Perplexity AI 創辦人史里尼瓦斯 (Arvin Srinivas) 接受《CNBC》專訪時表示，DeepSeek 在資源限制條件下的創新顛覆了傳統 AI 訓練的「演算力至上」邏輯。DeepSeek 透過優化混合專家模型 (MOE)，解決了長期困擾產業的數值不穩定性問題，例如損失峰值的頻繁出現，其技術方案無需依賴額外基礎設施即可穩定訓練流程，這種突破「足以被 Meta 借鏡到 Llama 4」。
此外，該團隊在 GPU 記憶體受限的挑戰下，開創性採用 8 位元浮點訓練，動態平衡高精度與低精度計算，僅用 60 天完成模型更新，並支援低成本重複訓練；而美國主流仍停留在 16 浮點訓練階段。
更令人矚目的是，DeepSeek 以極低資源消耗打造出性能相當於 GPT-4o 的模型，API 價格便宜 10-15 倍，速度達每秒 60 tokens，部分基準測試甚至接近或超越頂級閉源模型。這種效率革命不僅驗證了「必要是發明之母」的創新邏輯，更透過開源策略挑戰了「中國僅擅長複製」的刻板印象，其開源的 405B 模型品質接近 GPT-4，遠超美國 70B 級本地運行模型。
DeepSeek 的技術透明化，如公開 14.8 兆 tokens 訓練資料與開源生態佈局，可能引發全球開發者倒戈，威脅美國閉源模式的壟斷地位，甚至倒逼 Meta (META.US) 等公司調整技術路線，重塑產業競爭格局。
在中美人工智慧競賽方面，史里尼瓦斯指出這場競爭的核心是效率創新與生態話語權之爭，而非單純的技術封鎖或演算力比拼。中國受限於低端 GPU 如 H800，被迫透過演算法最佳化、資料品質提升和工程實踐彌補硬體不足，這種「資源約束倒逼創新」的路徑不僅培養出高效研發團隊，更形成「技術透明化—全球協作—生態影響力」的正向循環。
相較之下，美國過度依賴高階 GPU 如 H100 和天價訓練預算，暴露出閉源模式的脆弱性；DeepSeek 以 500 萬美元就達到相似效果，直接衝擊資本密集型路徑的可持續性。更深遠的風險在於，若中國主導開源生態，美國將失去技術標準話語權，同時面臨「價值衝突」：中國模型需遵守內容審查規則。
短期來看，美國在通用大模型如 GPT-4 仍具優勢，但中國透過垂直領域創新如數學推理、多模態優化持續縮小差距；長期而言，開源模型或超越閉源，企業競爭焦點將轉向應用層體驗而非模型訓練，勝負取決於誰能高效整合開源生態與市場需求。史里尼瓦斯警告，若美國繼續依賴「阻止中國技術發展」的策略，將無法阻擋其透過自主創新追趕，唯有正視開源趨勢、重構創新路徑，才能在生態主導權爭奪中保持競爭力。
(美股為即時串流報價； OTC市場股票除外，資料延遲最少15分鐘。)新聞來源 (不包括新聞圖片): 鉅亨網