作者：马晓亮（中国电信广东公司）
2023年至今，当人们还为ChatGPT的“智力爆炸”惊叹时，DeepSeek以开源之名撕开了AI高墙的第一道裂缝。不管怎么议论， 它已搅动了一池AI春水，看似技术路线的选择，实则暗藏着信息权力、技术权力、资本游戏、地缘政治的剧烈碰撞，进而让全球围观了美科技股暴跌。
从工程开发角度看中美两国模型构建思路
应该说一直到现在，美国仍引领整个信息技术进程，使得美国建立的信息架构成为全世界的标准。最初，在AI模型构建时，也遵循这个规律。模型构建，开发者要考虑各种资源的成本平衡问题，涉及到软件的实现、计算能力、存储能力、网络带宽成本、编程的人工成本及其他。
工程实现，需要根据不同资源的成本差异，设计匹配方案。如果编程人工成本和管理成本高，计算和存储能力的获得相对较低，就会倾向于简单的编程算法去实现，是硬件依赖型算法。如果硬件成本相对高，就得通过更为复杂的编程去尽可能节省计算和存储的硬件资源。实现相同目标的技术路径和方案可以有很多选择，考虑到成本的综合平衡，不能简单地说哪种算法或策略较好。
选择不同的技术方案，也体现不同的文化。我本科是在天津南开读的，电子信息专业；硕士是美国读的，计算数学专业；读完后在美工作一年多，编程工程师；博士又回到国内西电读，电子信息，应该说对中美两国的信息技术架构建设思路都了解。美国在引领信息技术发展的过程中，逐步地形成了他们特定的文化，不关注计算效率最优化，主要关注编程的方便性、简洁性、可读性等。
形成这种文化还有另一个原因：在整个信息技术架构中，硬件公司有行业标准控制能力，拥有更大的话语权。CPU是INTEL等公司生产的，所谓的WINTEL联盟，就是INTEL和微软两家公司形成一种默契，INTEL会说服微软根本不用关注软件的计算效率，交给INTEL解决；微软也乐于关注编程的简单性和用户界面的友好性。在这种文化演变下，计算效率就有巨大的改进空间。人工智能时代，英伟达与OpenAI也有类似软硬件新关系。应该说，所有技术改进，提升计算效率的方法，美国人都知道，甚至大多数都是他们最先提出来的，但由于文化差异，甚至因为商业因素，他们不会去充分利用这些技术，在一定条件下还会人为降低硬件使用效率，这也是DeepSeek可以将模型计算效率提升的可能性所在。
运营商客服AI技术方案选择
这三年，运营商在客服领域大量使用AI技术，随着大语言模型的迅猛发展， AI核心要素（算法、数据和算力）面临新的挑战。不同的垂域AI服务，如何提升细分模型推理输出精度；在BP级数据吞吐场景下，如何避免数据拥塞、加速存取以减少模型推理时长；模型对网络、算力要求几何级激增，如何最优化云网算力资源匹配多任务并行。基于以上问题的工程创新，中国电信取得一定的成果，我所主导的“面向智能客服知识推荐的垂域模型关键技术研发及产业化应用”项目获2024年吴文俊人工智能科技进步二等奖。该项目所选取的技术路线，例如高效训练推理协同模型、异构算力的任务-算力关联匹配方法、云网协同的异构混合算力调度方法等，都近似DeepSeek的技术路径，遵循中国式的“优化编程、减少硬件资源占用”文化。
项目特色及实现路径
1、渐进式知识演化机制：研发带遗忘因子的参数演化算法实现敏捷迭代：①动态知识图谱：构建电信业务变更检测模型，自动识别3大类12小类规则变动。②增量学习框架：采用参数重要性评估矩阵，仅更新12%的关键参数（传统方法需全量更新）。③安全回滚机制：建立模型版本沙箱环境，支持72小时内异常工况回溯。该机制使新业务上线适应周期从14天缩短至8天，规则变更引发的工单错误率下降40%。
2、人机协同增强回路：构建四维坐席能力评价体系（响应速度、解决率、话术规范、客户情绪引导），通过以下方法实现持续优化：①对话过程实时拆解：将优秀服务案例转化为带时空标记的训练样本。②反事实增强学习：生成“如果…会更好”的对比训练数据。③个性化模型微调：为TOP20%的坐席构建专属推理模型。该持续优化闭环，使得座席培养周期从3个月压缩到2个月，金牌座席经验复制效率提升30%。
图1：项目组开展课题研发攻关
图2：项目组自研客服AI大脑（2023年）
实际应用场景及效果
1、客服效率的提升：项目选取广州电信客服场景，结合用户基数庞大和语料数据标准化程度高的优势，构建标准化数据底座，调用中国电信星辰大模型研发细分行业模型，实现垂域数据治理与业务场景深度耦合；依托轻量化技术路线突破消费级硬件算力瓶颈，异构调度效率提升15%、成本降低70%；以“资源优化+场景定制”的双轮驱动模式，为行业提供了可复制的AI转型闭环范式。
项目之初，客服工作大量依托人力处理，日均处理3000投诉工单，派单、打单、质检处理效率低且人为出错频发，为解决坐席人员流动高，培训耗时且难以适应电信业务更替频繁的问题，决心建设垂域模型，辅助坐席，落实电话业务问答、知识跟随能力；又伴随着300多话务人员知识问答对算力的极大消耗和初期只有英伟达4090等消费级显卡的困境，以最小的算力完成最大化任务，着手解决本地化算力AI调度问题。至2025年，平台稳定运行三年余，话务员工作效率提升15%，平均每份工单处理时间从20分钟缩减至17分钟，总工单处理能力增长19.7%，工单处理及时性提高11.1%。
2、成本的大幅降低：初期，面临人力成本和算力资源有限的双重挑战，通过研发知识演化机制，人机协同增强等技术，显著降低人力和系统运营成本。
派单人力成本减少了70%，话务运营团队规模缩减了16.5%。同时，借助云网协同的异构混合算力调度方法，我们在有限的硬件资源下实现了任务的高效处理，节省了大量的硬件投资。
3、客户满意度的提升：通过AI技术的引入，客户的整体满意度得到了显著提升。项目实施后，客户满意度上升了3.1个百分点，工单重复投诉率下降了0.7个百分点。
这些成果不仅体现AI技术的先进性，更反映工程开发对客户需求的深刻理解。
图3：项目落地现场
对DeepSeek的几点思考和启示
1、DeepSeek r1并没有显著超越早期模型的智能水平，其最大优势在于训练过程中的成本大幅降低，而并非在智能表现上有质的飞跃。
2、DeepSeek的出现并不意味着中国在AI技术上超越了美国。不过，它在工程设计上的优秀表现为其赢得了竞争中的一席之地。
3、Nvidia在GPU市场的领先地位正面临挑战，随着价格战的到来，市场的调整似乎是不可避免的。尽管如此，Nvidia的威胁并不意味着它将被完全取代，毕竟高端GPU仍然有需求。运营商如何有效规避美国GPU出口限制，更高效运用已有算力资源，成为当前主要任务。
4、DeepSeek是一次经济革命和地缘政治的警钟，它的成功可能影响全球AI产业格局，但它并未解决AI的根本难题。
同时，三大运营商都对基础设施、模型投入了大量资金，却产出有限，算力使用率仅为15%，相当于做了英伟达的囤货商，又面临着算力需求的急速压缩。
DeepSeek崛起不仅是中国AI技术的重要突破，也是全球AI产业格局的重大变化。它带来了成本的大幅下降，给传统AI巨头带来了更大的竞争压力。我们并不惊讶看到，更少的计算就能实现相当或更强大的功能，推理成本下降是人工智能改进的标志。据估计，算法的进步速度为每年 4 倍，这意味着每过一年，实现相同功能所需的计算量就会减少 4 倍。Anthropic 首席执行官 Dario 认为，算法的进步速度更快，可以带来10 倍的改进。例如，就 GPT-3推理定价而言，成本已下降了 1200 倍。需要明确的是，目前，DeepSeek 的独特之处在于最优化实现成本-功能水平，之前的 Mistral 和 Llama 型号阶段性也做到了这一点。
正当 R1 被疯狂炒作时，谷歌刚刚发布了一款更便宜的推理模型：Gemini Flash 2.0 Thinking。该模型比 R1 便宜得多，能够通过 API 为模型输入更大的上下文长度。根据报告的基准测试，Flash 2.0 Thinking 击败了 R1，尽管基准测试并不能说明全部情况。Google 的模式很强大，在许多方面都与 R1 相媲美，但并没有受到任何炒作。这可能是因为 Google 的市场策略乏善可陈，用户体验不佳，且 R1 是来自中国的惊喜。
没有谁能够在这场风暴中独善其身，不管是这次吴奖的垂域模型构建，或是DeepSeek的破局，再到谷歌Gemini Flash 2.0，都是让AI不再神秘。当开源模型在GitHub上自由流动，个人开发者只关注基础模型的性能和算力要求，用千元级显卡就跑出企业级应用，“技术平权”得到最贴切的诠释。DeepSeek撕开的这道裂缝，永远不会闭合，AI不再是少数人的权杖，而是照亮每个角落的光。
（责任编辑：康玲华）
运营商财经（官方微信公众号yyscjrd）—— 主流财经网站，一家全面覆盖科技、金融、证券、汽车、房产、食品、医药、日化、酒业及其他各种消费品网站。
