一、AI 大模型还会是拼算力和数据吗？
Deepseek 用创新的训练方法，以极低的算力，实现了比肩 OpenAI o1 的性能。科技圈在狂抛 Nvidia 的股票，一天跌 17%。
接下来，大模型是会进入算法创新的精耕细作时代，还是继续拼算力和数据？小孩子才做选择题，对于拼得起的大厂，当然是两者都要。
除非 DeepSeek 过去没有利用任何大模型，否则就只是证明 Scaling Law 还能更有效。
除非他们未来的的 R-x 能超越 OpenAI o3 的模型，否则只是在给已有方案做降本增效。
当现在他们和 OpenAI 一样走到技术的最前沿之后，也不会反过身来给自己的方案再进一步降本，而是拿着更多的资源大步往前走。
但他们的工作，仍然具有一个非常重要的现实意义，以及一个非常重要的启示意义。
现实意义在于，极大降低了 AI 的使用成本。这轮 AI 目前最大的问题在于高昂的算力成本和贫瘠的 AI 应用。
而降低的算力成本，必将进一步刺激 AI 应用的的开发。AI 应用开发和需求会互相激励，并反过来刺激大模型和算力的需求。
启示意义在于，倾注全力的追赶永远不会超越，算力和数据仍然很重要，更重要的是自发性和原创性。
二、AI 应用会开始涌现吗？
AI 应用必然涌现。因为算力成本更低，而开发者也接受了 2 年的教育。
但最出彩的那些 AI 应用不会是在大厂中出现。原因有 2 个：
- 不管是 OpenAI 还是 DeepSeek，都说明了一点，原创性的创新，必然是自发的，而不是提拔的。提拔只能用于追赶。
- 有价值的应用，其开发者本身必然是该应用的深度用户，也必然是最激进的 AI 追逐者。而这种人，不会是大厂氛围中的职业人。
所以，这波涌现的 AI 应用，会让大家认识很多新的面孔。
三、如何参与？
- 做自己喜欢的应用
只有忠于自己，才能实现弯道超车。否则就是在玩追赶游戏，追赶游戏，连大厂都玩不过。
- 以完成为第一目的
完成了才能迭代和学习。
- 应用 Scaling Law
这波 AI 浪潮的核心驱动力即为 Scaling Law。为抓住这一机遇，我们应更彻底地应用这一原则：
- 利用 AI 工具 ：在开发和运营中给予 AI 更大的信任，充分使用各种 AI 工具来提高效率。
- 应用规模化策略 ：避免在局部追求 100% 完美，而是在大规模数据基础上追求整体达标率。
- 可以开始寻求一些帮助
AI 应用将要涌现将会成为共识，会面临比较宽松的融资环境。
需要注意积累公司产品形象，并开始寻求一些帮助和投资。