最近 DeepSeek V4 发布后，硅谷那边的讨论持续发酵，焦点逐渐集中到了几个更尖锐的层面：模型效率、芯片格局、IPO 时点，以及开源对闭源的挤压。
巧合的是，关于这些话题，业内顶尖的观点竟然在同一天汇聚到了 B 站。咱们先看一场来自硅谷的高质量对谈，回头再看国内昇腾的硬核解读。
首先，是「硅谷101」的一期视频博客，请来了两位重量级嘉宾：ZFLOW AI 创始人兼 CEO、资深芯片架构师肖志斌，以及前 OpenAI 研究员、Leonis Capital 合伙人 Jenny Xiao。
B 站视频入口
然后，就是今晚八点，华为昇腾的专场直播，将详解 DeepSeek V4 与昇腾算力。
直播入口
在这场硅谷对话中，几个核心观点直接点破了当前 AI 竞赛的本质：
- 没有效率，AGI 只能是个 demo。
- DeepSeek 像一把抵在硅谷模型公司背后的枪。
- 硅谷 AI 公司钱太多，反而没动力做效率。
- Anthropic 凭专注反超 OpenAI，估值冲向 1 万亿。
- 芯片不再是一卡打天下，训练、推理、长上下文、Agentic workload 正各自分化。
参与对谈的两位嘉宾背景非常互补：肖志斌是芯片架构的行家，而 Jenny Xiao 则从投资和研究的双重视角提供了犀利的判断。
V4 凭什么这么便宜？
肖志斌研读完 V4 论文后，给出的评价是：方向在预料之内，但工程完成度在意料之外。
V4 论文着重强调了三点核心技术创新：CSA+HCA 的混合注意力机制、mHC 流形约束超连接，以及 Muon 优化器。
具体来看，CSA（Compressed Sparse Attention） 将多个 token 的 KV cache 压缩成一条 entry，再通过稀疏注意力检索，极大降低了计算量。而 HCA（Heavily Compressed Attention） 则对上下文进行更深度的压缩后进行稠密注意力计算。两者结合，再辅以滑动窗口来保证对最近 token 的强相关性，成功地将长上下文注意力的计算复杂度从平方关系上拉了下来，推理成本自然就降了。
mHC 解决的则是深层模型训练的稳定性问题。它把传统单一的残差连接变成了多条高速通路，并引入流形约束来保证数值稳定，让模型在深层训练时不易发散。
至于 Muon 优化器，这是 Kimi 最早提出的训练方法。V4 并没有完全用它替代 AdamW，而是在部分模块引入，与 AdamW 形成互补，合力将训练收敛速度推向了新高。
这三板斧，指向了一个共同的焦点：Token Efficiency（词元效率）。肖老师甚至认为，大模型架构本身的重要性可能被高估了，数据才是关键。而 V4 所做的，正是让模型架构去匹配硬件架构，让数据流转更高。他甚至提到，V4 论文也给硬件厂商提了建议：GPU 间的带宽并非越高越好，这里存在一个精确的配比，超过阈值反会挤占计算单元的面积。
Jenny 则从应用层面呼应了这个观点：Chatbot 类问答的 token 消耗有限，但到了 AI Agent 时代，长任务、多工具调用和反思规划会让 token 消耗飙升 10 到 100 倍。如果每个 token 都很贵，模型就无法长时间思考，更别提大规模服务用户了。AGI，必须构建在效率之上。
DeepSeek 给硅谷画死亡线
Jenny Xiao 曾提出过一个尖锐的概念叫 kill line（死亡线），指的是开源模型给闭源基础模型公司画出的生存红线。AI 领域的商业模式呈现高度二元性：一旦核心业务能力被开源模型超越，其商业价值就可能直接归零。
就像她拿 Anthropic 举例：如果哪天 Claude 不再是编程最好的模型，那谁会为 Claude Code 买单？
回顾 DeepSeek V4 和 GPT-5.5 在同一天发布的情景，对比尤其鲜明。GPT-5.5 长文本版的价格高达每百万 token 180 美元，是前代的近两倍，而 V4 则便宜得多（还有折上折）。无论闭源模型公司愿不愿意，一场残酷的生存战已经打响。
Jenny 的金句是：“DeepSeek 像一把抵在硅谷模型公司背后的枪。这些公司如果跑得不够快，DeepSeek 会追上来，把它们的业务彻底摧毁。”
当然，肖志斌也理性地补充道，不能说 V4 全面超越了谁，在某些方面它和硅谷模型仍有差距。但 V4 真正引爆的是效率问题，它迫使所有模型厂商都必须回答：你的 token 效率到底够不够高？
一个有趣的插曲是，早在 V3 之前，DeepSeek 在海外技术圈内就已声名鹊起。之前 OpenAI DevDay 期间，有 OAI 的朋友私下称赞道：“DeepSeek is really solid”。
在经历了 V3/R1 的“DeepSeek moment”后，硅谷曾有两种声音：一是了不起的工程突破，二是 benchmark 灌水。而 V4 发布后，后一种声音明显弱了下去，取而代之的是更多的 congratulations 和深刻的自我反思。
Anthropic 凭什么反超 OpenAI
在资本市场，Anthropic 的估值近来反超 OpenAI，达到了惊人的万亿美元级别。Jenny 将其归结为三个字：Claude Code、企业信任与专注。
- 第一，Claude Code。Anthropic 的模型本身已经足够出色，但 Claude Code 这款产品才是真正驱动收入井喷的引擎。
- 第二，企业信任。Jenny 的基金接触的海量企业客户反复传递着一个信号：选择 Anthropic 是看重它的安全承诺。这与其在安全议题上的一贯立场密不可分。
- 第三，专注。相比于 OpenAI 在过去一年经历的人事动荡和多线作战（硬件、自研芯片、购物 App 等），Anthropic 显得更为成熟和克制，始终聚焦于安全、企业与编程。
OpenAI 试图打造一个“所有人的所有东西”的平台，这种分散导致了其技术领先优势的流失。而 Anthropic 的收入高度集中于企业客户，这恰恰是美国投资者眼中优于消费收入的高质量商业模式。
在 Jenny 看来，编程是通向 AGI 最关键的一步，谁拿下了编程，谁就可能成为 AGI 时代的主导者。因为“一旦你能写代码，你就能做大量通用任务”，企业里的 CRM 更新、邮件转发、会议总结，本质上都是通过代码搭起来的。她也借此评价了 Meta 的 Muse Spark 模型，认为它相对其他开源和二线模型并无显著优势，反倒是 Meta 内部将员工工作过程作为训练数据的争议性计划，可能才是其建立数据护城河的少数路径之一。
至于 xAI，Jenny 用“混乱”来形容。Grok 的实时数据查询功能仍有价值，但其他方面乏善可陈。
钱多反而拖累硅谷
这场讨论最反直觉的一个结论是：硅谷 AI 公司正陷入一个怪圈——钱越多，做效率的动力反而越弱。
Jenny 直言：“硅谷 AI 公司钱太多，导致没有动力去思考效率，反而给了 DeepSeek 优势。” 在她基金的内部对比图中，Anthropic 的资本效率显著高于 OpenAI。原因可以追溯到公司哲学：Anthropic 从一开始就保持克制，不在 GPU 等基础设施上过度承诺；而 OpenAI 则习惯 move fast and break things，大肆采购。
如今 OpenAI 向沙特财团、私募股权基金四处求钱，姿态近乎“出于无奈”。Jenny 甚至推测，投资人在 IPO 前可能会对 OpenAI 施压更换 CEO，因为 Sam Altman 在基础设施支出上的大手笔令他们感到不安。毕竟，再砸 100 亿美元下去，边际收益究竟能换来多少新增市场和收入，谁也说不清。
投资人心态已经变了。过去是“曲线还在指数增长，继续投”，现在则变成了“ROI 在哪？”。
而 DeepSeek 用模型给出了另一种回答：无限堆砌基础设施的 ROI，可能已经不划算了。正因为算力受限，反而倒逼出了创新。 这让人感慨，创新都是逼出来的，便宜本身就是技术革命的条件之一。 能真正推动变革的技术，是那些便宜到足以让人们大规模使用的技术。AGI 不仅要足够聪明，更要足够便宜。
80% 任务跑开源模型
在 Jenny 投资组合的公司里，一个惊人的比例已经出现：80% 的任务跑在中小开源模型上，只有 20% 最复杂的任务才上闭源模型。放在一年前，恐怕没人会信。
资本市场也对闭源模型的未来打上了问号。甚至有人在硅谷四处询问：“我们手里有 1000 万美元的 OpenAI 股票，你们基金在买吗，或者认识谁在买吗？”
AI 公司的估值逻辑是二元的。基础模型公司的存在理由就是模型最强，一旦不再最强，被开源模型超越，估值就可能归零，哪怕是 OpenAI。应用层公司处境一样，一旦基础模型公司复制了某个应用功能，那个应用层公司的价值也可能瞬间归零。
英伟达，难守推理江山
短期内，英伟达的地位依然稳固，其 CUDA、NVLink、InfiniBand 和成熟的供应链构成了强大的护城河。但从长期看，根基已开始松动。
V4 通过 CSA+HCA 将长上下文注意力成本打了下来，这直接降低了硬件跑大规模推理的门槛，给了非英伟达芯片承接计算负载的机会。AMD、Google TPU、超大规模云厂商的自研芯片都在这条赛道上。尤其像 Google 这样拥有完整软硬件协同能力的公司，可以用自己的模型、云、数据中心、编译器、芯片做一体化优化，从而降低对英伟达的依赖。当然，这条路也绝非坦途，这正应了黄仁勋那句话：“同样性能的芯片，价格白送也比不过英伟达”。
对于国产芯片而言，要承接 V4、Kimi 这类前沿模型的推理负载，难点并非单点突破，而是一整个 AI infra 软件栈 的建设，具体来说有五个层面：
- 算子：需支持 V4 论文里涉及的 GEMM 之外的各类算子，如 fused MoE attention、Sparse attention、FP4 等。
- 通信：MoE 模型在 dispatch、combine 等环节通信负担极重，算力上去了，通信跟不上照样被拖垮。
- Serving Runtime：像 vLLM、SGLang 上的 continuous batching、PD 分离等技术都需深度适配。
- 训练稳定性：大规模训练需长时间稳定运行，对 fault tolerance、checkpoint 有极高要求。
- 开发者生态：compiler、debug、profile 等整套工具链都得成熟。
最终，芯片格局将走向分化：训练、推理、长上下文、Agentic workload，每一类任务对计算、存储、通信的需求都不再相同。
等等还有……昇腾专场
以上，便是硅谷视角下的精彩观点交锋。而就在今晚 8 点，B 站还有一场华为昇腾技术专场直播，主题是《DeepSeek V4 与国产算力的突围》。
五位嘉宾分别是：
- 赵英俊：华为昇腾产品规划专家
- 刁莹煜：CANN 社区大模型推理优化专家
- 冀元祎：小巧灵应用部署专家
- 张德鹏：CANN 社区大模型训练优化专家
- Git 源宝：B 站 AI 百万粉 UP 主，主持人
硅谷视角看一遍，国产算力视角再看一遍。同一个事件，同一天，同一个平台，都在 B 站。今晚 8 点，去搜「Git 源宝」直接进直播间，相信这两场对话会擦出不一样的火花。在云栈社区，我们也会持续关注类似的前沿技术趋势，和大家一起探讨。
发表于 昨天 23:51
|
查看: 5|
回复: 0
