从DeepSeek突破看我国人工智能产业创新范式、挑战与应对

国家发展和改革委员会市场与价格研究所 魏巍 曾铮；北京工商大学商学院 刘蕾

发布时间:2025-08-18

摘要：作为引领新一轮科技革命和产业变革的关键技术，人工智能已成为全球竞争最关键的领域。DeepSeek的突破标志着我国在AI大模型技术研发中取得显著进展，不仅展现出我国AI企业在大模型领域的创新能力，更反映出新时代科技产业创新范式的深刻变革。从DeepSeek的创新实践可以发现，其在技术路径选择、创新资源配置、商业模式创新和产业生态构建等方面形成了独特的创新范式特征，但在核心技术持续突破、人才储备、计算资源保障和治理规范等方面也面临着诸多挑战。面对全球AI产业发展的新态势，我国应着力构建韧性供应链，完善人才培养体系，建设国家算力网络，优化创新生态环境，建立有效的治理机制，深化国际合作，以推动我国人工智能产业实现高质量发展，在全球AI技术与产业竞争中占据有利地位。

关键词：人工智能，产业创新范式，DeepSeek，大模型

一、引言

人类自首次尝试用机械与计算机解决复杂问题以来，就一直在追求创造具有“类人智能”的技术系统。从1950年图灵测试的提出，到1956年达特茅斯会议确立人工智能（AI）概念，AI技术开启了不断迭代创新的发展历程。经过七十多年的发展与突破，人工智能技术已经历了多次起伏，从早期的符号推理、专家系统，到机器学习、深度学习，再到如今的大规模预训练模型，呈现技术范式不断迭代更新的发展轨迹。当前，以大语言模型为代表的生成式人工智能技术正引领新一轮创新浪潮，重塑着全球科技竞争格局和产业发展路径。特别是以OpenAI公司GPT系列为代表的大语言模型（Large Language Mod⁃els，LLMs）的快速崛起，推动人工智能技术从面向特定任务的“专用智能”走向具备广泛适应性和泛化能力的“通用智能”，引发了全球范围内的技术竞争与产业变革。2025年初，国产大模型企业杭州深度求索公司（DeepSeek）凭借在混合专家模型（Mixture of Experts，MoE）架构上的技术创新，结合群体相对策略优化（Group Relative Policy Optimization，GRPO）、多头隐式注意力（Multi-head Latent Attention，MLA）等方法的突破，大幅提升了大模型的训练效率与推理性能，实现了在有限计算资源条件下达到国际领先水平的技术跨越，迅速赢得了国际市场的广泛关注，为全球人工智能技术发展提供了新的路径与思考。

党中央、国务院高度重视人工智能发展。习近平总书记强调：“人工智能是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的‘头雁’效应。”^[1]党的二十大报告提出要“实现高水平科技自立自强，进入创新型国家前列”，强调构建人工智能等一批新的增长引擎。^[2]《“十四五”国家信息化规划》明确指出，加强人工智能等关键前沿领域的战略研究布局和技术融通创新，鼓励引导资本市场加强对核心技术和战略性新兴产业的支持力度，打造具有国际竞争力的数字产业集群。^[3]当前，全球科技博弈日趋激烈，核心技术的自主掌控能力已成为决定国家竞争优势的关键因素。以DeepSeek为代表的中国人工智能企业取得的突破性进展，不仅展示了我国在核心技术领域的创新潜力，也为打破技术垄断、实现自主创新提供了新的实践范式。但也应清醒认识到，当前我国人工智能产业发展仍面临核心技术积累不足、产业生态不完善、人才结构失衡等多重挑战，需要在理性认知基础上探索符合国情的产业创新发展路径。因此，深入分析DeepSeek突破案例背后的技术创新机制、产业组织模式、开放协同策略与自主创新路径，客观评估其面临的挑战与局限，进而提出促进我国人工智能产业高质量发展的政策建议，不仅具有重要的理论价值，也对推动我国在人工智能领域实现从跟跑到领跑的战略转变、完善人工智能产业创新生态、增强国家科技竞争力具有重要的现实意义。

二、理论基础和文献综述

（一）新兴创新模式的理论发展

随着数字经济的发展，创新理论也在不断更新，平台经济理论和开放式创新理论便是新兴创新理论的典型代表。其中，平台经济（Platform Economy）理论强调数字平台在推动创新中的核心作用。^[4]AI大模型本质上是一种新型计算平台，其创新特征与平台经济理论高度契合，而DeepSeek采用的开源策略正是平台型创新的典型实践。同时，开放式创新（Open Innovation）理论提出要充分和积极利用外部创新资源，通过知识流动促进创新，其理论基础很好地阐释了部分AI大模型何以走开源协作之路。^[5]DeepSeek选择开源策略并取得如此成功，正是对这些理论的实践验证。

在复杂的国际竞争环境下，自主创新成为许多国家追求的目标。自主创新（Indigenous Innovation）理论强调的提升国家或企业自身的创新能力、掌握关键核心技术、摆脱外部技术路径依赖，^[6]对于理解我国AI企业的创新战略具有特殊意义。强调发展中国家突破技术封锁、实现创新跨越重要性的自主创新，也正是我国AI企业面临严峻外部环境急需的理论支撑。自主创新并非完全排斥国际合作，而是强调在开放合作的基础上，提升自身的创新能力和技术主导权。DeepSeek的突破表明，在核心技术领域通过自主创新实现“弯道超车”是完全具有可能性的。

（二）创新范式理论的演进与发展

创新是推动经济发展的核心动力，创新范式理论的发展经历了从个体（单一技术）创新到系统性创新、从封闭创新到开放创新的重要转变。熊彼特^[7]在《经济发展理论》一书中首次系统阐述了创新理论，将创新定义为“生产要素的新组合”，强调不连续性、变革性和企业家精神在创新过程中的重要性，开创了现代创新理论研究之先河。熊彼特创新理论（Schumpeterian Innovation）强调创新是经济发展的根本动力，企业家在推动创造性破坏（Creative Destruction）过程中发挥核心作用。然而，作为早期的创新理论，其更侧重于个体企业家的作用，对于系统性创新、制度环境等因素的考量相对不足。

美国科学哲学家库恩在《科学革命的结构》一书中提出的范式理论，为理解创新的革命性本质提供了认识论基础。库恩^[8]认为，科学进步并非线性累积，而是通过范式转换（Paradigm Shift）实现的非连续性变革。范式是指特定时期内科学共同体共享的信念、方法、理论和实践规范的总和。科学发展会经历从常规科学到危机再到革命的周期性变化，新旧范式之间存在“不可通约性”。虽然库恩的理论最初是针对自然科学史的分析结论，但其强调知识体系突变性转换的思想为后续技术创新范式理论奠定了哲学和方法论基础。

随着技术创新复杂性的增加，弗里曼和佩蕾斯等^[9]提出的“技术—经济”范式理论（Techno-Economic Paradigm）将创新置于更宏大的历史和社会脉络中进行考察，进一步拓展了对创新的系统性认知。该理论认为，重大技术创新并非孤立事件，往往伴随着经济社会系统的整体转型，是在宏观经济层面引发系统性变革的范式转换。新的“技术—经济”范式将带来生产方式、产业结构、组织模式乃至社会制度的深刻调整。例如，信息技术革命就构成了一次范式转换，重塑了全球经济格局。“技术—经济”范式理论在许多方面延续和发展了库恩的范式转换思想，但其将分析对象从自然科学扩展到技术经济系统，更加关注技术变革与经济社会系统的互动关系。

当前，以DeepSeek为代表的开源AI大模型突破也正在重塑产业组织方式和价值创造模式，展现出新技术范式形成的典型特征。其所带来的不仅是技术本身的进步，更是推动AI在各领域的广泛应用，并通过提高生产效率、优化资源配置、推动产业转型，为经济增长提供了新动力，促进了智能制造、自动驾驶、智能医疗等新兴产业的蓬勃发展。“技术—经济”范式理论强调技术、经济与制度的相互耦合，但这一理论在强调宏观系统性变革的同时，又相对弱化了微观主体的能动性和差异性。

更进一步，伦瓦尔的《国家创新系统：走向一种经济理论》（National Systems of Innovation：Towards a Theory of Innovation and Interactive Learning）、纳尔逊的《国家创新系统：比较分析》（National Innovation Systems：A Comparative Analysis）等著作，通过对不同国家的比较研究，提出了国家创新系统理论（Na⁃tional Innovation System），进一步将创新分析的视角从企业层面提升到国家层面，强调创新是一个复杂的系统性互动过程。^[10-11]该理论指出，国家创新能力并非简单取决于研发投入，更取决于由制度、组织、企业和个人构成的创新网络的有效运作，并强调知识化的社会性构建、制度环境的有效保障以及创新主体之间的多元互动等综合性支持因素对创新效率的决定性作用。同理，在AI产业发展过程中，创新效率在很大程度上取决于产学研各创新主体的协同效应和制度环境的支持。由此可见，评估DeepSeek的创新突破不能仅关注技术层面，还需要考察其所依托的创新网络构建和制度环境优化。

（三）AI技术发展趋势与创新特征

随着人工智能进入“大模型时代”，全球AI技术呈现算力驱动、模型突破、应用深化三大发展趋势。在算力方面，已由单纯的“摩尔红利”转向“架构红利”。传统的算力发展主要依赖摩尔定律，通过晶体管密度提升实现计算能力的增长。然而，随着物理极限不断逼近，单纯依靠芯片密度提升的方式已明显不足。近年来，算力发展呈现多元化创新态势：一方面，GPU、TPU、NPU等专用计算架构快速迭代，实现了对特定AI任务的加速支撑；另一方面，分布式计算、异构计算等新型计算范式使系统层面的算力整合取得突破。此外，量子计算与神经形态计算等前沿技术也已在实验阶段展现巨大潜力，有望在未来数年内为人工智能带来新的算力革命。在模型方面，正从规模驱动向效率驱动转变。早期的大模型以“更大即更强”的规模法则（Scaling Laws）为发展范式，主要依靠参数规模的扩张来提升性能。然而，模型规模无限扩大带来的训练成本与推理延迟已成为实际应用的瓶颈。当前，模型创新呈现双轨并行趋势：一方面，通过稀疏激活、MoE等架构创新，在保持或减小参数规模的同时提升模型能力；另一方面，知识蒸馏、量化压缩、参数高效微调等技术使模型在部署阶段实现了轻量化。同时，多模态融合、指令微调和对齐等方向的突破正在重塑模型的理解与生成能力，为通用人工智能的实现铺平了道路。在应用方面，正从“单点突破”走向“系统性创新”。AI技术加速向各行业渗透，推动产业的数智化转型。发轫之始，AI应用主要集中在语音识别、图像处理等单一领域的特定任务上，应用场景相对孤立。随着大模型时代的到来，AI应用正发生质的变革：一方面，跨领域融合应用成为主流，AI技术与医疗、金融、教育等传统行业深度结合，催生出智慧医疗、智能金融、个性化教育等新业态；另一方面，AI能力正从感知智能向认知智能跃迁，从单纯的数据分析转向对复杂场景的理解与决策支持。此外，AI与物联网、区块链、云计算的技术聚合，正在形成新型数字基础设施生态体系，为产业智能化转型提供系统性解决方案，推动实体经济与数字经济深度融合发展。

在此背景下，AI产业创新呈现多元化新特征。一是创新主体多元化、网络化与分布式发展，产学研用协同创新成为主流。二是创新资源全球化配置与本地化并行发展，跨境技术合作日益频繁，核心技术和关键环节的本地化趋势明显增强，区域创新集群正在形成。三是创新模式的开放性与系统化融合，AI创新模式正从封闭走向开放，由单点突破走向系统集成，开源社区和开源工具在技术进步中发挥着重要作用。四是创新效率重构与资源利用优化，AI产业创新效率正经历深刻重构，从资源密集型向效率驱动型转变。技术创新本身正变得更加高效，创新资源的使用效率亦在显著提升。

（四）AI产业创新模式研究现状

现有研究从多个维度探讨了AI产业的创新模式，但大多局限于某个特定维度，缺乏系统性的理论框架。在技术进步维度，模型架构创新和训练方法优化是关键突破口；在产业组织维度，新型组织结构和产业链协同模式值得关注^[12]；在技术扩散维度，知识溢出效应和技术转移机制发挥了重要作用；在国际协作维度，构建全球创新网络的重要性日益凸显^[13]。而DeepSeek的创新实践为构建新型AI产业创新范式提供了重要案例，其突破性成果验证了技术范式理论关于突破性创新的论断，开源战略更是丰富了平台经济理论与开放创新理论的内涵，自主创新的路径前探为适应发展中国家的创新理论提供了新的经验证据。因此，深入分析DeepSeek案例，有助于我们更好地理解AI时代的创新规律，进而完善创新范式理论体系。

基于此，本文从创新理论与实践深度融合的视角，以DeepSeek为典型案例，探究数智时代AI产业创新的新特征和发展规律，以期为创新范式理论的发展完善和我国AI产业的创新实践提供新的研究洞见。

三、从四个维度看DeepSeek的产业创新范式特征

当前，国产AI崛起“加速度”形象跃然纸上，引领我国技术自主创新浪潮。DeepSeek体现了我国AI领域崛起的新高度，在短期内快速推出一系列具备国际竞争力的AI模型，并保持着高频率迭代更新。卓越的敏捷开发和快速迭代能力使其从追赶者迅速成为并跑乃至领跑者。DeepSeek并非横空出世，亦非异军突起，更绝非我国人工智能发展历程中的偶然事件，而是一个具有里程碑意义的跃升节点，标志着国产AI正在不断发力，加速摆脱长期追赶者的刻板印象，昂首迈入与国际顶尖水平并跑乃至领跑的新阶段。DeepSeek-V3等模型在个人终端设备中被频繁调用，在教育辅导、科研协作、创意写作等领域的应用获得广泛好评，逐渐成为越来越多用户的智能伙伴。截至2025年2月，DeepSeek的日常活跃用户（DAU）数突破3000万，创下AI应用领域最快达到这一规模的历史纪录，并且用户规模还在继续扩大。^①同时，DeepSeek的成功实践为我国AI产业发展提供了宝贵经验，鼓舞了整个行业的发展信心，为国内AI企业的未来发展指出了一个可能的方向。它证明了即使在资源受限的情况下，通过技术创新也能实现“弯道超车”，展示了开源协作模式对推动技术进步的重要价值，验证了本土化创新对满足市场需求的关键作用，也向世界证明了中国在AI领域具备快速创新和引领变革的巨大潜力。回看其发展历程，作为DeepSeek技术前身的“萤火1号”训练平台，奠定了其发展的关键基础。2023年杭州深度求索公司成立以来，专注于通用人工智能（AGI）基础技术研究，在短短一年后就取得了惊人的技术实力和突破性进展。（见表1）DeepSeek“创新降本”的华丽出场正成为全球AI景观中的催化剂，不仅撼动了美国科技巨头的传统优势，更是激发了AI企业之间的竞争。从Google连发数款大模型加以应对，Ope⁃nAI加速推进GPT-5的发布计划，再到马斯克旗下xAI团队紧锣密鼓筹备并发布Grok 3，无不彰显Deep⁃Seek在当前AI界所扮演的变革引领者角色，为中国AI在全球竞争中赢得了更多话语权和影响力。

（一）技术进步（精益创新）范式：成本约束下“算法—架构”协同创新，驱动高效低耗革命性突破

在传统认知中，人工智能的进步往往与巨额资本投入和大规模算力堆砌紧密相关，似乎遵循着“高投入—高产出”的线性增长模式。然而，创新的本质是产出成果的成本下降，DeepSeek以其颠覆性的精细化运营模式，打破了这一固有产业范式，在成本约束下找到了实现技术突破的全新路径。通过“瘦身架构+数据蒸馏”双轨策略，将模型训练成本压缩至行业标杆数分之一（Meta的1/10，OpenAI的1/20，甚至更低），开辟的动态稀疏化训练（通过梯度敏感度分析动态剔除冗余参数，实现模型体积减小30%而性能无损）、数据价值密度优化（采用“黄金比例”数据筛选法，将训练数据量从传统模型的10TB级压缩至3TB，同时保留核心知识密度）等尖端方法，颠覆了当前大型AI模型的开发范式，并直接挑战了传统人工智能发展将AI性能与大规模计算能力捆绑在一起的既定程式。同时，其开发AI模型所强调的成本效率、资源优化、针对性训练和开源协作，对现有大型科技公司排他性和集中控制的技术生态构成直接挑战，宣告AI技术发展进入了精细化运营的新阶段，实现了人工智能技术进步从粗放式算力堆砌转向注重内生式优化与效率提升的根本性变革。

（二）产业组织（网络协同）范式：混合专家架构引领“群智协作”，重塑AI创新生态体系新格局

人工智能大语言模型的发展正经历着从“单体智能”向“群体智能”（专家分工明确—专家协同合作—问题完美解决）的深刻演进。DeepSeek通过创新性地运用MoE架构，构建了一种基于专家协同的产业组织新范式，为AI产业发展提供了全新思路。从科学技术视角看，DeepSeek对MoE架构的优化突破了传统稠密模型的局限。通过精心设计的专家路由机制和负载均衡策略，实现了不同领域专家模块（如语言处理、图像识别、数据分析等）的高效协同。这种“分而治之”的策略显著提升了模型在知识广度、推理深度和泛化能力上的表现，推动AI技术从“通才”模式向“专家网络”模式转变。从产业生态视角看，DeepSeek的创新实践重塑了AI产业的组织形态。首先，打破了传统大企业垄断的封闭格局，构建起开放协作的创新网络。其次，降低了产业创新门槛，为中小企业参与AI技术创新提供了可能性。再次，通过建立灵活的专家协作机制，提高了产业资源配置效率。此类新型产业组织范式已在实践中展现出强大生命力，其DAU最快突破3000万的成绩正是范式创新的有力佐证。从协同创新视角看，DeepSeek的模式体现了网络化组织在AI时代的独特优势：通过构建开放的专家协作网络，实现了知识共享和能力互补，促进了创新要素的自由流动和重组。协同创新模式不仅提升了单个企业的创新效率，更催生出整个产业生态的集体智慧涌现。从未来发展趋势看，基于异构专家协同的智能架构将在处理复杂现实问题中发挥越来越重要的作用。这种产业组织创新范式不仅能够有效推动AI技术的进步，更为产业升级和创新生态构建提供了全新思路。

（三）开放创新（技术扩散）范式：开源共生赋能“平台—生态”互动机制，催生普惠创新新模式

人工智能技术的扩散正经历从资本密集向效率驱动的范式转换。DeepSeek通过创新性的全栈优化策略和开源共享机制，开创了一种新型技术扩散范式，为AI技术的普惠发展提供了全新路径。从资源优化视角看，DeepSeek突破了传统资本密集型开发模式的局限。面对高端芯片获取受限、计算资源匮乏等挑战，通过全栈优化（硬件层、框架层、算法层和应用层）策略，DeepSeek构建起“软件定义硬件+算法补偿算力”的创新技术体系。这种优化使其模型训练成本降至600万美元以下，与传统动辄数亿美元的投入形成鲜明对比，展现出“四两拨千斤”的技术创新效能。从生态构建视角看，源于草根、服务大众的技术民主化开源策略重塑了AI技术扩散机制。DeepSeek将核心代码和模型文档在GitHub和Hugging Face等平台开源，主动融入全球创新网络，构建起去中心化、扁平化的创新生态。这种开放共享模式打破了技术垄断，降低了创新门槛，为学术界、中小企业和新兴市场提供了参与全球AI发展的机会。从应用创新视角看，DeepSeek的扩散范式催生了多元化的创新实践。从金融交易到医疗诊断，从教育辅导到自动驾驶，其开源技术在各垂直领域激发出新的应用可能。这种“普惠创新”模式不仅突破了技术应用的“最后一公里”障碍，更推动了AI技术红利向更广泛社会群体的渗透。从未来发展趋势看，这种效率驱动的技术扩散范式将持续重塑AI产业发展格局。首先，随着技术民主化进程加速，由收入差距带来的数字鸿沟将逐渐消弭，基于开源生态的创新模式将进一步打破传统封闭创新的边界，推动AI技术从“精英垄断”走向“普惠共享”。其次，全栈优化策略将成为资源受限环境下技术突破的重要路径，并将引领AI开发向低碳高效方向演进。最后，“平台—生态”的互动机制将持续深化，并将催生更多元的应用场景和商业模式，推动AI技术在各垂直领域的深度融合。DeepSeek的实践表明，技术扩散的核心不在于资源投入的规模，而在于如何通过系统性创新提升资源使用效率，这为全球AI技术的民主化发展指明了方向。

（四）自主创新（国际协作）范式：技术封锁下的“自主—开放”辩证统一，推动全球技术格局的新变革

人工智能产业的全球化发展正经历从技术依赖向自主协同的范式转换。DeepSeek的实践表明，即使存在技术封锁、面临产业链重构，通过创新驱动实现战略突围仍是可能的。其创新性的“自主—开放”辩证统一实践，开创了一种新型国际协作范式，为构建更加包容、普惠、可持续的全球AI创新生态提供了重要启示，也为全球AI产业治理提供了富有启发意义的中国方案。从战略创新视角看，Deep⁃Seek通过“成本重构+生态重构+产业链重构”三重路径，实现了对传统技术追赶模式的突破。这种系统性创新不仅优化了资源配置效率，而且对全球创新网络结构进行了重修再造，为发展中国家参与全球科技竞争提供了新的路径。同时，其显著降低的模型训练成本和卓越的工程效率，直接挑战了传统科技巨头的市场优势，引发了全球资本市场的重要变化^②。从产业治理视角看，DeepSeek的创新实践推动了全球AI产业治理格局的深刻变革，成功促使国际市场重新审视高端芯片与核心算法的依赖关系，并推动全球供应链向更具韧性的方向调整。这种变革不仅局限于技术层面，其影响更延伸至地缘经济与产业治理领域，形成了自主可控与开放合作辩证统一的新型产业发展模式。从全球影响视角看，Deep⁃Seek的范式创新已产生外溢效应。一方面，其成功实践促使各国企业加速构建更为自主、可靠、安全、透明的AI技术生态；另一方面，其开放协作的发展理念为跨国技术合作提供了富有启发的实践范本。兼具自主性与开放性的创新模式不仅打破了传统科技巨头的垄断格局，更为全球AI产业的良性发展注入了新的活力。在双向互动之下既提升了我国在全球AI话语体系中的话语权，也为国际竞争环境下的技术标准制定提供了新思路。

四、DeepSeek的产业创新范式可能面临的挑战

DeepSeek实现了我国在AI领域的跳跃式发展，但其技术突破主要体现在“低成本+高性能”的工程优化与开源创新上，现有部分评价与客观事实存在较大差距。例如，DeepSeek-V3模型确实以同类模型十分之一的训练成本（约557.6万美元），实现了接近Claude-3.5-Sonnet-20241022的性能表现，并通过组相关/梯度正则化策略优化（Group Relative Policy Optimization，GRPO），算法简化和强化学习流程，从而提升了推理效率，但舆论所述“吊打OpenAI的国货之光”及暗示其“颠覆了AI技术范式”恐怕并不准确。过度的“神话”式叙事容易遮蔽技术创新的本质规律，也不利于AI产业的健康发展。首先，忽视了技术创新的渐进性特征。任何重大技术突破都植根于持续的实验探索与反复优化，DeepSeek的成功同样凝聚着研发团队大量的试错成本和积累。将其简单归因于一蹴而就的“顿悟式突破”，不仅违背创新规律，更可能误导产业发展预期。其次，模糊了技术发展的风险边界。AI技术在快速迭代过程中面临着数据安全、算法偏见、可解释性等多维度挑战，过度乐观的叙事容易弱化风险意识，不利于建立健全防控机制。再次，偏离了创新生态的协同本质。技术进步需要产业链各方的配合与支撑，单一企业的成功更需要置于整体创新生态中进行审视。片面夸大“个体”成就可能影响产业的良性互动，制约创新活力的持续释放。因此，应当回归理性客观的发展认知，构建更加科学的评估体系，为AI产业的长期健康发展奠定坚实基础。

（一）技术创新价值尚待市场深度验证，商业化路径与持续盈利能力面临多重考验

DeepSeek的技术创新成效显著，诱发了科技界的一系列链式反应。但其市场价值转化能力与商业可持续性仍面临多重挑战，对技术优势的持续性与迭代能力的考验也才刚开始。

一是技术适配性有待验证。模型在垂直领域的实际效能、系统稳定性及大规模商用环境下的可靠性尚需市场检验。例如，近期由于DeepSeek突然爆火，原本处于实验阶段的小型APP或网页程序因无法承受大规模用户访问而频繁崩溃，用户经常收到“服务器繁忙，请稍后再试”的提示。可见，DeepSeek及其相关应用在面对高并发场景时的系统承载能力仍有不足，尤其是在金融、医疗等对稳定性和可靠性要求极高的垂直领域，模型性能的适配性急需进一步验证。

二是商业模式存在结构性矛盾。DeepSeek的开源战略和低价API（应用程序编程接口）策略虽然迅速扩大了自身的市场影响力，但也带来了商业模式上的结构性矛盾。一方面，开源模式降低了技术壁垒，模型推理成本的下降推动了市场整体规模扩大，使得竞争对手能够快速复制或改进其技术，也进一步带动了算力卡等基础设施的采购需求，进而逐渐稀释DeepSeek的核心竞争力。另一方面，低价策略虽有助于市场渗透，却难以支撑长期盈利，在服务高端客户方面也存在短板。例如，近期国行版iPhone AI最终选择与阿里、百度等大厂合作，并未选中DeepSeek大模型，对此有报道指出，Apple团队认为DeepSeek缺乏支持像苹果这样的大客户所需的人力资源和经验。此外，开源社区的维护成本和技术支持需求也可能对企业的财务状况造成压力，从而进一步加剧收益困境，因此，亟待形成规模化的盈利模式。

三是国际化进程面临系统性制约。全球市场拓展受限于供应链安全等外部因素，尤其技术管制等地缘政治因素会带来严重制约。例如，美国对中国高科技企业的出口管制政策限制了DeepSeek获取高端芯片的能力，使其只能使用国产芯片。因此，受限于芯片资源，其技术优势的持续性与迭代能力将经受巨大考验。与此同时，同国际科技巨头在品牌影响力、技术研发能力、人才获取和全球化布局等方面的竞争优势差距明显，地缘政治风险加剧也为其国际化战略增添诸多不确定性，全球市场扩张将面临较大阻力。

四是品牌价值构建任重道远。企业在全球市场的品牌定位与文化认同需要时间积累，用户信任度与品牌认知度的培育也是一个长期过程。而且在AI领域，伦理与安全问题对用户信任提出了更高要求。目前，DeepSeek还不能很好地解决AI大语言模型的幻觉等通病。大量实例与用户反馈表明，其逻辑推理能力仍待提升，幻觉、诱骗等不诚实问题仍未完全解决。例如，近日DeepSeek在与ChatGPT开展的国际象棋对弈中通过虚构规则更新来获取优势并胜利的行为，虽展现出其“机智”，但也暴露了技术跃进速度远超伦理治理体系的进化能力。当AI模型开始掌握“精致谎言”，能够通过逻辑推理将虚假信息包装得看似合理并误导人类，逆向淘汰便不可避免。而且此种能力如果被滥用，将对用户信任和社会安全构成严重威胁。

（二）核心技术积累与自主创新能力仍需加强，尤其要防止表层突破掩盖深层短板

DeepSeek在算法调优、硬件适配与开源生态建设上已取得一定成果，但这些表层突破尚不足以构筑长期的竞争壁垒。同时，算力基础设施短板已然成为其发展道路上难以持续进取的“阿喀琉斯之踵”。若无更进一步的扎实原创性技术积累，其短期优势可能会在面对全球技术封锁与市场变化时迅速褪色，暴露出深层次短板。

一是算力基础设施存在根本性制约。生成式AI的发展与算力规模呈现强耦合关系，而算力提升又与芯片制程技术密不可分。模型参数量每提升一个数量级，所需算力通常需要增加2～3个数量级。虽然DeepSeek通过优化算法实现了一定程度的效率提升，但在现有架构下，模型性能提升已接近“算力墙”，单纯依靠软件优化已很难实现质的飞跃。

二是底层技术的依赖性问题尚未根本解决。国产芯片适配仍处于初级阶段，性能优化、技术指标和产品商业化成熟度与国际领先水平均有差距。例如，尽管通过软硬件协同优化实现了部分算力补偿，但在复杂任务处理和大规模分布式训练中，国产芯片的效率与稳定性仍难以完全替代英伟达、AMD等国际巨头的产品。此外，DeepSeek在核心算法框架上的创新多基于现有开源技术的调优改进，而非从零构建的原创性突破，在外部硬件被进一步“卡脖子”的情况下，可能导致其在未来技术迭代中陷入被动，原创性技术突破与“由点到面”的能力培育任重道远。

三是研发投入与技术储备不足制约长期竞争力。AI领域的技术竞争本质上是研发投入与人才储备的竞争。DeepSeek作为一家新兴企业，在研发资金规模和技术积累上与国际科技巨头相较来看显得捉襟见肘。例如，OpenAI和Google每年投入数十亿美元用于基础研究和前沿探索，而DeepSeek的研发资源相对有限，难以覆盖全栈技术链条的关键节点。这种资源约束不仅限制了其在底层技术上的深耕能力，也可能导致其在面对快速变化的技术趋势时缺乏足够的应对弹性。

（三）生态依附下尚未形成独立的自主技术体系，需要警惕AI技术发展陷入“浮华陷阱”

表层突破不应掩盖深层挑战。虽然DeepSeek在开源生态上取得了一定成果，并积极拥抱国际前沿技术，但其整体的技术体系依然存在生态依附性与认知本质尚未突破的双重局限。

一是底层技术依赖性突出。在框架层面，DeepSeek主要依赖由国外主导的PyTorch和TensorFlow等AI基础框架；在高性能计算方面，主要依赖NVIDIA的CUDA平台及其GPU生态。对外部技术存有较高依赖，在国际环境变化时就可能面临较大的技术封锁或供应链中断等风险，从而影响企业的持续创新能力。

二是自主生态体系尚未健全。DeepSeek在开源领域已有所布局，但其自主生态体系的构建仍处于初级阶段。在大规模数据训练上，DeepSeek主要依赖主流的开放数据集，缺乏自建的高质量行业级知识图谱和结构化数据库。知识产权和伦理纠纷很有可能带来数据资源方面的受制于人，进而限制未来模型的训练效果和应用范围。

三是认知本质突破仍待时日。当前，大语言模型的本质仍是基于符号统计的模式识别系统，这种技术路径存在根本性局限。研究表明，与人类基于因果理解的认知方式不同，模型往往在简单常识推理中出现严重谬误。例如，DeepSeek在处理基础物理问题时，可能产生与自然规律相悖的推理结果，暴露其缺乏真正的概念理解能力。

四是“浮华陷阱”风险显现。过度关注短期技术追赶可能导致忽视基础理论创新。统计学方法虽能模拟人类的认知表象，但难以实现对事物本质的深刻洞察。从达特茅斯会议提出人工智能概念至今，通用人工智能的实现路径仍未明晰。正如“爬树”与“登月”的差异，当前的技术突破可能仅是漫长进化过程中的初级阶段。

（四）外部环境复杂性与政策潜在风险较大，地缘政治与监管压力叠加效应逐渐显现

地缘政治博弈加剧了技术壁垒，全球供应链重构正挑战企业韧性。DeepSeek的技术突破引发了全球关注，也使其成为全球科技竞争与政策博弈的焦点。然而，外部环境的复杂性与政策风险正成为其未来发展的重要变量，不利因素在短期内尚未显现，但长期必将重塑AI产业的竞争规则，迫使企业被动调整战略布局，甚至可能陷入“技术优势反噬发展空间”的悖论。

一是技术管制与供应链安全压力加大。随着国际科技竞争加剧，关键技术与核心硬件的供应链安全面临严峻挑战。美国对华AI技术封锁持续加码，其出口管制政策已影响到高端芯片的获取。2025年，《美国人工智能能力与中国脱钩法案》（Decoupling America’s Artificial Intelligence Capabilities from China Act of 2025）明确禁止美国资本对中国AI企业的投资，并限制高端芯片及相关技术出口，对中国AI企业的模型训练效率与算力规模的提升进行限制。未来更加严格的技术封锁措施可能进一步加剧供应链的不确定性。

二是全球监管趋严，国际标准与合规壁垒抬高了全球化成本。随着欧盟《人工智能法案》、美国《算法问责法案》等法规的出台，欧美正加速构建以“价值观”为导向的技术联盟，AI技术应用面临前所未有的法律约束，且数据隐私保护、算法透明度、内容生成的真实性等问题已成为监管重点。DeepSeek如若“出海”，需在多个市场满足不同的监管要求，在欧美市场推广还需额外承担数据本地化存储、算法透明性审计等合规成本，预计将增加20%～35%的运营开支，国际化进程任重道远且荆棘载途。同时，西方舆论场对中国AI技术的“系统性污名化”愈演愈烈，部分媒体炒作DeepSeek“数据窃取论”“技术抄袭论”，已导致其品牌信任度在欧美市场受到冲击。

三是全球算力竞争加剧了资源分配失衡。美国的“星门计划”联合日韩、欧盟构建排他性算力联盟，试图通过垄断先进芯片产能与云计算基础设施，将中国排除在全球算力网络之外。全球算力资源的“阵营化”割裂可能催生技术标准的“双/多轨制”，迫使企业针对不同市场开发定制化模型，进一步稀释研发资源的投入效能。

（五）人才结构与“背景”同质化制约认知突破，多元化创新开发生态建设任重道远

大模型的发展不仅依赖技术创新，更可能深层次地受限于开发团队的认知框架与文化视野。DeepSeek虽在技术追赶中展现出卓越的工程优化能力，但其人才结构和“背景”的同质化特征可能制约其未来发展。

一是人才来源的文化单一性问题。目前，国内大模型研发团队主要由具有相似教育背景和文化认知的华人（或亚裔）工程师构成，同为“儒家文化圈”的同质化人才结构可能导致技术创新出现“思维惯性”。相比之下，国际领先企业如OpenAI、Google等汇聚了来自全球不同文化背景的研发人才，因而能够形成更具包容性和多元化的创新生态。

二是认知框架存在局限性。大模型本质上是对人类知识和认知的系统性模拟，其发展深度在某种程度上受限于开发者群体的认知边界。单一文化背景可能导致模型在处理跨文化、多元价值观等复杂问题时表现出偏差或局限。例如，在理解不同文明的思维方式、处理跨文化语境等方面可能存在天然局限。

三是创新思维存在多样性不足问题，科研团队的认知多样性与创新突破呈现正相关。相似的教育背景和文化认知可能导致技术创新陷入路径依赖，难以产生颠覆性突破。特别是在探索通用人工智能这类前沿领域时，缺乏多元文化视角可能制约对智能本质的深层理解。

四是全球化竞争力潜藏诸多短板。在AI走向全球化应用的背景下，多元文化理解与跨界融合能力已成为决定性要素。人才结构同质化不仅会影响产品的文化适应性，更可能导致创新思维固化。从历史经验看，技术的重大突破往往源于不同文明的碰撞与交融。当前，国内AI企业的人才结构并不利于全球化布局。一方面，在产品设计与用户体验上，难以准确把握不同文化群体的深层需求，从而影响产品的全球市场渗透率；另一方面，在技术创新的路径选择上，可能因认知框架局限而错失颠覆性突破机会。特别是在涉及价值判断、伦理决策等复杂场景时，单一文化背景下培育的AI系统可能难以适应全球多元价值体系的挑战。这既影响企业的市场拓展，也可能在未来的技术竞争中逐步显现其根本性制约。

（六）社会伦理与法律监管压力逐渐增大，安全边界、合规运营面临诸多挑战

随着DeepSeek带动新一轮AI爆火，AI软硬件产品的广泛应用会引发一系列的社会伦理和法律问题，若不能妥善应对，将严重制约其深入发展。

一是伦理道德边界模糊引发社会争议。AI的决策过程和行为表现日益复杂，DeepSeek也不例外，其生成的一些歧视性言论、虚假信息和违背人类基本伦理道德等内容可能引发激烈的社会争议。在AI的算法黑箱下，很难明确界定其行为背后的责任归属，因此，当AI生成违背社会伦理的内容时，难以确定归咎于算法设计、数据输入，抑或使用场景的问题。这种伦理道德边界的模糊性势必带来公众对AI的信任危机，甚至产生抵制情绪，从而对DeepSeek的市场推广和应用造成阻碍。

二是法律监管滞后导致合规风险加剧。当前，全球范围内针对AI技术的法律法规尚处于探索阶段，许多领域存在明显的监管空白。例如，DeepSeek在内容生成、自动化决策等领域的应用可能触及知识产权、隐私保护、数据安全等多方面的法律问题。一旦出现法律纠纷，企业不仅需要承担高昂的诉讼成本，还可能因缺乏明确的法律依据而陷入被动局面。此外，不同国家和地区之间的法律差异进一步增加了合规难度，企业将面对更加复杂的跨国法律环境。

三是技术滥用风险威胁社会稳定。DeepSeek的技术突破使其具备了强大的内容生成能力和逻辑推理能力，但这些能力也可能被恶意利用。例如，通过伪造新闻、虚假宣传或深度伪造技术，不法分子可能制造社会恐慌、扰乱公共秩序或实施网络诈骗。

四是社会责任意识不足影响企业形象。作为快速崛起的新兴领域，AI企业在追求技术创新的同时，也需要承担起相应的社会责任。目前，部分企业在技术研发和商业化过程中，过于注重短期利益，忽视了对社会影响的全面评估。例如，在教育、医疗等领域，AI技术的不当应用可能加剧资源分配失衡或引发伦理争议。若企业未能及时调整策略，强化社会责任意识，其品牌形象和公众信任度将受到严重影响，进而削弱其市场竞争力。

五、构建良好治理生态，加速人工智能产业创新发展

DeepSeek的崛起恰逢全球技术权力重构的关键期，其发展已远远超越单纯的技术竞争范畴，而是成为大国博弈的微观投射。同时，AI作为引领新一轮科技革命和产业变革的关键技术，其健康可持续发展对国家经济和社会进步也具有深远影响。为此，急需构建科学、系统、可操作的政策体系，促进AI产业的良性发展。

（一）实施韧性供应链锻造工程，夯实产业技术发展基础底座

AI产业的发展离不开核心芯片和计算能力的加持。一是加速芯片研发，打破技术瓶颈。启动“量子—经典混合计算”技术攻关，设立国家AI芯片研究院，集中资源进行存算一体架构及量子计算等前沿技术研究，在重点城市布局量子计算示范基地，提升自主研发能力。二是加强软件体系建设，提升技术自主性。对符合条件的芯片企业实施研发费用加计扣除政策，推进重点领域软件框架自主研发，并设立专项资金支持企业技术迁移。三是优化开源机制，促进技术共享。建立开源贡献激励机制，通过财政补贴和税收减免，鼓励企业和个人参与开源项目，推动软件体系建设与共享。

（二）推进超限人才培养计划，破解人才结构性矛盾

一是构建分层次人才培养体系，推进AI教育课程建设，设立“AI卓越人才计划”，在重点高校布局前沿实验室，构建本硕博贯通式培养模式。二是创新高端人才引进机制，实施“一人一策”引才计划，在重点城市设立“AI人才特区”，提供科研启动资金、住房补贴、子女就学等配套服务。三是深化产教融合机制，推动企业与高校共建实训基地，开展联合科研项目，设立产业创新奖学金，打通人才培养与产业需求的对接渠道。

（三）构建国家算力网络体系，强化智能算力基础保障

一是建设全国统一的算力网络，由国家层面统筹规划，整合各地区算力资源，打造全国性一体化算力共享平台。二是推进边缘计算基础设施建设，在城市、乡村等不同区域布局边缘计算节点，优化数据处理效率。三是实施算力服务标准化，统一服务标准和评价体系，建立动态监测机制，确保算力资源安全可控。四是完善数据要素市场，建立行业数据共享平台，制定数据定价标准，促进数据要素高效流通。

（四）打造应用创新示范高地，加速产业生态成熟

一是建设垂直领域应用示范区和示范城市，在医疗、金融、制造等重点行业开展AI应用创新试点。二是设立产业创新发展基金，采用“政府引导+市场运作”模式，重点支持AI技术在传统产业的融合应用。三是构建智能产业链协同平台，整合上下游企业资源，通过信息共享、协同研发提升产业链效率，在特定区域形成以AI为核心的产业集群。

（五）建立AI治理沙盒机制，完善发展治理框架

一是构建动态监管体系，设立特定监管试点区域，建立“红黄绿”风险预警机制，针对不同类型的AI应用制定差异化监管标准。二是健全伦理治理框架，设立AI伦理委员会，制定行业标准与技术规范，建立透明化的信息披露制度。三是推进多元协同治理，鼓励企业、社会组织和公众共同参与，建立第三方评估认证体系，实现有效监管与自律机制的统一。

（六）深化国际合作创新布局，拓展全球发展空间

一是构建区域技术合作机制，建设数字自贸区，推动算力共享和数据互通，完善跨境合作支持政策。二是积极参与国际规则制定，主动参与全球AI治理对话，推动构建包容、公平的国际规则体系。三是建立合规审查标准，完善技术出口管理与合规审查机制，定期组织国际交流活动，促进全球创新要素的高效流动。

注释

①数据来源：《DeepSeek成史上最快突破3000万日活APP！工信部：三家基础电信企业均全面接入DeepSeek》，https：//www.toutiao.com/article/7469077092315988518/？upstream_biz=doubao&source=m_redirect。

②譬如，DeepSeek发布后，英伟达股价单日最大跌幅曾达5.4%，对应市值蒸发约5800亿美元；日本Advantest曾跌11%，马来西亚YTL电力曾跌9%，亚洲数据中心股普遍下挫8%～14%。

参考文献：

[1]习近平在中共中央政治局第九次集体学习时强调 加强领导做好规划明确任务夯实基础推动我国新一代人工智能健康发展[N].人民日报，2018-11-01.

[2]习近平.高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告[N].人民日报，2022-10-26.

[3]“十四五”国家信息化规划[EB/OL].[2021-12-28].中国政府网，https：//www.gov.cn/xinwen/2021-12/28/5664873/files/1760823a103e4d75ac681564fe481af4.pdf

[4]Parker G G，Van Alstyne M W，Choudary S P.Platform Revolution：How Networked Markets are Transforming the Economy and How to Make Them Work for You[M].New York：W.W.Norton & Company，2016.

[5]Chesbrough H W.Open Innovation：The New Imperative for Creating and Profiting from Technology[M].Harvard Business School Press，2003.

[6]陈劲.整合式创新——新时代创新范式探索[M].北京：科学出版社，2021.

[7]熊彼特.经济发展理论[M].北京：中国人民大学出版社，2019.

[8]Thomas K.The Structure of Scientific Revolutions[M].University of Chicago Press，1962.

[9]Freeman C，Perez C.Structural Crises of Adjustment，Business Cycles and Investment Behaviour[M]//Dosi G，Freeman C，Nelson R，et al.Technical Change and Economic Theory[M].London：Pinter Publishers，1988：38-66.

[10]Lundvall B-A.National Systems of Innovation：Towards a Theory of Innovation and Interactive Learning[M].London：Pinter Publishers，1992.

[11]Nelson R R.National Innovation Systems：A Comparative Analysis[M].New York：Oxford University Press，1993.

[12]龙海波.科技创新与产业创新深度融合：模式、堵点与突破[J].北京行政学院学报，2025（1）：22-30.

[13]刘丛，王薇，谢斌，等.科技人才、技术扩散与经济转型：留学生对近代中国工业发展的影响[J].经济学（季刊），2025（1）：1-17.

作者简介：魏巍，国家发展和改革委员会市场与价格研究所助理研究员；曾铮，国家发展和改革委员会市场与价格研究所研究员；刘蕾（通讯作者），北京工商大学商学院博士后、副教授。

《经济纵横》2025年第6期