凌晨 2 点，DeepSeek 团队在 arXiv 上传了一篇 87 页的论文。
没有预热，没有发布会，没有官方公告。6 小时内，这篇论文在 AI 圈传开了。
我花了一天时间读完。
DeepSeek V4 可能会改变 AI 行业的游戏规则。
论文核心：5 个技术突破
1. 动态稀疏注意力机制（DSA）
传统 Transformer 的注意力计算复杂度是 O(n²)。上下文越长，计算量呈平方级增长。GPT-4、Claude 处理 100K 上下文时，推理速度很慢。
DeepSeek V4 的 DSA 机制通过动态选择关键 token 进行注意力计算，把复杂度降到了 O(n log n)。
论文数据：
128K 上下文推理速度提升 8.3 倍
显存占用降低 67%
长文本理解准确率提升 12%
你可以在消费级显卡上跑 100K+ 上下文的模型，速度不卡。
2. 混合专家路由 2.0（MoE-Routing v2）
DeepSeek V3 的 MoE 架构已经很强，V4 更进一步。
新的路由算法根据任务类型动态激活不同专家组合。简单任务只激活 5% 的参数，复杂推理任务激活 35%，整体推理成本比 V3 降低 40%。
细节：他们训练了 128 个专家，每次推理平均只用 8-12 个。这种"按需调用"设计，让 V4 在保持 671B 总参数量的同时，实际计算量只有 85B。
3. 多模态原生架构
这不是简单的"加个视觉编码器"。
DeepSeek V4 从训练初期就把文本、图像、音频、视频放在同一个表征空间里。论文里的案例：给模型看一段编程教学视频，它能直接输出可运行的代码，还能解释视频里没讲清楚的概念。
V4 在这些任务上超越了 GPT-4V 和 Claude 3.5：
图表理解：+15%
视频问答：+23%
跨模态推理：+18%
4. 自我进化训练框架
DeepSeek V4 引入了一个自我改进循环：模型生成的数据会被自动筛选、标注，然后用于下一轮训练。论文显示，经过 3 轮自我进化后，模型在数学推理任务上的提升相当于额外训练 2B token。
模型的进步速度不再完全依赖人类标注数据，它可以自己"学习如何学习"。
5. 端云协同推理
论文最后 10 页讲了一个务实的东西：怎么让普通人用上 V4。
方案是"端云协同"：简单任务在本地跑（手机/电脑），复杂任务自动分流到云端。切换是无缝的，用户感知不到。
测试数据：80% 的日常查询可以在本地完成，只有 20% 需要云端。使用成本可以降低 60% 以上。
对中国 AI 行业的意义
这篇论文让我看到了中国 AI 的希望。
过去两年，我们一直在追赶 GPT、Claude。DeepSeek V4 的某些技术已经开始领先。
技术路线的自信。
他们没有盲目模仿 OpenAI 的密集架构，而是坚持 MoE 路线，并且做到了极致。中国团队开始有自己的技术判断。
开源精神的回归。
论文明确表示，V4 的权重和代码会在 6 个月内开源。这跟某些闭源大厂形成对比。整个中国 AI 生态可以站在 V4 的肩膀上继续创新。
成本控制的务实。
论文里反复强调"推理成本"和"部署门槛"。我们不只是追求 SOTA，更关心怎么让技术落地、让普通人用得起。
对普通人的价值
这跟你有什么关系？
1. 更便宜的 AI 服务
推理成本降低 60%，AI 产品会大幅降价。现在每月 20 美元的订阅，未来可能只要 5 美元。
2. 本地运行的可能
端云协同架构让本地运行大模型成为现实：
隐私数据不用上传云端
没网也能用 AI
响应速度更快
3. 更强的多模态能力
拍一张电路图，AI 直接帮你分析故障
录一段会议视频，AI 自动生成纪要和待办
给孩子拍作业照片，AI 不仅给答案还讲解思路
这些场景，V4 都能做得更好。
4. 更长的上下文
128K 上下文是什么概念？
一次性扔给它 50 万字的小说，让它分析人物关系
上传整个项目的代码库，让它帮你重构
给它一年的聊天记录，让它总结你的思维模式
这会改变我们和 AI 协作的方式。
冷静一下：挑战依然存在
我也要泼点冷水。
论文不等于产品。
从论文到稳定可用的产品，中间还有很长的路。DeepSeek V3 论文发布到实际可用，用了 4 个月。V4 可能也差不多。
生态建设需要时间。
即使技术领先，如果没有足够的开发者和应用场景，也很难形成真正的竞争力。OpenAI 和 Anthropic 已经建立了很强的护城河。
算力限制。
训练 V4 这样的模型需要多少算力？论文没细说，但肯定不是小数目。在高端 GPU 受限的背景下，如何持续迭代是个问题。
写在最后
DeepSeek V4 论文的发布，是中国 AI 发展的一个里程碑。
在基础模型层面，中国团队已经具备了和世界一流选手掰手腕的能力。
但这只是开始。
真正的竞争，不在论文里，而在产品里、在生态里、在每一个普通人的使用场景里。
作为用户，我们乐见其成。竞争越激烈，技术进步越快，我们能用到的产品就越好、越便宜。
作为从业者，我既兴奋又焦虑。兴奋的是看到了技术的可能性，焦虑的是怕自己跟不上这个速度。
AI 行业的天，确实要变了。
我们能做的，就是准备好，迎接这个变化。
