梁文锋登《自然》封面，曝DeepSeek增量训练成本仅29.4万美元!

文 / 汪淼

美编 / 顾青青

出品 / 网界

中国团队登上了《自然》封面。

9月18日，由DeepSeek团队研发、梁文锋担任通讯作者的DeepSeek-R1推理模型研究论文登上《自然》封面。

但比“登刊”更狠的是，他们干脆自曝家底，DeepSeek-R1的增量训练成本，只要29.4万美元。

要知道，过去OpenAI、谷歌练个大模型，动不动烧掉几千万美元。而DeepSeek只用512张英伟达H800显卡、耗时80小时，就完成了核心训练。这笔账，相当于用买一辆跑车的钱，干出了别人盖工厂的活。

更关键的是，《自然》亲自下场盖章，在评论报道文章中用了“里程碑式论文揭示DeepSeekAI模型的秘密”、“创造历史”等词汇表达了对DeepSeek赞赏和肯定。这几乎是在打脸整个行业长期以来的“黑箱操作”。

01

29.4万美元背后

当DeepSeek在论文里写下“29.4万美元”这个数字时，很多人第一反应是：是不是少写了个零?

但数据是实的：512张H800显卡、80小时训练、每GPU小时租赁价2美元。而且，这还只是增量成本，是指在已经花掉600万美元开发的基座模型(DeepSeek-V3Base)之上，做强化学习的开销。

为什么这么便宜? 关键是他们用了“纯强化学习”框架(GRPO)。简单说，就是只告诉模型“答案对不对”，而不教它“步骤该怎么写”。模型自己琢磨怎么解题，答对了给奖励，答错了就调整。这种“放养式训练”反而逼出了它的推理能力。

但便宜也引来质疑。年初就有人猜：是不是偷偷用了OpenAI的GPT-4生成数据来做蒸馏? 否则怎么可能这么低成本达到高性能?

这次《自然》论文里，DeepSeek直接回应：训练数据全来自普通网页和电子书，虽然网上可能混了GPT-4生成的内容，但“绝非故意加入”。他们还补充了去污染流程，光数学题就删了600万条可能泄露测试答案的数据。

02

《自然》为什么破例？

AI论文登《自然》不稀奇，但AlphaGo、AlphaFold都是首发。而DeepSeek-R1的论文1月就发在arXiv上，现在却还能上封面，《自然》甚至为它配发社论，这几乎是从未有过的待遇。

原因很简单：它是第一个愿意被“扒光”的大模型。8位评审专家提了上百个问题，从“数据是否污染”到“推理步骤是不是瞎编的”，甚至抠到单词单复数用法。DeepSeek团队写了64页回复，几乎等于重写半篇论文。

比如评审问：“你说模型开源了，但‘开源’定义模糊，到底开了多少?”团队立刻补上数据链接和授权细节。

还有人担心：“模型会不会为了拿奖励乱写步骤?” 他们马上加实验证明“步骤与答案的一致性”。

这种透明，戳中了AI行业的痛点。过去大模型厂商总说自己“遥遥领先”，但测试数据不公开、训练方法遮遮掩掩。《自然》社论说得直接：AI宣传未经证实，可能对社会带来真实风险。

而DeepSeek把代码、数据、训练日志全摊开，等于告诉行业：以后想让人信你，先学我“晒数据”。

03

国产AI芯片的机会来了？

29.4万美元的成本，不仅打了欧美巨头的脸，还可能给国产芯片撕开一道口子。DeepSeek在论文里没提任何芯片公司，但明眼人都能算账：如果训练成本降到原来的十分之一，那是不是用性价比更高的国产芯片也能跑?

华为昇腾、寒武纪这些企业一直被卡在“生态不足”上，客户嫌性能不够稳，不敢大规模用。但如果算法能优化到DeepSeek这个程度，硬件压力会小很多。

DeepSeek创始人梁文锋

事实上，华为和浙大最近已经联合发了基于昇腾芯片的DeepSeek-R1-Safe模型，虽然这是另一个项目，但证明了一件事：国产芯片能扛住千亿级大模型训练。

不过业内人也提醒：这还只是“可能”，不是“必然”。国产芯片真要接住这波机会，还得在软件生态和稳定性上下硬功夫。

总结

开放、透明才是AI的未来

DeepSeek这次登上《自然》封面，不只是一个人的成功，也不只是一个公司的成功。它代表中国AI行业真正走到了世界前沿。

DeepSeek也证明了三件事：第一，大模型不一定靠烧钱，算法优化能大幅降低成本；第二，AI行业不能再闭门吹牛，必须接受同行评审的检验；第三，中国团队有能力从技术追随者变成规则制定者。

但DeepSeek的价值不止于“被膜拜”，《人民日报》说得好：“它的最大价值是被超越。”

如果后续国产模型都能用更低成本、更透明的方式练出来，如果国产芯片能借此打开市场，如果AI研发从此告别“黑箱”走向开放，那今天这篇论文，才会真正变成中国AI的转折点。

毕竟，梁文锋自己说过：“中国AI不能永远做跟随者。”现在，他们真的走到了前沿。