DeepSeek、Perplexity 与 AI 挑战者的新浪潮

昂贵的人工智能垄断时代即将终结。过去两年，行业普遍认为顶尖性能需要数十亿美元的算力投入和巨大的能源消耗。然而，DeepSeek 和 Perplexity 正在证明，效率完全可以战胜单纯的规模。DeepSeek 通过发布性能媲美行业巨头但训练成本极低的模型，震惊了整个市场。与此同时，Perplexity 正在从根本上改变人们与互联网的交互方式，用直接且带有引用的答案取代了传统的链接列表。这种转变不仅仅是新工具的出现，更是智能经济底层逻辑的根本性变革。现在的焦点已从“模型能有多大”转向“运行成本能有多低”。随着这些挑战者不断攻城略地，传统巨头被迫防守，面对着一群优先考虑实用性而非炒作的精简、专业化竞争对手。

智能市场的效率冲击

DeepSeek 代表了 AI 世界产品现实的转变。当许多公司专注于构建尽可能庞大的神经网络时，DeepSeek 团队专注于架构优化。他们的 DeepSeek-V3 模型采用了“混合专家”（Mixture of Experts）方法，仅在处理特定任务时激活总参数的一小部分。这使得模型在保持高性能的同时，大幅降低了生成每个词所需的计算能力。关于该公司的叙事往往围绕其低廉的训练预算展开，据报道不到 600 万美元。这一数字挑战了“只有最富有的国家和企业才能构建前沿模型”的观点，暗示了高水平机器学习的准入门槛比想象中更低。

Perplexity 则从用户界面的角度切入。它是一个“答案引擎”而非传统的搜索引擎。它利用现有的大型语言模型扫描实时网络，提取相关信息，并以带有脚注的连贯段落呈现。这种设计选择解决了标准 AI 模型的主要弱点——即倾向于陈述过时或完全虚构的事实。通过将每个回答建立在实时网络数据的基础上，Perplexity 创建了一个在专业研究中比标准聊天机器人更可靠的工具。该产品不仅是模型本身，更是围绕它的检索和引用系统。这种方法给依赖用户点击多页搜索结果获取广告收入的传统搜索提供商带来了巨大压力。

如果用户第一次尝试就能得到答案，他们就没有理由去浏览赞助链接列表或在杂乱的网站中跳转。这在工具的实用性与当前网络经济结构之间产生了直接冲突。

廉价算力的地缘政治

这些挑战者的全球影响力根植于高性能推理的民主化。当运行模型的成本下降 90% 时，其集成到日常软件中的潜力将呈指数级增长。此前因价格高昂而无法使用顶级 API 的新兴市场开发者，现在可以构建复杂的应用程序。这改变了整个行业的重心。如果最高效的模型来自传统的硅谷中心之外，那么大规模本土服务器集群的战略优势就开始减弱。这迫使人们开始讨论模型主权，以及各国是应该依赖少数中心化提供商，还是投资于自己的高效架构。这是一个值得关注的信号，因为它推动行业远离“赢家通吃”的动态，转向一个更加碎片化和竞争激烈的市场。

企业买家开始感受到这种转变对利润的影响。低成本推理的叙事正在改变企业规划长期技术栈的方式。如果像 DeepSeek 这样的模型能以 10% 的价格提供昂贵竞争对手 80% 的效用，那么对于大多数常规任务而言，昂贵方案的商业理由就不复存在了。这创造了一个分层市场：最昂贵的模型保留用于极其复杂的推理，而大部分工作由高效的挑战者处理。这种经济现实也影响了广告界。Perplexity 正在尝试一种将广告融入研究过程而非干扰过程的模式。在人们不再访问主页或滚动搜索结果的时代，这可能会重新定义品牌触达消费者的方式。从选择 API 的软件工程师到试图在即时答案世界中寻找受众的营销高管，每个人都能感受到这种影响。

与答案引擎共度周二

为了理解现实世界的影响，我们可以看看金融分析师 Sarah 的一天。过去，Sarah 早上开始工作时需要打开十个不同的标签页来查看市场动态和新闻报道，并花费数小时将数据汇总成晨报。今天，她使用答案引擎同时查询多个来源的特定数据点。她要求对比三份不同的季度报告，并在几秒钟内收到带引用的摘要。由于系统直接从源文本中提取信息，数据的准确性得到了保证。她不再把时间花在寻找信息上，而是花在验证信息并据此做出决策上。这就是搜索分发的实际案例。界面变成了研究员，而 Sarah 变成了编辑。她的工作流程更快了，但也更依赖引擎提供的引用准确性。

当天晚些时候，Sarah 需要编写一个自定义脚本来自动化数据录入任务。她没有使用可能价格昂贵的通用助手，而是使用了像 DeepSeek 这样的挑战者提供的专用编码模型。该模型能即时提供代码，且由于推理成本极低，公司允许她在一天内将其用于数千个小任务，而无需担心预算。这就是模型市场的变化方式。它正在成为一种后台工具，而不是一种昂贵的资源。当 Sarah 意识到自己已经三天没用过标准搜索栏时，传统搜索行为所面临的压力显而易见。当她能得到一份结构化的文档时，她根本不需要链接列表。以下几点说明了她日常工作的转变：

• Sarah 用实时更新的自动引用摘要取代了手动新闻聚合。
• 她将低成本模型用于重复性的编码任务，这些任务以前因成本过高而无法大规模自动化。
• 她对传统广告支持的搜索引擎的依赖几乎降至零，因为她发现直接答案更有价值。
• 节省的时间使她能够专注于高层战略和客户关系，而不是数据搜寻。

免费智能的隐形成本

苏格拉底式的怀疑精神要求我们思考：为了这种效率，我们放弃了什么？如果一个模型的训练和运行成本显著降低，那么这些节省的成本从何而来？我们必须质疑，用于训练这些高效模型的数据是否经过了与昂贵模型同等水平的审查。价格战可能会导致数据隐私和知识产权保护的倒退。如果一家公司对其模型收费不高，它是否在将用户输入的数据变现？我们还必须考虑答案引擎模式的隐形成本。当 Perplexity 总结一个网站时，该网站就失去了一次访问量。如果原始内容的创作者没有得到补偿，这些引擎所依赖的信息源最终可能会消失。如果读者从不访问原始来源，谁来资助 2027 的新闻报道和研究？

另一个难题涉及这些精简架构的可靠性。混合专家方法是否引入了更难检测的新型错误？我们必须问自己，是否为了速度而牺牲了深度。用户可能过度依赖摘要引用而从不核对原始上下文，这存在风险。这可能导致对复杂主题的肤浅理解，在追求简洁答案的过程中丢失了细微差别。我们也应对关于训练成本的说法保持怀疑。这些数字是否完全透明？它们是否忽略了人力成本和硬件的环境影响？随着我们迈向廉价智能的世界，我们必须对集成到生活中的系统的质量和伦理保持警惕。新产品发布的噪音往往会掩盖其长期后果的信号。

新挑战者的技术内核

对于高级用户来说，这些挑战者的吸引力在于其技术灵活性和集成能力。DeepSeek-V3 使用了一种针对 FP8 精度进行优化的训练框架，这使得计算速度更快且精度损失微乎其微。这是一个重大的技术里程碑，有助于解释其成本效率。他们的“多头潜在注意力”（Multi-head Latent Attention）机制减少了模型推理过程中的内存占用，这对希望在自有硬件上托管这些模型的开发者来说至关重要。许多新模型以开放权重发布，意味着它们可以在本地或私有云实例上运行。对于无法承担将敏感数据发送到第三方 API 风险的企业来说，这是一个巨大优势。在特定数据集上微调这些模型的能力，进一步提升了它们在法律、医疗或金融等垂直领域的价值。

你有什么想让我们报道的AI故事、工具、趋势或问题吗？ 向我们提交你的文章想法 — 我们很乐意听取。

Perplexity 通过其 API 提供了另一种技术价值，允许开发者直接将搜索能力构建到自己的应用程序中。这绕过了对独立搜索索引和独立语言模型的需要。系统会自动处理归因和引用。然而，也存在一些限制。API 速率限制和实时网络搜索的延迟可能是高并发应用的瓶颈。用户还必须在搜索速度和分析深度之间进行权衡。对于需要维护信息来源审计追踪的高级用户来说，本地存储这些搜索结果是另一个需要考虑的因素。以下技术因素目前定义了这些工具的竞争优势：

• 使用多头潜在注意力来减少长上下文任务中的 KV 缓存内存使用。
• 支持 FP8 训练和推理，以最大化现代 GPU 硬件的吞吐量。
• 集成实时 RAG 流水线，可处理数千个并发网络查询。
• 提供开放权重，以便在安全环境中进行本地部署。

选择性智能的未来

DeepSeek 和 Perplexity 的崛起标志着一个更成熟的 AI 市场的开端。我们正在摆脱那些只会说话的模型的噱头，转向那些能高效工作的实用模型。重心正在向那些能以可持续价格提供高质量结果的提供商倾斜。这不仅是当前 2027 的趋势，更是我们构建和消费数字服务方式的长期转变。随着这些挑战者不断完善产品，传统搜索和高成本模型提供商面临的压力只会越来越大。对用户而言，这意味着更多的选择和更好的工具；对行业而言，这意味着重新聚焦于工程卓越性而非盲目的算力堆砌。真正的赢家将是那些能够从炒作周期的噪音中辨别出科技经济结构性变革信号的人。

编者按：我们创建本网站，旨在作为一个多语言人工智能新闻和指南中心，为那些并非电脑极客，但仍然希望了解人工智能、更有信心地使用它并关注正在到来的未来的人群服务。

发现错误或需要更正的地方？告诉我们。