DeepSeek：帶飛全網，帶不動化工？2025-03-18

1月20日，在特朗普宣布啟動總投資5000億美元的“星際之門” （Stargate）AI基礎設施計劃前一天，杭州深度求索人工智能基礎技術研究有限公司——一家此前名不見經傳的中國企業，將其開發的大語言推理模型DeepSeek-R1以開源形式上線。憑借高性能、低成本優勢，這個初出茅廬的大模型立刻成為科技圈、投資圈和媒體圈乃至全網關注的焦點。

《中國化工報》記者注意到，春節假期后第 一周，多家上市企業宣布接入DeepSeek，帶動上證科創板50成份指數和創業板指數均漲超5%。但這場帶著全網起飛的“龍卷風”，吹到石油和化工行業時卻好像減了速——迄今為止，鮮少有石油和化工企業加入這場狂歡。

對此，工業智能化、AI等研究領域的多位專家近日接受記者采訪時表示，DeepSeek橫空出世令人鼓舞，但要解決AI大模型在流程工業垂直應用的諸多難題并非易事，能否帶飛石油和化工行業，仍需時間檢驗。

訓練便宜≠成本低 基礎設施花費仍然較高

DeepSeek能在網絡上掀起巨浪，甚至引發美國股市中英偉達等科技股出現“歷史性”大跌的核心“殺手锏”，在于其顛覆性的低成本與高 效 率。

根據深度求索公司官方放出的數據，DeepSeek僅用2048塊英偉達 H800圖形處理器（GPU）和557.6萬美元的投入，就訓練出了規模達6710億參數的DeepSeek-V3。Open AI創始成員之一Andrej Karpathy表示，按照以往經驗，行業內類似能力級別的大模型大多使用約10萬張GPU。例如，Llama 3 405B模型消耗了3080萬GPU小時，而DeepSeek-V3則用了280萬GPU小時，計算需求僅為前者的十一分之一。

此前，市場上也普遍認為同等參數規模的GPT-4訓練花費高達10億美元。而DeepSeek推出的DeepSeek-R1模型，推理成本僅為OpenAI新模型（o1）的三十分之一。許多后續研究團隊更是用較低的成本成功復現了DeepSeek的模型樣本。

從用戶端來看，這樣的數據似乎意味著企業部署AI大模型的花費從“腳脖子打折”，個人用戶部署一個自有大模型好像也不再是夢想。但這真的意味著誰都“用得起”大模型的時代到來了嗎？

“部署和訓練成本并不等同于應用成本。”一位ICT從業人士表示，DeepSeek成本的降低，主要是靠算法創新對訓練成本進行了壓縮。根據官方數據，研究團隊在訓練模型時同時使用了8浮點混合精度訓練技術（FP8）、混合專家模型（MoE）以及自主研發的多頭潛在注意力（MLA）機制，解決了傳統Transformer模型在處理長輸入序列時的內存瓶頸問題，可將顯存占用降至傳統模型的5%~13%。

而應用成本則包括計算設施、傳輸設施的建設成本，數據收集與存儲成本等。以煉廠為例，一套催化裂化裝置每秒產生的數據點可能就多達上千個，其中既包括每秒或幾分鐘就要采集一次的溫度和壓力數據，也包括需要長期連續測定的催化劑活性數據，還有一些動設備如泵的噪音、振動幅度等其他數據，一家大型煉廠每年產生的數據量可能在千億級字節。即使DeepSeek依靠算法降低了對GPU服務器集群等計算設施的需求，其數據存儲與傳輸設施的剛性投入也難以降低，中小企業搭建自有大模型仍然存在困難。

圖靈獎得主、Meta AI科學家楊立昆（Yann LeCun）也公開發聲強調，許多投資者對AI基礎設施投資存在“重大誤解”。“那些數十億美元的資金中，很大一部分都投入到了推理基礎設施中，而不是訓練。數十億人運行 AI助手服務需要大量的計算，一旦你將視頻理解、推理、大規模內存和其他功能納入AI系統，推理成本就會增加。”楊立昆說。

模型幻覺難除 輸出內容并不完全可靠

此前，DeepSeek憑借一句“打動你的是人類集體智慧的回聲”在網絡上引起無數轉發和討論。出于好奇，記者也嘗試讓它進行了多種風格的寫作，在情感及純文學寫作中表現出色的DeepSeek，在涉及專業數據時卻有些“不知所云”，它給出了歐洲某家煉油廠應用AI優化運維的案例，但記者按其給出的數據無法查證該煉油廠是否真實存在，“追問” DeepSeek也無法得到該煉油廠更具體的信息。

“這就是大語言模型（LLM）目前應用的一個大問題——模型幻覺。”中化信息技術有限公司專家委員會副主任、華東理工大學講席教授馮恩波告訴記者，目前LLM僅能勝任知識或數據管理方面的工作，但如果讓它產生專業程度較強的新知識、新內容，就需要十分小心，因為“模型幻覺”目前在AI深度學習領域中，仍是難以根除的問題。

其中，一部分幻覺數據可以通過核對輸入內容和生成內容發現，并通過調整輸入關鍵詞來修正。例如，向AI詢問“中國第 一家化工企業的名字是什么？”，AI可能會由于抓取關鍵詞的不同，給出“1880年成立的上海江蘇藥水廠是中國第 一家化工廠”或“始建于1954年的吉林化學工業公司（中國石油吉林石化分公司前身），是我國第 一家化工企業”的答案，用戶可以通過添加例如“新中國成立前/后”等關鍵詞再進行篩選。

另一部分的幻覺則更加“危險”。“有可能AI會給你一個語言華麗、數據漂亮的成果報告，但其中‘融化’了大量不確定性高，甚至在專業人士看來是謬論的數據。”馮恩波強調，尤其要謹防AI講話“真假參半”，將虛假的數據掩藏在大量專業詞匯和華麗的語言之后，因為即使是對相關從業者來說，一一核對與辨別這些案例和數據的不合理之處，也是非常困難的事情。如果這些摻雜“幻覺”的數據和知識進入數據庫，被用在流程行業實際生產系統的實時優化、實時控制等方面，可能造成嚴重后果。

對此，他建議，行業可以先利用大數據，建立較為準確的反應機理模型作為“司令員”，在此基礎上應用大語言推理模型作為“參謀長”進行輔助判斷，再由有經驗的操作員***終驗證和確定反應流程的實時優化與控制該如何進行，從而提高模型應用的準確性與可靠性。

“目前，DeepSeek這樣的大模型也會造成很多‘幻覺’，但企業需要大模型在決策過程中能保證百分之百的準確性。”北京中關村科金技術有限公司總裁喻友平說：“大模型在面向企業端（To B）的應用離理想狀態還有很大距離，這比面對終端消費者（To C）場景的挑戰要大得多。”

數據“地基”不穩 廣泛應用尚有待時日

近年來，能源化工行業AI大模型應用已經取得了初步成績，例如中國石油700億參數昆侖大模型、中控石化化工大模型、中國海油“海能”人工智能模型，但要實現更加廣泛的應用，仍在可用性與易用性方面面臨挑戰。多位業內專家表示，大語言推理模型在流程行業的應用仍然需要夯實數據和機理的“地基”，以保障其安全性與可靠性。

中國工程院院士、中國石油勘探開發研究院正高級工程師劉合此前表示，數據治理是油氣行業AI大模型應用的關鍵，如何在保證數據安全和保密的前提下，充分整合分散的數據并訓練行業模型，是行業一直在探索的一個“大問題”。

但對于石化行業來說，推動數據治理，打牢大語言模型應用的“地基”并不容易。一方面，石化行業的數據環境極為復雜、數據來源廣，且受外部環境影響噪聲高，容易出現數據不完整的情況；另一方面，主流深度學習的模型通常在靜態數據集上進行訓練，而實際生產是“牽一發而動全身”，催化劑中毒、不同批次原料成分的細微改變，都會使設備狀態及工藝參數發生漂移，導致數據集逐漸“過期”，優化模型也不再有效。劉合在其署名文章《油氣大模型破局需從三方面發力》中也提出，油氣企業必須強化數據全生命周期管理，從數據源頭、數據采集、數據清洗、數據融合和匹配、數據完整性增強、數據標注等環節嚴格規范，建立高質量的訓練樣本庫，提升數據治理能力，從而為行業大模型提供堅實的數據基礎。

“除了挖掘數據與場景價值點外，石化企業應用大模型的另一個重點是安全性和保密性問題。”浙江新和成股份有限公司運營首席專家鄭根土認為，數據安全治理也是企業所擔憂的問題，目前國家已經出臺了數據流通安全治理的相關法案，但數據流通安全治理體系仍然有待構建，相關機制也并不完善，需要企業、行業與相關部門多方協同，提高行業數據流通與應用的監管效能。

喻友平表示：“展望未來，AI在To B領域的應用將面臨轉型與創新的雙重挑戰。企業需要逐步建立基于大模型的智能決策系統，同時考慮如何增強系統的透明性，確保AI生成內容的可追溯性與可靠性。此外，還應密切關注相關法規政策，以預防不當使用AI技術可能帶來的法律和倫理問題。”

如有侵權 請聯系刪除