《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

此外由式(15)可知，用户冷热电用能需求的偏 移量由自身热负荷耦合响应程度决定。假设在理想 情况下用户完全响应，此时用户通过调整用能设 备，让用户冷热电用能需求偏移量为 0。由于用户 用电需求只能通过用电负荷供应，用户将只调整供 应热、冷需求的电负荷进行响应。而热、冷用能需 求将通过调整热负荷来实现无偏移。完全响应时用 户电热负荷变化量满足式(16)。 e2e , e2h h2h EHP i t i t i t i t L L L L L η η η η ■ = Δ || = ·Δ ·Δ ■ | = ·Δ ·Δ |■ (16) 根据电力负荷价格弹性矩阵定义，定义完全响 应情况下用户 i 在 t 时刻的热电负荷耦合响应弹性 系数 he tt ε ' ： 0 h e 24 , he h e 1 , ( ) i t t tt t i t t L ' ' = - + (18) 当用户没有完全响应时，用户用能需求产生偏 移量，此时同样存在变化量原始分配和自由分配 情况。 综上所述，当系统运营商调整电价时，用户电 负荷响应量可用电价弹性响应矩阵模型来描述。在 用户存在耦合时，耦合响应特性将会同时影响用户 热负荷。在完全响应情况下，用户初始用能需求没 有偏移。在非完全响应时，用户用能需求产生偏移， 用户将会产生舒适性成本。可见不考虑需求耦合响

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：

城区，驾驶员一般不需要接管车辆，不需握方向盘，不需注视道路，从汽车 的“控制者”转变为“监管者”。若系统提请驾驶员介入时未受到回应，其也应当 自动采取行动将风险最小化。 ⚫ L5 级为完全自动驾驶，是自动驾驶的终极目标，汽车将能在任何道路上自动 驾驶，从“座驾”变为“座舱”，“驾驶员”这个角色彻底消失。 图3、计算机辅助驾驶等级划分 数据来源：根据国家标准《汽车驾驶自 及以上级别进发是车企的必然选择，此时“单车智能”的三大缺陷逐渐凸显： ⚫ 感知能力局限：“单车智能”完全依赖于车载传感器，而在复杂环境中其必然存 在盲区，阻碍汽车对长尾、非常规险情（例如行人非法横穿、“鬼探头”等）作 出反应（这一情况对人类驾驶员同样存在，事实上是道路交通中长期存在， 难以解决的根本性威胁之一）。 ⚫ 运算能力局限：“单车智能”完全依赖车载运算设备，其不仅受到车载芯片算 力、辅助驾驶大模型能力的限制，亦受到汽车电力储备的限制。因此，计算 数据来源：各地区相关部门政策公告，各地区相关新闻报道，兴业证券经济与金融研究院整 理 无人物流场景或为“车路云一体化”开辟新模式，创造景气外溢方向。一方面， 无人物流车行驶于开放道路，而驾驶员已几乎完全退场，比乘用车高加激进；然 而，当前的“单车智能”技术难以担当在公共道路上实现较高速度，较高频次无 人驾驶的重任，限制了无人物流车进一步扩大运用；另一方面，无人物流车行驶 路

银河通用抓取基础大模型 GraspVLA 04 17 资料来源：银河通用公众号，浙商证券产业研究院 2025年1月，银河通用发布抓取基础大模型GraspVLA。GraspLVA的训练包括预训练及后训练。其中预训练完全基于合成大数据，训练数据 达到了有史以来最大的数据体量——十亿帧「视觉-语言-动作」对，掌握泛化闭环抓取能力、达成基础模型；预训练后，模型可直接 Sim2Real 在未见过的、千变万化的真实场景 具身机器人智能化分级及能力展望 05 26 资料来源：小鹏汽车官网，浙商证券产业研究院 今年两会上，小鹏汽车董事长、CEO何小鹏认为机器人可分为五个智能等级：L1级（完全由人控制）、L2级（基础辅助智能）、L3级（具身 智能和训练监督）、L4级（自成长智能）和L5级（完全自主智能）。当前，人形机器人产业正朝着L3级迈进，这一阶段的机器人能够在大量 场景中独立运行，但在复杂情况下仍需人工监督。何小鹏预计，到2026 结合何小鹏对于机器人分级以及我们对于机器人能力程度的拆解，我们将具身机器人分级进一步细化。 L1 L2 L3 L4 L5 等级分类 完全由人控制 基础辅助智能 具身智能和训练监督 自成长智能 完全自主智能 代表产品 传统机械产品 工业机器人、AGV、扫地机 器人 现有人形机器人 尚未出现 尚未出现 拥有的能力 被人类完全操控的能力 基于人类制定规则进行执行 的能力，需要人类监督 基于人类指定的规则及训 练的成果进行一定的自主

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

及程度产生重大影响。他们把估计下调到可能不到5％的工作适合「完全自动 11 化」。6 乐见增强，人机协作 「全自动」这个词非常重要。全自动常见的替代方案是部分自动化，或者透 过智慧机器增强人类的工作，反之亦然。这也是本书关注重点。AI——至少是 2020年代初期可以用的那种——非常适合强化大多数现实世界里的工作环境。 在广大的真实使用场景里，无论是办公室、工厂和现场环境，使用增强的案 例比完全自动化的例子多更多，而且这种状况预计在可预见的未来持续下去。自 动驾驶汽车和卡车已经 「指日可待」，但实际上仍遥不可及。现在，我们拥有的并非完全自动化驾驶汽 车，而是各种驾驶和导航辅助设备，让驾驶汽车更容易、更安全，而不是完全的 自动驾驶。尽管这类系统的供应商做了很多宣传和承诺，但一些观察家如今质 疑，我们这些生活在今日的人，是否能在有生之年看到所有驾驶环境里，都达到 完全自动驾驶的结果。7 同样模式也适用于AI的其他领域。AI可以执行小任务，而不是整个工作或整 个业务流程。AI能够帮助业务人员优先考量潜在客户，并指导他们在销售对话时 使用最有效的语言，但人类销售员仍然发挥重要作用。即使聊天机器人和对话式 AI技术，已广泛应用在客服领域，明智的组织也永远不会完全撤除人类客服人 员。相反地，AI系统可以处理客户最常重复和结构化的问题，而人类则会接管其 余部分；或者当AI系统无法处理客户问题时，人类就可以出面。 根据制造业机构的一些证据显示，机器人确实取代了工人：每个就定位的机

的私有化部署架构重塑了企业知识安全边界。从安全性考量使用者并不愿意尝试将自有知识 上传至大模型，基于此 DeepSeek 创新打造的本地化部署方案，通过企业级私有云架构和动态加密技术，使客 户能够在完全自主的数据环境中构建专属智能体。该方案实现三大突破：1）物理隔离的数据处理环境，确保核 心知识资产永不外流；2）支持企业知识库的增量训练与动态优化，形成持续进化的专属认知体系；3）提供军事 级安 确性和完成度。典型场景如薪酬计算、考勤管理、简历筛选、员工入职手续办理等。 非标准工作，则指任务内容灵活多变，需要创造性思维、复杂决策和个性化处理。主要特点为：任务不固定， 依赖员工的技能和经验；难以通过标准化流程完全覆盖。该类工作绩效评估更注重结果的质量和创新性。典 型场景如战略人力资源规划、组织文化建设、员工关系调解、高管招聘等。 基于此可总结出标准工作与非标准工作的关键定义指标，如下表： 典型场景示例： 缴纳 等成本输出，成为该企业借助人工智能降低人力成本的成功实践。 关键指标 标准工作 非标准工作 任务可重复性 任务高度重复，每天或每周的工作内 容基本相同 任务多变，每次处理的问题或项目可能 完全不同 流程的标准化程度 有明确的流程和操作指南，员工只需 按步骤执行 流程灵活，需要根据具体情况调整策略 和方法 对技能的要求 对技能的要求相对固定，通常可以通 过培训快速掌握 需要较高的专业技能、经验积累和创造

要思考一个元问题：在人工智能时代 成为一名社会科学家意味着什么？在计算机普及之前的年代，计算员（Computer）曾经是一个重要、受尊敬， 甚至需要较高教育水平的职业，而如今他们早已被电子计算机完全取代。人工智能时代的社会科学家与计算 机时代的计算员相比要幸运得多，因为我们承担着更加复合的任务：我们怀揣着好奇心提出问题，带着问题 2 人工智能时代的社会科学家 6 观察现实社会，根据现象提 并涌现出长文本理解能力、复杂推理能力，甚至表现出一定程度的行为理性。 尽管人工智能所取得的成就令人惊奇，但它的原理并非高不可攀。事实上，以我们经济管理相关专业所学 过的微积分、线性代数和概率统计，完全可以理解大模型背后的原理。其中，还有不少人工智能的思想与计量 3 祛魅 AI：大模型的基本原理 11 经济学、行为经济学的理论有着深刻的联系。因此，对于经济学家而言，掌握大模型的基本原理有三重意义： （Curse of Dimensionality）的 问题：假如词表 X 的大小是 |X|，那么从第 0 个到第 k − 1 个词就有 |X|k 种不同的组合；其中相当大一部 分组合是在语料库中完全没有出现过的，以致于我们不可能估计出相应的条件概率。例如，仅第一代 LLaMA 模型的词汇表就有 32000 个词，若要捕捉连续两个词的关联，其维数就已经高达十亿量级。 如何解决语言当中的高维问