DeepSeek戳破GPT神話了？台灣AI晶片新創教你看懂
台股美股都大跌，ChatGPT真的被Deepseek戳破威力了嗎？中國AI公司「深度求索」在美國總統川普就職當天，發布推理模型DeepSeek-R1，在華爾街與矽谷掀起巨浪。長年耕耘邊緣AI的台灣團隊耐能，從技術與產業趨勢中看見什麼訊號，何以信誓旦旦宣布黃金時代將提前揭幕？
過往兩年，砸下大筆投資的人工智慧實驗室，多乘駕在這樣的論述推動的浪潮上前行：要研發出能力最強大的AI模型，就得投入最高階GPU的軍備競賽，盡可能地搜刮巨量訓練資料。
在這途中，即便耗費大量電力、排放大量二氧化碳，終究也將值得。因為階段性聖杯「通用人工智慧」（AGI）將能救贖這些負面效應，帶來人類社會前所未見的經濟報酬。
同樣以邁向AGI為目標的DeepSeek，在美國出口禁令下，以有限的硬體與較低的成本，開源與市場領先者OpenAI旗下推理模型o1相提並論的本土模型。這顯示，美國主流AI實驗室的進路不是抵達高階模型的唯一途徑，可能也不是最好的途徑。
據知正計畫於美國NASDAQ上市的耐能（Kneron）創辦人暨執行長劉峻誠，向《遠見》表示，「DeepSeek把這個大廠與媒體塑造的神話戳破了。」
即使DeepSeek模型的完整訓練成本顯然不只560萬美元，光是開源o1水平的推理模型，就衝擊了其他閉源模型的商業模式。當企業可以直接使用開源的DeepSeek，又何必要付費購買ChatGPT？
DeepSeek以有限的硬體與較低的成本，開源與市場領先者OpenAI旗下推理模型o1相提並論的本土模型。截圖自deepseek
DeepSeek三大影響
劉峻誠歸納，DeepSeek帶來的影響有三大層面。
第一，在DeepSeek的方法論支持下，未來大、中、小企業推出的大語言模型能力差異將變得很小。搶購最高階的晶片，訓練成果與較低階的硬體似乎沒有很大落差。劉峻誠透露，「我們知道的是，已經有一些比較高階的（GPU）被退貨，或是訂單沒有再下。」
第二，技術開源後，各垂直領域中專精型的模型將會百花齊放，「可能幾天就多四、五百個。」劉峻誠認為，台灣在垂直專精製造領域的優勢可能蘊含龐大機會。
第三，這將觸動非GPU的硬體崛起。劉峻誠直言，他希望那會是更節能、更適合進行AI運算的NPU，「我也相信會是NPU。」
為了因應DeepSeek引爆的熱潮，整個春節假期都在辦公室加班的劉峻誠表示自己並不覺得疲累。「因為等了很多年，很高興啊。」他說，「對耐能來講，是一個黃金時代來臨。」
歷史再現，邊緣裝置模型能力大提升
如此宣言的信心何在？耐能成立於2015年，核心技術是專為AI打造的NPU（神經網路處理器）多功能晶片。身為最早定義及量產NPU的公司，耐能手上掌握關鍵專利。結合低功耗與高效能的優勢，讓耐能得以推出多種類的邊緣AI解決方案。
這在2016、2017年盛行影像及語音識別應用時，已讓耐能收獲一波。劉峻誠認為，大語言模型接下來的發展，將會猶如當年的歷史重演。
2012年，神經網路模型「AlexNet」在ImageNet大規模視覺辨識競賽（ILSVR）中，以遠勝其他模型的圖像辨識正確率奪冠。影像識別技術邁向商品化之路。在中國，人臉辨識領域便催生商湯、曠視、依圖與雲從4家獨角獸。
劉峻誠認為，將技術推進市場、並持續提升模型能力，是影像辨識應用的第一階段。在此階段，訓練算力需求較大；這也是在大語言模型發展初期，驅動眾研發團隊追逐輝達高階晶片的原因。
到了2016、2017年，各家影像識別模型的準確度幾乎觸頂。「99％和99.9％已經沒有什麼差異。」劉峻誠認為，這就進入了第二階段。此時倚靠大量資料訓練的模型能力趨近飽和，大宗算力需求轉向執行推論。
第三階段，則是將模型縮小、從雲端轉向邊緣裝置，但依然能繳出與雲端大模型相仿的優秀表現。當時，耐能便是在這個階段大舉推出門鎖、車輛、翻譯機等邊緣AI設備解決方案。
耐能創辦人暨執行長劉峻誠。耐能智慧提供
劉峻誠認為，DeepSeek加速了大語言模型在第二與第三階段的進展。他觀察，現在OpenAI、Google、Meta等大型實驗室推出的基礎模型，之間的能力差距已經不大。而DeepSeek的方法縮減了模型訓練、推論的成本，將加速模型朝邊緣部署。
「在你的筆電、你的手機，甚至你的家電裡的模型，達到像雲端模型那麼聰明的程度，這個時代來臨了。」劉峻誠表示，「這是另外一個時代的拐點。」
硬體算力受限，促使DeepSeek將既有訓練技巧推到極致
走過影像識別模型從雲下端的經歷，劉峻誠指出，根據DeepSeek論文，團隊精簡化模型的四大關鍵方法皆存在已久，也是耐能當年精簡影像辨識模型的同一套架構。
「我們在邊緣模型上，也用了這一套方法。只是DeepSeek是加上人工把這些方法做到極致。」劉峻誠表示，即使模型輸出內容可能因自我審查而受限，「但它訓練的方法是非常可靠的。」
這四套方法便是遷移學習（transfer learning）、量化（quantization）、剪枝（pruning）與蒸餾（distillation）。
遷移學習可將任務知識轉移，減少訓練時間與數據的需求。量化則是透過降低數據的精確度，降低算力需求。剪枝是指移除網絡中較不重要的連結，減少整體運算量。簡單來說，都是壓縮模型、降低成本的技巧。
其中較具爭議的，是讓小模型向表現優異的大型模型學習的「蒸餾」做法。DeepSeek被認為有向OpenAI的前輩模型們「學習」，也因此受到美國官員抨擊。
劉峻誠認為，這套模型訓練法確實不如OpenAI那麼從無到有，但科學進展一向都是建構在前人研究的基礎上再作突破。「這在道德上可能有點爭議，」他說，「但以人類文明發展來說，我覺得是正向的。」
劉峻誠指出，賦予邊緣裝置雲端等級模型的能力，有諸多好處。用戶隱私可更受保護，低延遲回應將開啟更多應用可能性，也能真正為企業量身打造私有化的模型。
「當功能與成本達到一個臨界點的時候，就會打開很多應用的想像。」劉峻誠表示，各行各業、各種型態的AI將蓬勃發展。人工智慧發展的腳步，還將加速。
延伸閱讀：