DeepSeek橫空出世，以低成本、高性能、強開源的三重屬性顛覆大模型產業鏈的傳統邏輯，為我們提出了發展AI技術的另一個解法——并非一味地追求算力膨脹。各行各業都在討論和積極嘗試DeepSeek，用戶對于智能化的認知與實踐正經歷著新一輪的深刻變化，也影響著用戶的AI規劃和落地路徑。

全面擁抱DeepSeek 建設AI的共識空前一致

各行業用戶進行AI建設之前，往往要進行大量戰略對齊工作，而在DeepSeek R1火爆之后，用戶建設AI的共識達到空前一致，原本因技術不確定性而存在的觀望態度迅速消解，取而代之的是對AI建設的戰略聚焦。

資源的重新配置體現為研發預算的傾斜、跨部門協作機制的建立，以及對長期技術投入的容忍度提升。這種自上而下的共識推動AI項目從邊緣試點向核心業務滲透，形成了一種“技術驅動戰略”的新型決策邏輯。

DeepSeek重塑用戶AI建設路線圖

一個典型的AI建設整體路線圖，包括8個關鍵步驟，才能實現AI項目的全面落地與持續運營。

目標應與用戶的戰略緊密相連，確保AI的建設為實現整體戰略目標服務。用戶在建設AI時，經營目標、運營目標和部署目標相互依存，形成一個完整的目標體系。用戶在部署大模型時需要清晰地識別其適用場景與局限，不能一刀切，而應制定合理和差異化的目標。因此，了解何時適合采用AI、何時避免使用AI，以及針對特定場景選擇何種AI技術至關重要。

DeepSeek大模型的突破性進展，抬高了大模型能力天花板，AI適用場景進一步擴大。它能夠模擬人類專家級的邏輯推演過程，展現出極高的邏輯嚴密性，其核心在于將傳統AI的“規則響應”升級為“認知推演”，這使得AI能夠處理非結構化信息交織的模糊性場景。

當這種接近人類高階思維的能力注入業務場景，能力的質變直接打破了“AI僅適用于標準化場景”的固有認知，推動應用邊界向戰略規劃、創新設計等高階領域延伸。

在明確了DeepSeek的戰略目標之后，我們需要了解用戶自身所處的階段，發現薄弱環節，并為下一步的建設方向提供指導。我們主要從4個方面來評估現狀。

1、戰略與場景

要確保用戶內部已達成目標的對齊，同時需要優先選擇符合戰略目標，并且具備可行性的場景進行實施。

2、數據就緒度

AI項目的成功，一定是數據驅動的。無論是傳統AI還是生成式AI，高質量的數據是AI模型項目的基礎。但對于生成式AI來說，更重要的一點是數據的規模和多樣性。比如DeepSeek R1模型能力強，一方面原因是算法創新，如MLA、強化學習等，更重要是數據質量高、場景覆蓋廣。另外，想要長久保持AI模型的高質量服務，還需要不斷采集數據、反饋數據，對模型進行迭代更新。

3、AI項目的落地實施，離不開團隊

需要具備理解業務并轉化為項目的核心架構，以及一些工程化的角色，如數據標注、清洗、模型訓練和調參、工程優化等角色。DeepSeek的優異性能，讓越來越多中小企業可以直接應用，進一步降低了工程化團隊的要求，也會使得AI項目落地更加容易。

4、資源就緒度

指的是AI算力，包括計算、存儲、網絡等，以及為了實施項目所需要的一些基礎框架、開發工具等，目的是提供對AI全生命周期的支撐。隨著DeepSeek的規?；瘧?，AI行業重心從訓練轉向推理，未來推理算力的消耗和供給將會極大增加，推理算力占比將從30%提升到70%，用戶在算力選擇方面也會更加便利。

如何選擇AI應用場景，歸根結底都是圍繞降本增效、提升體驗和模式創新三個方面來展開的，這些也是各行業智能化轉型的終極目標。

首先關注戰略匹配度，看是否符合這三個方面的目標，其次是技術支撐，重點考慮是否是生成式AI的應用場景，以及通過哪些技術路徑來支持場景落地。

另外就是數據和AI基礎設施：數據層面，需要具備精標注數據、反饋數據，以及垂類語料（無標注數據）條件；算力方面提供AI計算支撐；基礎大模型方面，這是應用AI的最基礎條件，用戶需要考慮大模型的開源/閉源路線。目前開源路線已得到極大發展，尤其是DeepSeek生態已快速形成并在規?；瘮U張，芯片廠商、云廠商、軟件廠商都在主動接入或適配，未來將會持續擴張。擁抱DeepSeek是一種更高性價比的選擇。

選定場景后，我們需要對某個特定場景進行初步可行性判斷，這個判斷需要業務、技術和工程角色共同參與評估。

• 業務如何判斷呢？DeepSeek的優異性能和獲得的便利性，讓我們可以隨時進行場景驗證。例如，業務方是合同審核部門，場景是審核合同里的關鍵內容是否缺失，那么可以基于DeepSeek進行初步驗證，輸入一段合同文本，輸出就是幾個關鍵字段和它的值，而目標就是提取這些信息，并且內容沒有丟失。這是沒有任何技術和工程參與優化的結果。這個工作業務團隊是完全可以勝任的，如果讓技術部門來判斷，可能會存在業務知識缺少的情況，無法準確判斷業務場景的可行性。

• 技術部門則重點關注基礎模型本身的能力，也就是大模型在預訓練階段基本定型的，主要包括它在預訓練階段用的知識、采用了哪些語言、有沒有用一些帶有邏輯推理的語料。在這些方面，DeepSeek模型也表現出極為出色的能力，尤其是671B滿血版，經歷了SFT冷啟動、COT數據、GRPO強化學習算法及全場景強化學習等多個創新點，模型已具備高效及強大的思考能力。

• 最后是工程角度，在DeepSeek出現之前，使用大模型需要掌握一些Prompt（提示詞）優化技巧，有時還需要結合few shot（示例），以及思維鏈等方式，來激發大模型本身的能力。而DeepSeek本身已經表現出了以接近人類專家的水平的思考過程，這就極大降低了Prompt設計工作的復雜程度。

各行業用戶內部，知識問答的需求將會爆發式增長，因為接入DeepSeek來實現企業RAG（檢索增強）生成這種方式，整體的工程化落地難度也大大降低，越來越多用戶會開始建設知識問答應用，以服務內部或外部客戶。

同樣的，DeepSeek本身對語言理解能力以及對指令的遵循能力變得更好，所以進行大模型SFT（Supervised Fine-Tun-ing）微調甚至進行二次預訓練，這種場景將會大幅減少，對其工程化團隊的要求將大幅降低。

在確定初步可行之后，即可開始準備大模型落地所需資源。主要從4個方面準備：與建設場景相匹配的數據、算力、開發工具和團隊。

1. 準備數據

根據選擇場景的不同，需要準備的數據也會有很大不同：

• RAG場景：

文檔預處理（如文檔格式轉換等）、文檔解析（PDF識別，版式識別）、OCR（圖像轉文字）、文檔切分（切分為小的片段）、數據增強（提取QA、生成摘要）。

• 大模型微調場景：

對于少數具備較強AI技術能力的團隊，在微調場景需要準備：精標注QA數據（問答對形式）、準備指令數據（如人設遵循、輸出格式要求等）。需要確保數據準確性（例如做過濾低質量，去掉重復數據等）、數據多樣性（要能夠覆蓋各種真實應用場景）、數據一致性（數據不沖突）、數據增強（生成QA、摘要）等。

• 二次預訓練場景：

這種需求只有在某個垂類領域的頭部企業才會選擇，包括：專業領域的語料（如金融、醫療等專業術語，這些領域使用語境等）。需要確保數據多樣性（如覆蓋場景種類足夠多）、數據規模足夠大（一般要達到數十億級token以上）、一定的配比數據（增加通用領域數據做二次預訓練，如1:1配置）、數據處理能力（去除重復數據、低質量數據、隱私數據、不合規數據等）。

2. 準備算力

在大模型建設中，算力的多少決定了訓練速度、效率和模型表現，是推動模型快速落地的關鍵資源。那么要準備多大的算力才能滿足實際應用需求？這里有一些經驗，可以用于快速進行算力數量估算（此處僅考慮GPU算力）。

對于訓練場景，全參微調所需的總顯存一般為模型參數量（以B-十億為單位）的20倍，例如70億（7B）參數大模型，至少需要140G顯存，按照單卡80G顯存，則對應的GPU卡至少需要2張。而130億（13B）參數大模型，至少需要260G顯存，按照單卡80G顯存，則對應的GPU卡至少需要4張。

3. 準備工具

基礎大模型的選擇，往往決定了應用效果的基線。對于大多數用戶來說，首選是DeepSeek R1系列蒸餾模型，在同等參數量下，相比其它開源大模型，它能夠取得更好的效果。而在6個蒸餾模型中，32B參數量大模型能夠在效果和落地成本方面取得較好的平衡，可以作為應用首選。

如果是為了解決特定場景下的應用目標問題，則需要AI應用開發工具，例如開發一個RAG應用、Agent智能體應用等，需要評估應用開發工具對場景效果的支撐。

在模型微調和部署工具選擇上，基于長遠考慮，首先關注對資源的利用率和整體性價比，其次需要考慮工具的完整性、兼容性、易用性、可靠性、以及安全性 。例如，在性價比方面，在相同的基礎大模型條件下，平臺對于算力資源消耗和模型服務性能如何；使用時學習門檻是否足夠低，操作是否足夠簡便，過程是否自動化等。

4. 搭建團隊

大模型項目更依賴于數據驅動的效果調優、模型微調和二次預訓練等技術，而傳統系統更關注業務流程的實現與系統的長期穩定性。用戶在推動大模型項目落地時，應根據首先落地的場景，來做差異化的團隊配置。

例如，初期只選擇內部流程自動化場景，只需要做Prompt優化和系統對接就可以，所以在AI團隊上重點配置提示詞優化工程師、工程開發工程師；而在RAG應用場景，就需要文檔數據預處理、檢索優化等工程師。

階段一：場景為王&運營提效

場景為王，指的是選擇最簡單、最容易做出效果的場景去建設。當前，基于DeepSeek模型的RAG應用正成為各行業智能化轉型的關鍵突破口。DeepSeek推動大模型技術逐步走向產業化規?；涞?，用戶亟需找到投入產出比高、見效快的AI應用場景。RAG技術憑借其“知識檢索+智能生成”的雙重能力，正成為用戶構建智能系統的首選方案。

對于希望快速實現AI價值的用戶，建議優先選擇知識密集度高、流程標準化強的場景切入，例如技術文檔問答或產品知識庫建設。通過小步快跑的方式，用戶可在3個月內看到明顯的效率提升，為后續更復雜的AI應用奠定基礎。在實施過程中，要特別注意建立知識更新閉環，持續優化檢索策略和生成質量，最終形成具有特色的智能知識中樞。

相較于其它通用大模型，DeepSeek模型在構建企業RAG（檢索增強生成）應用中的優勢不僅體現在成本降低和技術性能提升，更能通過開源生態為用戶提供從基礎應用到深度智能的全鏈路支持。

例如推理成本降低，DeepSeek在復雜推理任務（如金融研報生成）中實現了70%的成本降低。其蒸餾模型（如DeepSeek-R1）在更小規模下仍能保持高性能，減少了對高端計算資源的依賴；

長思維鏈與自我驗證，通過強化學習和模型蒸餾技術，DeepSeek能在小參數模型中實現長推理鏈與自我驗證，滿足用戶對復雜場景的高準確率要求；

開源商用授權，DeepSeek模型提供開源商用授權政策，用戶可免費用于微調、量化及衍生開發，降低技術門檻和法律風險。

以知識庫檢索問答（RAG）方案為例，用戶正將AI應用從單點工具升級為全域知識中樞。某處于裝備制造產業鏈下游的傳統型企業，需要對接上千家上游元器件供應商。企業有數百名產品設計人員，主要工作是結合工藝參數的需求，進行物料選型，再給后續環節使用。

物料總計有3000余個，對應1萬多份物料技術規范書文檔。員工通過手動整理參數表格并結合人工核對來完成物料篩選，完成一個場景的物料選型往往需要數天時間，嚴重影響生產效率。當Deepseek出現后，用戶可以通過對話的方式，讓大模型準確回答其所需要的物料，使得整個過程縮短到分鐘級，準確率達到90%以上。用戶借助該能力中樞，正嘗試對多個內部業務系統進行智能提效，如應用于研發、生產、供應鏈、銷售、售后服務系統等，大幅提升效率和競爭力。

另外需要注意的是，在企業級RAG應用上線后，需同步進行運營提效工作，持續收集場景反饋數據，對落地場景效果持續優化，才能在初始落地階段產生明顯價值。

階段二：場景擴展

基于第一階段的成功，用戶要深入到核心業務場景去解決復雜的場景問題，發揮AI的價值，從輔助性角色變成核心角色。例如銷售機器人、個性化服務機器人、運維機器人等。這個階段的特點是復雜度更高，往往不是單靠大模型能完成的，需要借助小模型、智能體等來協作完成。

階段三：持續優化

不管是什么樣的AI模型，部署后，其固有知識相對不會變化，但業務場景不是一成不變的，如果不持續優化模型，它的效果會持續衰減。另外，隨著落地的場景越來越多，并發量越來越大，它所消耗的資源也成倍增加，如果不對它的底層資源進行優化，后續將有非常大的成本支出。

綜上，我們可以通過不斷采集、反饋、優化，形成數據閉環，來持續對場景做提效。構建數據反饋閉環是確保企業大模型適應業務變化的基礎，優化后的模型重新部署到業務場景中，繼續收集新的數據，形成持續反饋的閉環。這不僅讓模型適應業務的變化，還能不斷提高其在核心場景中的應用效果。

階段四：賦能核心業務

這是AI落地的終極目標，AI大量融入到關鍵業務鏈條中，深入核心業務，比如制造業的研產供銷服等環節。未來，用戶的AI建設不斷深入，將會覆蓋到全部鏈條，例如——

• 在研發板塊，可以充分利用大模型的理解以及調用外部工具、生成代碼的能力，輔助進行產品工藝設計和參數選擇；

• 在生產板塊，可以通過語音自然語言交互，對機器人進行操作；

• 在銷售板塊，大模型結合數字人，能夠為用戶提供更好的體驗和服務響應；

• 在設備運維方面，能夠及時給出設備故障的維修方案；

• 在運營方面，通過大模型提供個性化的數據分析和運營報告。

  ……

對大模型項目建設評估不僅是對一次項目執行結果的評估，更是對階段性工作的評估，包括但不僅限于項目業務價值、用戶體驗、成本效益、模型性能與合規性、安全性等多個維度的綜合評估。通過建立持續的監控與反饋機制，優化運營成本，分析模型的擴展潛力，并結合未來發展戰略，用戶可進一步確保大模型項目的成功和長期價值。

只有堅持長期在數據和場景方面的運營深耕，才有助于構建持續競爭優勢，這個過程可重點關注數據飛輪持續化和場景運營精細化。

數據飛輪持續化：

• 整合多源數據（銷售、客服、供應鏈……），統一數據質量標準，設置專門的數據治理團隊；

• 設置模型效果評估標準（基于標準測試集和基于業務反饋結果）；

• 收集線上/線下反饋數據；

• 關鍵指標監控（性能指標、業務指標，如轉化率、復購率）；

• 明確實施微調優化的準入標準；

• 通過持續的數據積累、數據反饋閉環，推動模型的不斷優化和迭代。

場景運營精細化:

• 一把手牽頭，發動各個業務部門梳理業務場景，細化到最小粒度場景；

• 對全量場景做價值度評估，排優先級；

• 建立業務部門和AI團隊的場景對接機制，明確場景提出-評估-立項/關閉-建設-評估-運營的整個閉環；

• 建立效果評估機制，對用戶反饋做閉環跟蹤；

• 挖掘新場景，鼓勵內部做業務場景與AI結合的創新。

在這場由DeepSeek引發的智能化浪潮中，各行業用戶的數字化轉型路徑都在發生變化，深信服將在這場變革中，助力用戶更順利地實現AI+云化升級。

接下來，我們還將為用戶解鎖圍繞DeepSeek場景的最佳實踐及一朵云承載方案，敬請期待！