中國網/中國發展門戶網訊 2025蛇年春節前后，杭州深度求索人工智能基礎技術研究有限公司（以下簡稱“DeepSeek”）發布的開源大模型引起了國內外廣泛關注。首先是模型基準測試性能與世界領先的OpenAI閉源模型GPT-4o比肩，其次是訓練成本相比其他模型大幅降低，且帶思考鏈的推理模型R1及其蒸餾版本可以在多種計算能力設備上部署，最后是其代碼、文檔、模型權重等在MIT許可協議（極為寬松的一種開源許可協議）下完全開源。這一套集高性能、低成本、開源開放于一體的“組合拳”，使得DeepSeek在短時間內成為國內外人工智能（AI）領域的焦點，后續接踵而至的各行各業推廣部署，讓大模型應用在中國真正實現了“飛入尋常百姓家”。

大模型從形態上是一種軟件。雖然模型文件通過訓練生成，通過參數和數據迭代，以概率性輸出結果，無法精確斷點調試，黑盒特征明顯；但與傳統軟件一樣，它可復制、可復用，需要操作系統提供運行環境，需要存儲系統，需要處理用戶輸入并輸出反饋。因此，DeepSeek大模型這一來自中國本土的技術創新和開源開放實踐，也為中國軟件行業提供了可深入分析并學習借鑒的模式。

本文將DeepSeek的創新模式歸納為“以軟補硬”“開源傳播”和“生態優先”。同時，也從生態入口、開源軟件供應鏈、開源基礎設施3個方面，分析當前我國AI開源創新仍然面臨的問題和風險。最后從大模型操作系統布局、軟件供應鏈保障、開源基礎設施建設、軟硬件協同發展4個維度，提出加強我國科技基礎能力的建議，以期更好支撐中國創新團隊的長足進步發展，不斷搶占AI和軟件領域的全球科技制高點。

DeepSeek的創新模式分析

“以軟補硬”開辟大模型創新路徑

在算力資源受限的背景下，DeepSeek通過軟件架構創新和算法優化，使其模型在保持高性能的同時，大幅降低了對硬件投入的依賴，并為全球開發者提供了可復現、可負擔的“以軟補硬”技術方案。這讓近年來大模型領域普遍推崇的規模定律（scaling law）出現了拐點，依賴大規模硬件投資建立的算力壟斷“高墻”出現了缺口，大模型研究和應用的門檻被大大拉低，資源有限的中小企業、研究機構甚至個人，都迎來了AI創新和AI賦能的可能性。

軟件在這一輪大模型浪潮中往往被忽視。事實上，對于硬件架構確定、優化目標明確的場景，軟件改進帶來的總體收益通常大于硬件。2017年圖靈獎獲得者漢尼斯和帕特森于2018年4月在國際計算機學會（ACM）做獲獎演講時，給出了用不同編程方法計算兩個4096×4096矩陣相乘的性能對比，該數據引用了美國麻省理工學院（MIT）計算機科學與人工智能實驗室（CSAIL）雷瑟斯等人發表在Science上的文章There’s plenty of room at the Top: What will drive computer performance after Moore’s law?（《頂端仍大有可為：摩爾定律之后什么將驅動計算機性能發展？》，這里的“頂端”指代軟件），具體對比數據見表1。從表中可以看到，用C語言編寫比Python要快47倍，分治法并行優化后可得到6 727倍的加速，而采用SIMD指令集則可加速6萬多倍。同樣，DeepSeek使用英偉達PTX，即介于CUDA高級編程語言和實際GPU機器代碼之間的中間代碼表示語言，也起到了極大的加速效果。

在過去幾年中，華為鴻蒙操作系統同樣采用了“以軟補硬”的方法，在處理器制程受限的情況下，通過操作系統、編譯器、渲染引擎等多種軟件優化手段，在手機上保持了良好的用戶體驗。

更重要的是，軟件優化方案為快速傳播奠定了基礎。軟件之于硬件的一大優勢，就是傳播的便捷和迅速，通過網絡下載就可以快速到達最終用戶。試想，如果這次DeepSeek發布的是“星際門”一樣的硬件堆疊方案，又或是使用了某種硬件加速方案（如同當年谷歌為深度神經網絡專門設計的TPU），將很難如此快速傳播推廣。

以開源開放實現用戶高速增長

軟件的核心競爭力是用戶。大規模、高質量、多樣化的用戶群體，不僅是軟件價值變現的堅實基礎，更是推動軟件持續迭代創新的強勁動力。正如中國科學院計算技術研究所包云崗研究員所說，在開源模式下，軟件的價值計算和傳播效應遵循梅特卡夫定律（Metcalfe’s Law），即網絡的價值與網絡中用戶數量的平方成正比。具體表現為兩個方面，一是用戶規模效應：用戶越多，價值越大，反饋和改進更多，生態系統更豐富。二是網絡效應：更多開發者參與，就會有更多的應用場景，繼而更快的迭代速度。當眾多用戶轉變為開發者和測試者，就會極大地降低軟件開發測試成本，驅動軟件升級演化和價值提升，繼而吸引更多的開發者參與，形成持續的良性循環。

前面提到大模型本身也是一種軟件，因此開源軟件曾經創造的發展模式，完全可以被大模型所復用。然而，DeepSeek開源模式創造了比傳統軟件更為迅速的用戶增長奇跡。據統計，DeepSeek連續登頂蘋果App Store和谷歌Play Store全球下載榜首，上線18天累計下載量突破1 600萬次，遠超Chat-GPT發布首月的900萬下載量。這其中固然有大模型概念熱度的加持，但更有DeepSeek幾乎毫無保留開放了模型文件、權重文件、核心代碼和技術文檔的原因。由此在短短半年內吸引了全球超過百萬開發者，建立了活躍的開發者社區，不僅貢獻了大量的代碼和工具，還形成了自發的技術交流和學習氛圍，例如GitHub上DeepSeek所維護的awesome-deepseek-integration頁面。這種社區驅動的創新模式，為AI技術的快速迭代和應用落地提供了強大的動力。DeepSeek的經驗也表明，即便在AI時代，開源開放仍然比封閉壟斷更具競爭力。

以標準化接口和工具構建上下游生態

DeepSeek在建立生態方面同樣展現出了很高的效率，在短短一個月內，DeepSeek R1從滿血版671 B到70 B、32 B、7 B甚至1.5 B等大小不同模型得到快速部署，大到云服務廠商、互聯網巨頭、國資央企、高校院所，小到街道辦、實驗室、個人用戶等，從制造業到服務業，從教育到醫療，DeepSeek滲透到各行各業，推動效率提升和智能化轉型。

生態快速壯大背后則是其對調用接口和AI軟件工具包的標準化，以及因此而快速聚集的上下游生態伙伴。標準化調用接口簡化了AI應用的接入流程，使得DeepSeek很容易被Ollama、vLLM、SGLang等大模型服務框架所支持，也使得ChatBox、AnythingLLM等大模型入口應用能夠很快接入DeepSeek。標準化軟件工具包大幅降低了AI應用部署門檻，同時還提供了豐富的預訓練模型和數據集，使得開發者可以通過領域精調和檢索增強生成（RAG）實現自身業務需求，進一步開展應用創新；同時，使得華為昇騰、寒武紀等其他非英偉達芯片能很快完成適配，形成百花齊放的國產軟硬件協同適配景象。

從更宏觀的生態視角看，DeepSeek已經在中國建立了事實上的大模型標準。自從2020年底Chat-GPT發布以來，無論美國還是中國都進入了“百模大戰”的格局，盡管OpenAI引領了發展，建立了提示詞工程（Prompt Engineering）等事實標準，但因其選擇閉源策略，且其最大投資者微軟公司的Windows操作系統同樣閉源，使得“應用—模型—系統—硬件”生態鏈路參與者無法自主開展大模型和系統的適配，阻礙了參與者的參與意愿和創新動力。例如，對于大量非英偉達的硬件加速卡廠商來說，因為無法修改基礎模型和相關代碼，只能模擬與轉譯英偉達GPU指令集，無法實現與模型的原生適配；對于亞馬遜、谷歌、阿里等云平臺服務商來說，由于與微軟Azure的競爭關系，也無法與OpenAI實現充分的業務整合。

DeepSeek開源發布之后，不僅出現了微信、WPS等應用整合，也出現了華為云、阿里云、騰訊云等服務集成，還出現了華為昇騰、寒武紀、沐曦、海光、申威等硬件原生適配，甚至出現了大量本地部署的一體機解決方案。以DeepSeek為大模型事實標準，中國正在形成“應用—模型—系統—硬件”全鏈路的生態聚集。長遠來看，這一變化必將重塑中國乃至全球AI的發展格局。

我國AI開源創新面臨的風險挑戰

在看到DeepSeek成功一面的同時，還需要看到當前中國AI開源創新面臨的一些風險挑戰。

大模型入口程序的風險

所謂大模型入口程序，對于部署者是指Ollama、SGLang、vLLM等大模型服務框架程序，用來啟動大模型服務進程；對于用戶是指通過封裝多個大模型服務，為用戶提供更加方便易用、靈活可配置的交互界面程序，如ChatBox、AnythingLLM等。

以Ollama為代表的大模型服務框架，在啟動大模型服務時通常以網絡守護進程的方式出現，會打開某個端口并監聽來自網絡的服務請求。這樣的守護進程一旦出現漏洞，攻擊者很容易通過服務端口入侵服務主機。事實上，近期已經發現了Ollama導致的、可被利用的大模型服務漏洞。

而對于用戶交互的入口程序來說，盡管ChatBox等通過開源來證明自身程序的安全性，但卻無法證明用戶隱私數據的安全性，畢竟所有的對話信息都會被入口程序轉發和截取。

對主流入口程序的掌控和主導，會成為大模型競爭的焦點之一，但目前為止，大模型的入口程序還是運行在已有主流操作系統之上，因此操作系統不自主可控的風險將會延伸到大模型入口程序，畢竟操作系統很大程度上決定了誰能成為入口，20世紀90年代網景公司NetScape瀏覽器在與微軟IE瀏覽器競爭中敗北就是前車之鑒。

軟件供應鏈的安全可靠風險

DeepSeek的開發依賴大量開源或閉源組件。例如：基礎框架中的PyTorch深度學習框架、CUDA GPU加速庫；訓練相關的Megatron-LM分布式訓練框架、Flash Attention高效注意力機制；推理優化相關的FasterTransformer推理加速引擎、TensorRT推理優化庫、ONNX模型轉換標準庫；工具鏈中的版本控制Git、容器化部署Docker；數據處理中的NumPy數值計算庫、pandas數據處理庫，以及HuggingFace數據集管理工具等。

以上僅是基于公開信息的判斷，實際使用的工具可能更多，有些專有工具可能未公開。而在這些互相高度依賴的軟件供應鏈中，有些關鍵環節仍然被Meta公司等國際競爭對手掌控（如PyTorch開發框架，以及前面所述的Ollama入口程序），或屬于某家公司私有產品（如英偉達CUDA），均存在斷供可能。此外，根據奇安信的最新報告，已出現一些專門針對DeepSeek的供應鏈偽造或投毒攻擊。這些都構成了我國AI面臨的軟件供應鏈安全可靠風險。

健康的大模型生態需要一個同樣健康的開源軟件生態。對于軟件供應鏈，特別是開源軟件供應鏈關鍵節點的認真梳理和持續維護，仍然是企業和行業，甚至國家實現人工智能高水平科技自立自強必須要付出的投入。

開源基礎設施的風險

不僅DeepSeek，國內主要開源大模型項目幾乎都選擇在美國微軟公司旗下的GitHub平臺發布，這是因為GitHub全球開發者集中度最高，有完整的開源基礎設施能力、成熟協作工具鏈和已經發展壯大的程序員社交網絡，因此國際影響力更大，更有利于項目推廣。然而，選擇GitHub未來也面臨挑戰和風險，包括但不限于地緣政治風險、數據主權問題、潛在的訪問限制風險等。這并不是DeepSeek和國內開源項目維護者的問題，而是國內缺乏與GitHub競爭的開源基礎設施，從設施完善程度、開發者聚集規模、國際化程度、運營能力等，國內現有基礎設施與GitHub相比都存在較大差距。

Hugging Face近年來隨著大模型爆發而異軍突起，成為全球最流行的模型托管平臺，國內的阿里魔搭等平臺雖然已經起步并初具規模，但與Hugging Face相比，同樣在功能、規模、國際化、運營等方面存在顯著差異。

加強我國AI創新能力的建議

基于以上分析，本文提出加強我國AI創新能力的如下建議。

盡快啟動大模型操作系統的研發探索。大模型仍然以軟件的形態存在于現有操作系統生態體系，雖然出現了ChatBox等新的入口程序，但不足以撼動Windows、iOS、Android的生態主導地位。美國蘋果公司和我國華為公司先后提出了面向意圖的開發框架，旨在整合大模型的能力，繼續掌控用戶入口。微軟公司通過預裝Copilot并與辦公套件、瀏覽器等深度捆綁，鞏固其桌面領域壟斷地位。上海交通大學陳海波團隊提出了大模型操作系統的3種技術路線，即漸進路線（大模型作為操作系統外掛組件）、激進路線（大模型即操作系統）和融合路線（大模型與操作系統深度融合），并建議采用融合路線，從而在利用大模型能力的同時，最大程度兼容現有操作系統應用生態。鑒于大模型帶來的機器智能躍升和交互范式變革，無論采用何種路線，大模型操作系統研發工作都迫在眉睫。隨著大模型和操作系統各自發展，不同技術路線會自然合并，然而一旦錯過生態初始構建的機會窗口期，將面臨新的、更難突破的生態壟斷。

加強開源軟件供應鏈治理。開源軟件已經成為組裝大型復雜系統軟件的“原材料”和“元器件”。一個Linux開源操作系統發行版（如Debian、openEuler等）往往包含上萬個開源組件，通過這些組件的彼此依賴關系編譯組裝而成。一個大模型從開發、訓練到部署、運行、推理，也依賴于大大小小的開源組件。隨著大模型成為像操作系統一樣的戰略基礎軟件，其開源軟件供應鏈的保障必不可少。中國科學院軟件研究所從2019年發起“開源軟件供應鏈點亮計劃”，梳理全球開源軟件知識圖譜，找出操作系統等大型復雜基礎軟件的關鍵供應鏈節點，通過“開源之夏”等活動，持續培養能夠看護關鍵開源軟件的高水平人才。建議圍繞大模型的開源組件依賴情況，持續梳理開源軟件供應鏈，對其中關鍵節點進行重點布局，投入或培養相應的人力資源，確保具備持續開源維護的能力。

加快對標GitHub和Hugging Face的開源基礎設施建設。面對GitHub和Hugging Face托管平臺的壟斷局面，一方面繼續完善現有國產代碼托管平臺，提升平臺穩定性和功能完整度，優化開發者體驗。另一方面也要有過渡策略，采用多平臺同步策略，建立戰略備份機制。從2019年中國科學院軟件研究所啟動建設“源圖”開源軟件供應鏈基礎設施，迄今已形成對全球關鍵開源軟件的全量備份，并提供可信軟件倉、可信編譯構建環境等平臺服務。后續還需要面向大模型的新需求、新場景，加快打造新一代開源開發基礎設施，聯合國內優勢力量逐步培育本土開源基礎設施生態，并以更加開源開放的模式，吸引國外機構和開發者參與，共同對沖潛在的地緣政治風險。

加大開源軟硬件協同力度。在新一屆美國政府不斷升級管控施壓的背景下，英偉達GPU硬件供應限制和CUDA軟件生態壁壘，已經成為中國實現AI領域高水平科技自立自強面臨的最主要障礙之一。例如，DeepSeek訓練優化所使用的PTX仍然屬于CUDA生態體系。建議加大RISC-V開源指令集下軟硬件協同，特別是AI相關擴展指令集的協同力度。RISC-V指令集的崛起，不僅為了從指令集層面打破x86/ARM的生態壟斷，同時也有望打破英偉達GPU私有指令集和私有算子的壟斷。隨著RISC-V向量指令集、矩陣/張量指令集的制訂和完善，新的軟硬件接口標準規范有望取代CUDA私有接口規范，并配合編譯器等在RISC-V專用AI加速卡上實現軟硬協同。一旦某款RISC-V加速卡在性能功耗比上超越英偉達的旗艦GPU，整個RISC-V生態也將迎來“DeepSeek時刻”。

需要強調的是，以上風險分析和建議，并非為了形成封閉的、防御式的技術體系，而是為了中國乃至全球都有更為開源開放的選擇，平等參與AI新技術、新產品、新服務的研發應用，共同打造AI時代的人類命運共同體。

（作者：武延軍，中國科學院軟件研究所?！吨袊茖W院院刊》供稿）