从大模型训练到DeepSeek：一份48页内部培训的公开笔记

拿到《AI大模型基础培训（内部资料）》【文末附资源免费下载地址】这份整理的培训资料时，我的第一反应是：它把1956年达特茅斯会议到2025年DeepSeek崛起的整条时间线，压缩进了48页幻灯片。

在这份资料里没有停留在概念科普，而是直接展示了MLA、MoE、多Token预测这些工程细节，以及企业落地中的真实数据。

读完《AI大模型基础培训（内部资料）》之后，我提取了5组关键数字、4个认知冲突和3个可执行动作——这篇文章就是内部资料的公开版笔记。

三个被误解的事实

• • 大模型不是“懂”语言，而是学会了token之间的统计规律。
• • 复杂数据计算、专业领域知识、精细化多模态生成，仍然是大模型不擅长的三类任务。
• • 模型能力正在商品化，竞争从“谁能训练模型”转向“谁能把它嵌入工作流”。

1956年达特茅斯会议被看作AI的起点。

感知机在1957年把AI推向第一个高峰，但1970年算力不足让研究跌入第一次低谷。

1986年BP算法让大规模神经网络训练成为可能，1990年DARPA计划失败又带来第二次低谷。

真正的转折发生在2006年Hinton提出“深度学习”，2013年语音和视觉识别率显著提升，AI进入感知智能时代。

2016年AlphaGo战胜人类围棋冠军，全球关注度陡增。

2022年11月ChatGPT发布，被资料定义为“智力水平实现飞跃”。2024年多模态Sora发布，2025年2月DeepSeek“重磅杀出”。

到2026年，国内通过备案的大模型已超过300个，头部玩家集中在ChatGPT、DeepSeek、通义千问、腾讯元宝、百度文心一言。

资料把大模型训练比作一个人从婴儿到职场人的成长。

预训练阶段类似婴儿到中学生：模型吃下海量互联网文本，学习语言的统计规律和通用知识。但它只学会“补全句子”，还不懂人类意图。

SFT阶段类似中学生到大学生：用人类对话和垂直领域数据监督微调，模型开始按指令回答专业问题。

RLHF阶段类似大学生进入职场：模型对同一问题生成多个回答，人类打分，模型学会输出“高分答案”。

所以大模型的工作本质是：你输入一串token，它根据概率最大原则，一个token一个token地生成后续文本。

子词粒度分词让新词、网络用语也能被识别，这是它处理开放文本的关键技巧。

文本生成和语音交互是最典型的应用。语音识别准确率超过95%，语音合成MOS评分4.5以上，端到端延迟控制在1.5秒以内。

在企业办公中，一个知识库可以容纳数万份文档，支持多格式、多文档并行检索。回答还能附带原文表格和图片。

某汽车主机厂基于400余个已治理指标，构建数据大模型，实现“问答即洞察”。

某电器品牌梳理20多个办公任务，第一阶段模型自动获参的正确率约为95%。

智能招聘场景里，AI可以在60秒内完成百份简历筛选。岗位咨询准确率达到90%，响应时间在2秒以内。

但资料也明确提醒：复杂数据计算、专业领域知识、精细化多模态内容生成，仍然需要“模型+专业知识库”或“模型+数据分析产品”组合解决。

DeepSeek成立于2023年的杭州，2025年2月发布模型后迅速引发全球连锁反应。

它发布当天，英伟达股价下跌17%，市值蒸发约6000亿美元。Meta则因开源模式股价上涨。

DeepSeek V3定位通用大语言模型，R1专注复杂推理。API定价仅为OpenAI的几十分之一，全球日活突破2000万。

技术创新层面，MLA压缩了KV缓存，MoE把6710亿参数中的370亿参数按需激活。多Token预测一次预测多个后续token，这些工程改进让训练成本降到GPT-4o的6%、推理成本降到10%。

DeepSeek自研PTX代码和算子适配，直接操作GPU芯片网络通信，降低了对英伟达CUDA的依赖。AMD MI300X已集成V3，阿里云自研PPU也在适配。

这验证了杰文斯悖论：当AI变得更高效、更便宜，总使用量反而会激增。

这不是一次简单的工具升级，而是一次工作流的重新定义。

当DeepSeek把API价格打到OpenAI的几十分之一，真正的瓶颈不再是模型能力，而是你敢不敢让AI接管真实决策。

下个月，你的第一个POC报表会给出答案。