Gartner权威解析：迎战DeepSeek风暴，企业转型必看！

2025年开年，DeepSeek凭借“低成本+开源+高性能”的组合拳席卷全球AI市场。

面对这一风暴，企业该如何避免被淘汰，甚至借势突围？Gartner高级研究总监方琦与网易科技进行了交流，我们提炼出了其中5个关键点。

一、DeepSeek的重要价值：低成本趋势不可忽视

方琦表示，在过去的一段时间里，大型AI模型的研发和落地一直依赖于庞大的计算资源和高昂的训练成本，导致只有少数巨头能够独享技术红利。然而，DeepSeek通过其开源策略和高效的算力利用，成功突破了这一瓶颈。这一创新不仅使得AI技术的门槛大幅降低，还打破了以往AI应用昂贵的商业化壁垒。

他预测，随着技术不断进步，每年生成式AI的API调用成本都有望下降90%，这意味着AI技术将不再是少数资本雄厚企业的专利，更多中小型企业也将有机会负担得起高质量的AI解决方案，从而在产品创新和运营效率上获得巨大提升。

不过，方琦也提醒企业：低成本并非零成本，如何在工程化落地过程中合理配置算力和资源，确保系统的稳定性与可靠性，依然是需要重点关注的问题。

二、开源与闭源之辩：生态构建是长远之计

DeepSeek的成功不仅体现在成本和性能优势上，其开放模型权重的策略也为市场带来了巨大吸引力。

方琦认为，当前AI行业正迈入开源浪潮时代。类似DeepSeek R1这样的开源模型，让全球开发者和企业可以灵活定制和快速部署，极大地促进了技术的普及与生态的构建。

然而，方琦也指出，目前DeepSeek所采用的开源模式仅开放了模型权重，而并未开放用于训练模型的数据。更重要的是，如果闭源模型的性能无法达到开源对标水平，其存在的必要性也势必要画上一个问号。

三、认清市场现状：中小企业仍在“观望”边缘

方琦介绍，根据最新CIO问卷调查显示，超过90%的受访企业计划在2025年加大在生成式AI上的投入，投资增幅中位数超过40%。

这表明，无论是国内外，企业对生成式AI的热情始终高涨。然而，实际情况却不尽相同：大公司已开始试水并推动实验性项目，而中国许多中小企业仍处于观望状态。

调研数据显示，国内企业中真正实现生成式AI落地的比例依然低于个位数。多数中小企业在探索阶段面临“缺少用例”、“模型能力不足”以及“数据不够AI-ready”等多重挑战。虽然DeepSeek R1在一定程度上提供了技术突破，但在工程化、成本控制及业务落地上，依然存在不小的阻力。

方琦提醒，中小企业在面对高预期和不断升级的技术要求时，应务实评估自身能力与资源配置，切勿盲目跟风。企业应聚焦于切实能解决业务痛点的应用场景，通过试点验证，逐步摸索出符合自身发展的AI落地路径，避免因过高预期而陷入技术和资金的双重风险。

四、构建灵活AI架构：实现模型多样化协同

随着DeepSeek R1的发布，全球AI领域正迎来一个模型多样化的新时代。

方琦强调，未来企业的AI应用不应再局限于依赖单一、庞大的模型，而应根据具体业务需求，灵活选择和组合不同的AI模型，形成“多模型协同”的新格局。

他认为，构建一个灵活、可扩展的AI架构尤为关键，这不仅意味着要搭建高效的AI路由和集成系统，还需要在后续的训练和优化中，持续提升模型的适应性和精度。尤其在边缘计算和本地化部署场景下，“后训练”技术的作用日益凸显，成为确保模型长期稳定、高效运行的重要保障。

五、重视数据治理：挖掘数据背后的最大价值

无论技术如何革新，高质量数据始终是AI应用的基石。方琦认为，DeepSeek的成功，离不开对大量优质数据进行精密处理和持续算法优化。他提醒，数据不仅是训练AI模型的原材料，更是推动企业创新和提升竞争力的核心资产。

在实际落地过程中，企业常常面临数据采集、清洗、标注和管理等一系列挑战。为此，方琦建议企业加大对数据治理的投入，从数据采集、整理到为数据打上元标签，都需要形成一整套成熟的管理体系。只有确保数据的完整性、准确性和安全性，企业才能真正挖掘出数据背后的潜在价值，并在此基础上构建具有竞争力的AI应用。

此外，随着AI技术的不断演进，数据质量要求也将不断提高。企业不仅需要关注数据量的增长，更要注重数据结构化和高质量数据的积累。

DeepSeek卷起的风暴还在继续，当大模型从“技术奇迹”回归“商业本质”，可以预见一场更残酷的淘汰赛正在进行。

如何把握机遇，弯道超车？企业在大模型落地过程中，还将面临更多的考验。（袁宁）