能、资 源的三大鸿沟；在人机协作层面，人机关系进入新历程，人机共育，生命循环，互为滋养，人类 将与AI一起永无止境地学习、构建。 ，从而被学术界和市场普遍认可，同时人类教师可以从传统的知识传播者向学习 的陪伴者和价值观的引导者方向转变。然而对“AI完全替代人类教师”担忧之声也同时存在，当前AIGC价值观的非中立性、信息准 确性的不足、版权问题以及无法复制的人类情感和文化价值等问题使其难以独当一面，另外AI完全抢夺人类教师工作的可能性也会 引发教师就业的恐慌。正反两方面的讨论，说明AIGC对教师的支持应用需要慎重框定范畴，以确保其成为教育主体的助力而非障碍。 学术界更认可的“师-生-机”教学形态 学术界担忧的完全“机-生”教学形态 AIGC成为了教学主体的一部分，其功能在于： • 使大规模个性化因材施教成为可能 • 强化每个学生的学习主体性 • 帮助教师完成非创造性机械劳动 • 成为教师提升自身水平的培训渠道 • 丰富而快速的知识反馈弥补师资的参差 AIGC作为一种教育自动化的解决方案完全替代 教师成为唯一教学主体，是学术界担忧的方向：

Relations Worldwide）一直在衡量公众对机构 （包括大型商业平台）的信任程度。其在2020年的一项调查中发 现，大部分商业平台都不能站在公众利益的立场上考虑自身的发 展，难以获得公众的完全信任。而Web 3.0不是集中式的，不受单一 平台的控制，任何一种服务都有多家提供者。平台通过分布式协议 连接起来，用户可以以极小的成本从一个服务商转移到另一个服务 商。用户与建设者平权，不存在谁控制谁的问题，这是Web ”，这使得将元数据 （如规范化域名或接口描述）与以太坊地址相关联成为可能。与DNS 一样，ENS是一个层次结构的域名系统，不同层次域名之间以点作为 分隔符，我们把层次的名称叫作域，一个域的所有者能够完全控制 其子域。顶级域名（如“.eth”和“.test”）的所有者是一种名为 “注册中心”（Registrar）的智能合约，该合约内指定了控制子域 名分配的规则。任何人都可以按照这些规则，获得一个域名的所有 台。从功能上看，Steemit类似于博客，用户可以在上面发布自己的 内容，并对他人发布的内容进行评论和转发。不过，Steemit并不像 脸书、推特那样有中心化的运营者，也没有专门的审核人员，它的 运行完全依靠一套基于通证的激励系统自动维持（见图2.1）。 Steemit中的通证分为三类： STEEM。这是Steem公链的基础通证，可以进行公开交易，也可 以兑换为比特币、以太坊等加密货币。 Steem

Transformer ） ，是一种适用于自然语言交流的人工智能大模型， 它 成功的关键之一 ，是 Open AI 使用了海量数据进行预训练。 5 年间 ， GPT 的参数量已从亿级飙升至万亿级。 据不完全统计， 目前已发布 的国内大模型中： 参数量超过 10 亿的有 79 个， 其中， 参数量最高的达到 174 万亿。 GPT-4 四代 GPT 参数量变化 ChatGPT 成功关键之一：大参数 用 3 AI 大模型对汽车产业链的影 响 ChatGPT 与 AI 大模型 1 目录 2 级别 名称 定义 驾驶操作 环境感知 支援 系统作用域 0 无自动化 • 由驾驶者完全操控汽车 驾驶者 驾驶者 驾驶者 无 1 驾驶支援 • 系统有时能够辅助驾驶者完成方向盘和加减速 等驾驶操作 驾驶者与 系统 部分 行驶任务 2 部分自动化 • 系统能够完成某项驾驶任务 系统负责某些情况下环境感知 • 驾驶员需要时刻准备取回驾驶控制权 系统 系统 4 高度自动化 • 系统能够进行环境感知 • 驾驶员不需重新取得驾驶控制权 • 系统只能在特定环境条件下运行 系统 全部 行驶任务 5 完全自动化 • 系统能够完成所有环境条件下的所有驾驶任务 自动驾驶是过去 10 年最火热的赛道 ，但直到 2022 年才有部分企业推出具备 L3 级功能的车型。究其原因， 除法 规发展落后于产业发展外

”。这意味着家长不仅要帮助孩子获取 知识， 更要引导他们学会独立思考， 掌握高效的学习方法， 最终培养出适应未来的能力和韧性 。 家长如何转变角色？ 误区类型 具体表现案例 负面影响 解决策略 1. 过度放手 家长将数学辅导完全交给 DeepSeek ， 孩子连续 3 小时独立操 作 AI ， 期间未 进行任何互动交流 孩子陷入机械操作， 失去人际学习中的 思维碰撞机会， 解题逻辑停留在工具依 偏向 高质量作文反馈 准确性有所下降 面对高水平写作 ， A I 仍有待改进 实际应用 在辅助教学和形成性评估中具有实际应用价值 为实际教学中平衡效率与准确性提供了参考 局限性 在重大考试中难以完全取代人工评分 偶尔出现的不准确性， 需要人机结合 。 DeepSeek 批改作文到了哪种水平？ 如何用 DeepSeek 辅助孩子的语文学习？ 第三步 ： A I 通过引导和训练， 帮助孩子提升 DeepSeek ， 点深度思考 R1 仔细阅读深度思考过程， 帮助理清解题思 路 第二步： 第一步： 阅读理解提升 第三步： 如果完全不明白， 采用苏格拉底提问法 把复杂的问题拆分， 形成一个一个孩子能理解的小问题， 这 样写提示词 （这道题我完全不懂， 请你用苏格拉底提问的方式， 每次 只 提问一个问题， 等我正确回答， 再进行下一步的提问， 引导 我找到解题思路） 如何用 DeepSeek

新员工可能精通技术并采用新技术，但可能缺乏主题专业知识以及 6 获得最佳实践和专有技术的机会。终身员工拥有详细的流程知识， 并且在工作环境之外可能精通数字技术;然而，即使工具不断发展， 他们也难以完全采用新技术并利用它们来改变工作方式。  劳动力短缺是 60% 的供应链组织（例如消费品制造商）面临的最 大挑战。尽管如此，三分之一的供应链组织缺乏有效的员工价值主 张 （EVP），无法通过以人为本的工作设计来吸引、留住和聘用所 可以用 当前几代机器人来解决，哪些将从多功能中心设计中受益最大。  确定需要高度灵活性和适应性的流程，并专注于了解人力如何执行 这些任务，以了解多功能机器人需要支持的能力。  由于目前还没有完全有能力的多功能机器人，因此公司必须开发一 种结构化的方法，以便在未来几年内这些功能发展时进行有效的概 念验证 （POC）。 据【8】，目前，工业企业拥有近四百万台单功能机器人。它们已经解决了劳动力短缺问题， 司率先研发了名为“驱动单元”的仓库机器人。十年过去，亚马逊如今拥有超过 52 万 个机器人驱动单元。同样在 2022 年，该公司推出了 Proteus（见图 5），这是一款完全 自主的移动机器人，旨在安全地融入亚马逊员工工作的同一物理空间。Proteus 利用先 11 进的安全、感知和导航功能，完全自主地在仓库中移动。Proteus 是一款自主移动机器 人，可以在亚马逊配送中心拾取、运输和放下集装箱。该机器人设计用于在与人类工人

得益于纯大规模强化学习，DeepSeek-R1 具备强大推理能力与长文本思考能力，继开源来备受关注。 ➢ DeepSeek R1-Zero 和 R1的出现再次证明了强化学习的潜力所在： ➢ R1-Zero 从基础模型开始构建，完全依赖强化学习，而不使用人类专家标注的监督微调（SFT）； ➢ 随着训练步骤增加，模型逐渐展现出长文本推理及长链推理能力； ➢ 随着推理路径增长，模型表现出自我修复和启发式搜索的能力； 4 DeepSeek-R1 推导出输出，从而追踪模型的决策过程， 减少黑箱推理。 ➢ 同时，CoT 使监督者更容易检测模型是否遵循合理逻辑，并有助于 AI 对齐过程中对模型行为 的透明化处理。 ➢ 然而，CoT 并不能完全解决可解释性问题，因为模型仍可能利用 CoT 进行欺骗性推理，即In- Context Scheming。 ➢ CoT 生成的推理步骤是模型输出的一部分，并不能保证它反映了模型的真实内部计算过程。模 Language Models Example of Alignment Faking 未来技术方向展望: 形式化验证 ➢ 形式化验证起源于数学的形式化证明，例如 Lean ➢ 数学形式化的目的是提供一个完全客观和可验证的证明过程 ➢ 形式化具备消除模型幻觉的潜力，类似还有软件工程相关代码的形式化证明 ➢ 与此同时，安全价值的监管具有多元性: 人类的安全价值观具有多样性， 内建价值冲突 \ 单智能体系统下

.................. 13 图19： NVIDIA Turing GPU 体系结构中各种数据类型相对的张量运算吞吐量和带宽减少倍数 ........ 13 图20： 优化 AI 完全在终端侧高效运行 Stable Diffusion .......................................13 图21： 骁龙 8 Gen2 旗舰芯片组 15 秒出图 .. 有开发者展示了在搭载高通骁龙 865 的 8G RAM 索尼 Xperia 5 II 上运行 Stable Diffusion，生成一张分辨率 512x512 的图像需要 1 个小时。 图20：优化 AI 完全在终端侧高效运行 Stable Diffusion 图21：骁龙 8 Gen2 旗舰芯片组 15 秒出图 资料来源：Apple，国信证券经济研究所整理 资料来源：Apple，国信证券经济研究所整理 （Gecko）、“水獭”（Otter）、 “野牛”（Bison）、“独角兽”（Unicorn），实现在不同等级的设备上部署。 例如在智能手机上就可以运行规模比较小的 Gecko 模型，让移动端也能拥有大语 言模型。Gecko 模型可以在完全离线的情况下在智能手机上运行，它可以在旗舰 手机上每秒处理 20 个 token，大约是每秒 16 个单词。谷歌没有明确说明使用了 什么硬件来测试，但提到是在“最新的手机上”运行，这证明了与大模型具备类