DeepSeek横空出世，以低成本、高性能、强开源的三重属性颠覆大模型产业链的传统逻辑，为我们提出了发展AI技术的另一个解法——并非一味地追求算力膨胀。各行各业都在讨论和积极尝试DeepSeek，用户对于智能化的认知与实践正经历着新一轮的深刻变化，这些变化也影响着用户的AI规划和落地路径。

　　全面拥抱DeepSeek，建设AI的共识空前一致

　　各行业用户进行AI建设之前，往往要进行大量战略对齐工作，而在DeepSeek R1火爆之后，用户建设AI的共识达到空前一致，原本因技术不确定性而存在的观望态度迅速消解，取而代之的是对AI建设的战略聚焦。

　　资源的重新配置体现为研发预算的倾斜、跨部门协作机制的建立，以及对长期技术投入的容忍度提升。这种自上而下的共识推动AI项目从边缘试点向核心业务渗透，形成了一种“技术驱动战略”的新型决策逻辑。

　　DeepSeek重塑用户AI建设路线图

　　一个典型的AI建设整体路线图，包括8个关键步骤，才能实现AI项目的全面落地与持续运营。

　　（一）把DeepSeek提升为战略级目标

　　目标应与用户的战略紧密相连，确保AI的建设为实现整体战略目标服务。用户在建设AI时，经营目标、运营目标和部署目标相互依存，形成一个完整的目标体系。用户在部署大模型时需要清晰地识别其适用场景与局限，不能一刀切，而应制定合理和差异化的目标。因此，了解何时适合采用AI、何时避免使用AI，以及针对特定场景选择何种AI技术至关重要。

　　DeepSeek大模型的突破性进展，抬高了大模型能力天花板，AI适用场景进一步扩大。它能够模拟人类专家级的逻辑推演过程，展现出极高的逻辑严密性，其核心在于将传统AI的“规则响应”升级为“认知推演”，这使得AI能够处理非结构化信息交织的模糊性场景。

　　当这种接近人类高阶思维的能力注入业务场景，能力的质变直接打破了“AI仅适用于标准化场景”的固有认知，推动应用边界向战略规划、创新设计等高阶领域延伸。

　　（二）评估现状，了解AI的落地成熟度

　　在明确了DeepSeek的战略目标之后，我们需要了解用户自身所处的阶段，发现薄弱环节，并为下一步的建设方向提供指导。我们主要从4个方面来评估现状。

　　1、战略与场景

　　要确保用户内部已达成目标的对齐，同时需要优先选择符合战略目标，并且具备可行性的场景实施。

　　2、数据就绪度

　　AI项目的成功，一定是数据驱动的。无论是传统AI还是生成式AI，高质量的数据是AI模型项目的基础。但对于生成式AI来说，更重要的一点是数据的规模和多样性。比如DeepSeek R1模型能力强，一方面原因是算法创新，如MLA、强化学习等，更重要的是数据质量高、场景覆盖广。另外，想要长久保持AI模型的高质量服务，还需要不断采集数据、反馈数据，对模型进行迭代更新。

　　3、AI项目的落地实施，离不开团队

　　需要具备理解业务并转化为项目的核心架构，以及一些工程化的角色，如数据标注、清洗、模型训练和调参、工程优化等角色。DeepSeek的优异性能，让越来越多中小企业可以直接应用，进一步降低了工程化团队的要求，也会使得AI项目落地更加容易。

　　4、资源就绪度

　　指的是AI算力，包括计算、存储、网络等，以及为了实施项目所需要的一些基础框架、开发工具等，目的是提供对AI全生命周期的支撑。随着DeepSeek的规模化应用，AI行业重心从训练转向推理，未来推理算力的消耗和供给将会极大增加，推理算力占比将从30%提升到70%，用户在算力选择方面也会更加便利。

　　（三）选择DeepSeek应用场景

　　如何选择AI应用场景，归根结底都是围绕降本增效、提升体验和模式创新三个方面来展开的，这些也是各行业智能化转型的终极目标。

　　首先关注战略匹配度，看是否符合这三个方面的目标，其次是技术支撑，重点考虑是否是生成式AI的应用场景，以及通过哪些技术路径来支持场景落地。

　　另外就是数据和AI基础设施：数据层面，需要具备精标注数据、反馈数据，以及垂类语料（无标注数据）条件；算力方面提供AI计算支撑；基础大模型方面，这是应用AI的最基础条件，用户需要考虑大模型的开源/闭源路线。目前开源路线已得到极大发展，尤其是DeepSeek生态已快速形成并在规模化扩张，芯片厂商、云厂商、软件厂商都在主动接入或适配，未来将会持续扩张。拥抱DeepSeek是一种更高性价比的选择。

　　（四）初步评估可行性

　　选定场景后，我们需要对某个特定场景进行初步可行性判断，这个判断需要业务、技术和工程角色共同参与评估。

　　业务如何判断呢？DeepSeek的优异性能和获得的便利性，让我们可以随时进行场景验证。例如，业务方是合同审核部门，场景是审核合同里的关键内容是否缺失，那么可以基于DeepSeek进行初步验证，输入一段合同文本，输出就是几个关键字段和它的值，而目标就是提取这些信息，并且内容没有丢失。这是没有任何技术和工程参与优化的结果。这个工作业务团队是完全可以胜任的，如果让技术部门来判断，可能会存在业务知识缺少的情况，无法准确判断业务场景的可行性。

　　技术部门则重点关注基础模型本身的能力，也就是大模型在预训练阶段基本定型的，主要包括它在预训练阶段使用的知识、采用了哪些语言、有没有用一些带有逻辑推理的语料。在这些方面，DeepSeek模型也表现出极为出色的能力，尤其是671B满血版，经历了SFT冷启动、COT数据、GRPO强化学习算法及全场景强化学习等多个创新点，模型已具备高效及强大的思考能力。

　　最后是工程角度，在DeepSeek出现之前，使用大模型需要掌握一些Prompt（提示词）优化技巧，有时还需要结合few shot（示例），以及思维链等方式，来激发大模型本身的能力。而DeepSeek本身已经表现出了以接近人类专家的水平的思考过程，这就极大降低了Prompt设计工作的复杂程度。

　　各行业用户内部，知识问答的需求将会爆发式增长，因为接入DeepSeek来实现企业RAG（检索增强）生成这种方式，整体的工程化落地难度也大大降低，越来越多用户会开始建设知识问答应用，以服务内部或外部客户。

　　同样的，DeepSeek本身对语言理解能力以及对指令的遵循能力变得更好，所以进行大模型SFT（Supervised Fine-Tun-ing）微调甚至进行二次预训练，这种场景将会大幅减少，对其工程化团队的要求将大幅降低。

　　（五）准备DeepSeek落地所需资源

　　在确定初步可行之后，即可开始准备大模型落地所需资源。主要从4个方面准备：与建设场景相匹配的数据、算力、开发工具和团队。

　　1、准备数据

　　根据选择场景的不同，需要准备的数据也会有很大不同：

　　RAG场景：文档预处理（如文档格式转换等）、文档解析（PDF识别，版式识别）、OCR（图像转文字）、文档切分（切分为小的片段）、数据增强（提取QA、生成摘要）。

　　大模型微调场景：对于少数具备较强AI技术能力的团队，在微调场景需要准备：精标注QA数据（问答对形式）、准备指令数据（如人设遵循、输出格式要求等）。需要确保数据准确性（例如做过滤低质量，去掉重复数据等）、数据多样性（要能够覆盖各种真实应用场景）、数据一致性（数据不冲突）、数据增强（生成QA、摘要）等。

　　二次预训练场景：这种需求只有在某个垂类领域的头部企业才会选择，包括：专业领域的语料（如金融、医疗等专业术语，这些领域使用语境等）。需要确保数据多样性（如覆盖场景种类足够多）、数据规模足够大（一般要达到数十亿级token以上）、一定的配比数据（增加通用领域数据做二次预训练，如1:1配置）、数据处理能力（去除重复数据、低质量数据、隐私数据、不合规数据等）。

　　2、准备算力

　　在大模型建设中，算力的多少决定了训练速度、效率和模型表现，是推动模型快速落地的关键资源。那么要准备多大的算力才能满足实际应用需求？这里有一些经验，可以用于快速进行算力数量估算（此处仅考虑GPU算力）。

　　对于训练场景，全参微调所需的总显存一般为模型参数量（以B-十亿为单位）的20倍，例如70亿（7B）参数大模型，至少需要140G显存，按照单卡80G显存，则对应的GPU卡至少需要2张。而130亿（13B）参数大模型，至少需要260G显存，按照单卡80G显存，则对应的GPU卡至少需要4张。

　　3、准备工具

　　基础大模型的选择，往往决定了应用效果的基线。对于大多数用户来说，首选是DeepSeek R1系列蒸馏模型，在同等参数量下，相比其他开源大模型，它能够取得更好的效果。而在6个蒸馏模型中，32B参数量大模型能够在效果和落地成本方面取得较好的平衡，可以作为应用首选。

　　如果是为了解决特定场景下的应用目标问题，则需要AI应用开发工具，例如开发一个RAG应用、Agent智能体应用等，需要评估应用开发工具对场景效果的支撑。

　　在模型微调和部署工具选择上，基于长远考虑，首先关注对资源的利用率和整体性价比，其次需要考虑工具的完整性、兼容性、易用性、可靠性以及安全性 。例如，在性价比方面，在相同的基础大模型条件下，平台对于算力资源消耗和模型服务性能如何；使用时学习门槛是否足够低，操作是否足够简便，过程是否自动化等。

　　4、搭建团队

　　大模型项目更依赖于数据驱动的效果调优、模型微调和二次预训练等技术，而传统系统更关注业务流程的实现与系统的长期稳定性。用户在推动大模型项目落地时，应根据首先落地的场景，来做差异化的团队配置。

　　例如，初期只选择内部流程自动化场景，只需要做Prompt优化和系统对接就可以，所以在AI团队上重点配置提示词优化工程师、工程开发工程师；而在RAG应用场景，就需要文档数据预处理、检索优化等工程师。

　　（六）分阶段实施

　　阶段一：场景为王&运营提效

　　场景为王，指的是选择最简单、最容易做出效果的场景去建设。当前，基于DeepSeek模型的RAG应用正成为各行业智能化转型的关键突破口。DeepSeek推动大模型技术逐步走向产业化规模化落地，用户亟需找到投入产出比高、见效快的AI应用场景。RAG技术凭借其“知识检索+智能生成”的双重能力，正成为用户构建智能系统的首选方案。

　　对于希望快速实现AI价值的用户，建议优先选择知识密集度高、流程标准化强的场景切入，例如技术文档问答或产品知识库建设。通过小步快跑的方式，用户可在3个月内看到明显的效率提升，为后续更复杂的AI应用奠定基础。在实施过程中，要特别注意建立知识更新闭环，持续优化检索策略和生成质量，最终形成具有特色的智能知识中枢。

　　相较于其他通用大模型，DeepSeek模型在构建企业RAG（检索增强生成）应用中的优势不仅体现在成本降低和技术性能提升，更能通过开源生态为用户提供从基础应用到深度智能的全链路支持。

　　例如推理成本降低，DeepSeek在复杂推理任务（如金融研报生成）中实现了70%的成本降低。其蒸馏模型（如DeepSeek-R1）在更小规模下仍能保持高性能，减少了对高端计算资源的依赖；

　　长思维链与自我验证，通过强化学习和模型蒸馏技术，DeepSeek能在小参数模型中实现长推理链与自我验证，满足用户对复杂场景的高准确率要求；

　　开源商用授权，DeepSeek模型提供开源商用授权政策，用户可免费用于微调、量化及衍生开发，降低技术门槛和法律风险。

　　以知识库检索问答（RAG）方案为例，用户正将AI应用从单点工具升级为全域知识中枢。某处于装备制造产业链下游的传统型企业，需要对接上千家上游元器件供应商。企业有数百名产品设计人员，主要工作是结合工艺参数的需求，进行物料选型，再给后续环节使用。

　　物料总计有3000余个，对应1万多份物料技术规范文档。员工通过手动整理参数表格并结合人工核对来完成物料筛选，完成一个场景的物料选型往往需要数天时间，严重影响生产效率。当Deepseek出现后，用户可以通过对话的方式，让大模型准确回答其所需要的物料，使得整个过程缩短到分钟级，准确率达到90%以上。用户借助该能力中枢，正尝试对多个内部业务系统进行智能提效，如应用于研发、生产、供应链、销售、售后服务系统等，大幅提升效率和竞争力。

　　另外需要注意的是，在企业级RAG应用上线后，需同步进行运营提效工作，持续收集场景反馈数据，对落地场景效果持续优化，才能在初始落地阶段产生明显价值。

　　阶段二：场景扩展

　　基于第一阶段的成功，用户要深入到核心业务场景去解决复杂的场景问题，发挥AI的价值，从辅助性角色变成核心角色。例如销售机器人、个性化服务机器人、运维机器人等。这个阶段的特点是复杂度更高，往往不是单靠大模型能完成的，需要借助小模型、智能体等来协作完成。

　　阶段三：持续优化

　　不管是什么样的AI模型，部署后，其固有知识相对不会变化，但业务场景不是一成不变的，如果不持续优化模型，它的效果会持续衰减。另外，随着落地的场景越来越多，并发量越来越大，它所消耗的资源也成倍增加，如果不对它的底层资源进行优化，后续将有非常大的成本支出。

　　综上，我们可以通过不断采集、反馈、优化，形成数据闭环，来持续对场景做提效。构建数据反馈闭环是确保企业大模型适应业务变化的基础，优化后的模型重新部署到业务场景中，继续收集新的数据，形成持续反馈的闭环。这不仅让模型适应业务的变化，还能不断提高其在核心场景中的应用效果。

　　阶段四：赋能核心业务

　　这是AI落地的终极目标，AI大量融入关键业务链条中，深入核心业务，比如制造业的研产供销服等环节。未来，用户的AI建设不断深入，将会覆盖到全部链条，例如——

　　在研发板块，可以充分利用大模型的理解以及调用外部工具、生成代码的能力，辅助进行产品工艺设计和参数选择；

　　在生产板块，可以通过语音自然语言交互，对机器人进行操作；

　　在销售板块，大模型结合数字人，能够为用户提供更好的体验和服务响应；

　　在设备运维方面，能够及时给出设备故障的维修方案；

　　在运营方面，通过大模型提供个性化的数据分析和运营报告。

　　（七）评估

　　对大模型项目建设评估不仅是对一次项目执行结果的评估，更是对阶段性工作的评估，包括但不仅限于项目业务价值、用户体验、成本效益、模型性能与合规性、安全性等多个维度的综合评估。通过建立持续的监控与反馈机制，优化运营成本，分析模型的扩展潜力，并结合未来发展战略，用户可进一步确保大模型项目的成功和长期价值。

　　（八）持续运营

　　只有坚持长期在数据和场景方面的运营深耕，才有助于构建持续竞争优势，这个过程可重点关注数据飞轮持续化和场景运营精细化。

　　1、数据飞轮持续化：

　　整合多源数据（销售、客服、供应链……），统一数据质量标准，设置专门的数据治理团队；

　　设置模型效果评估标准（基于标准测试集和基于业务反馈结果）；

　　收集线上/线下反馈数据；

　　关键指标监控（性能指标、业务指标，如转化率、复购率）；

　　明确实施微调优化的准入标准；

　　通过持续的数据积累、数据反馈闭环，推动模型的不断优化和迭代。

　　2、场景运营精细化:

　　一把手牵头，发动各个业务部门梳理业务场景，细化到最小粒度场景；

　　对全量场景做价值度评估，排优先级；

　　建立业务部门和AI团队的场景对接机制，明确场景提出-评估-立项/关闭-建设-评估-运营的整个闭环；

　　建立效果评估机制，对用户反馈做闭环跟踪；

　　挖掘新场景，鼓励内部做业务场景与AI结合的创新。

　　在这场由DeepSeek引发的智能化浪潮中，各行业用户的数字化转型路径都在发生变化，深信服将在这场变革中，助力用户更顺利地实现AI+云化升级。（科文）