為什么 DeepSeek 不再“聰明”？從語(yǔ)料貧瘠到思維貧乏！

　　人工智能浪潮之下，大模型如雨后春筍般涌現(xiàn)，中文大模型領(lǐng)域也曾在春節(jié)前后一度熱鬧非凡，甚至曾把英偉達(dá)的市值從第一的位置拉下馬，雖然英偉達(dá)在近日又創(chuàng)歷史新高。

　　作為國(guó)產(chǎn)AI的“潛力股”，DeepSeek 曾因其技術(shù)背景和宣傳攻勢(shì)，被寄予厚望。但現(xiàn)實(shí)是，越來(lái)越多用戶(hù)在使用后表達(dá)出強(qiáng)烈失望：生成內(nèi)容空洞重復(fù)、邏輯混亂、審查敏感過(guò)度，“答非所問(wèn)”，甚至自編自導(dǎo)幾乎成了常態(tài)。曾經(jīng)有個(gè)知識(shí)博主分享了一個(gè)內(nèi)容，DeepSeek在回答問(wèn)題時(shí)所引用的三篇論文居然全部是杜撰的，基礎(chǔ)是假的，當(dāng)然答案也肯定是不可信的。

　　而隨著這種狀況的加劇，曾轟動(dòng)一時(shí)的DeepSeek也徹底走下了神壇，從一枝獨(dú)秀到無(wú)人問(wèn)津，用了半年的時(shí)間。

　　它為什么“蠢”？是技術(shù)不行？還是有更深的結(jié)構(gòu)性問(wèn)題？

　　答案可能要從“語(yǔ)料”和“思維”兩個(gè)層面說(shuō)起。

　　一、中文AI的先天缺陷：語(yǔ)料貧瘠

　　眾所周知，大語(yǔ)言模型的能力高度依賴(lài)訓(xùn)練數(shù)據(jù)的質(zhì)量與廣度。GPT-4、Claude、Gemini 等英文模型之所以能“聰明”，是因?yàn)樗鼈儽晨亢Ａ俊⒏哔|(zhì)量、多樣化的語(yǔ)料池。以O(shè)penAI為例，訓(xùn)練數(shù)據(jù)涵蓋了 Common Crawl（全球網(wǎng)絡(luò)抓取）、維基百科、PubMed、arXiv、Reddit、新聞評(píng)論、技術(shù)文檔、小說(shuō)劇本等幾乎所有人類(lèi)語(yǔ)言的場(chǎng)景。

　　而中文模型能抓取和使用的東西呢？

　　根據(jù)公開(kāi)研究數(shù)據(jù)，在全球前100萬(wàn)個(gè)網(wǎng)站中，中文網(wǎng)站僅占1.3%，而英文網(wǎng)站高達(dá)59.3%。中文用戶(hù)如果只掌握中文，所能接觸的信息本就只是信息世界的冰山一角。而這“冰山一角”還充滿(mǎn)內(nèi)容閹割、平臺(tái)審查、表達(dá)受限等問(wèn)題。

　　不僅量少，而且質(zhì)量差。

　　這幾年，中文互聯(lián)網(wǎng)的原創(chuàng)內(nèi)容正加速流失。知乎、豆瓣、小紅書(shū)、微博等平臺(tái)，算法驅(qū)動(dòng)下變得越來(lái)越“重復(fù)性高、情緒化強(qiáng)、知識(shí)性弱”。優(yōu)質(zhì)內(nèi)容不是404了，就是“由于相關(guān)法律法規(guī)，不予顯示”，我們經(jīng)常見(jiàn)到的優(yōu)質(zhì)文章消失就是這個(gè)道理。更雪上加霜的是，自媒體生態(tài)在搜索引擎上堆砌SEO、批量AI生成內(nèi)容，使得網(wǎng)絡(luò)語(yǔ)料進(jìn)一步失真。

　　簡(jiǎn)而言之，中文大模型要變“聰明”，它首先必須“見(jiàn)過(guò)世界”。但今天的中文語(yǔ)料，更多是“圍墻里的縮影”，而不是“世界的地圖”。

　　而我們之所以剛見(jiàn)到DeepSeek還覺(jué)得行，是因?yàn)槠涫钱?dāng)初面世時(shí)的內(nèi)容是從2023年10月份之前GPT的訓(xùn)練基礎(chǔ)上汲取的，所以?xún)?nèi)容還比較真實(shí)，但隨著這個(gè)窗口的關(guān)閉，其現(xiàn)在的內(nèi)容很多事從百度這樣的平臺(tái)上吸取的（百度的文件質(zhì)量有目共睹），所以其最終的質(zhì)量就以自由落體的速度下降了。

　　二、語(yǔ)言審查帶來(lái)的二次污染

　　DeepSeek 模型的訓(xùn)練也繞不開(kāi)一個(gè)關(guān)鍵現(xiàn)實(shí)：我們的AI必須面對(duì)高強(qiáng)度的內(nèi)容審查機(jī)制。這種機(jī)制不只是應(yīng)用層的“輸出審查”，更是訓(xùn)練層的“語(yǔ)料篩選”。

　　根據(jù)網(wǎng)傳不完全統(tǒng)計(jì)，我國(guó)的AI模型訓(xùn)練和部署過(guò)程中，過(guò)濾詞條可能超過(guò)6.6萬(wàn)組。你能想到的熱點(diǎn)社會(huì)話(huà)題、政治人物、歷史事件、制度性爭(zhēng)議，幾乎都在模型眼中“不可觸碰”，所以經(jīng)常你問(wèn)一個(gè)問(wèn)題，DeepSeek說(shuō)到一半就終止了，甚至一開(kāi)始就可以規(guī)避掉，而這都是因?yàn)閷彶闄C(jī)制導(dǎo)致的。

　　這意味著什么？

　　意味著它不是“不會(huì)回答”，而是“必須回避”。

　　在訓(xùn)練過(guò)程中，模型缺少對(duì)現(xiàn)實(shí)世界中“沖突性”“對(duì)抗性”“灰色地帶”的表達(dá)與理解能力。于是我們看到，中文AI往往顯得“太干凈”“太小心”，一問(wèn)深一點(diǎn)的問(wèn)題，它就會(huì)用“我是AI助手，無(wú)法回答”來(lái)結(jié)束對(duì)話(huà)。

　　它不是蠢，而是被訓(xùn)練成“不敢聰明”。

　　三、模型思維的扁平化：會(huì)說(shuō)話(huà) ≠ 會(huì)思考

　　即使不考慮語(yǔ)料與審查，我們AI的另一個(gè)痛點(diǎn)在于：它會(huì)“模仿”，但不太會(huì)“思考”。

　　GPT 模型的本質(zhì)，是通過(guò)大量文本的預(yù)訓(xùn)練，學(xué)習(xí)語(yǔ)言的統(tǒng)計(jì)規(guī)律，也就是“接下來(lái)最可能出現(xiàn)的詞是什么”。它的“聰明”不是因?yàn)樗斫饬耸澜纾且驗(yàn)樗?jiàn)過(guò)足夠多的世界，并統(tǒng)計(jì)出其中的規(guī)律。

　　而DeepSeek等中文模型，一方面語(yǔ)料有限，另一方面RLHF（基于人類(lèi)反饋的強(qiáng)化學(xué)習(xí)）環(huán)節(jié)難以完成真實(shí)、多元、多層級(jí)的微調(diào)，最終導(dǎo)致模型雖然能“說(shuō)人話(huà)”，但無(wú)法進(jìn)行深度的思維模擬。

　　舉個(gè)簡(jiǎn)單的例子：

　　你問(wèn)它：“如何看待‘計(jì)劃經(jīng)濟(jì)’和‘市場(chǎng)經(jīng)濟(jì)’的對(duì)比？”
它可能會(huì)答：“兩者各有優(yōu)劣，應(yīng)結(jié)合國(guó)情靈活選擇。”

　　再比如，你問(wèn)他“如何看待朝鮮這個(gè)國(guó)家的治理體系”

　　他給你的回答永遠(yuǎn)模棱兩可的，沒(méi)有答案的問(wèn)題，聽(tīng)起來(lái)好像沒(méi)毛病，但其實(shí)什么都沒(méi)說(shuō)，而且有時(shí)候，更像是人民日?qǐng)?bào)的話(huà)語(yǔ)。

　　而同樣的問(wèn)題，GPT-4 可能會(huì)從歷史沿革、理論基礎(chǔ)、現(xiàn)實(shí)表現(xiàn)、國(guó)家案例等多維度展開(kāi)，邏輯清晰、觀點(diǎn)明確，即使你不認(rèn)同它的答案，也會(huì)承認(rèn)：它確實(shí)“想過(guò)”。

　　中文模型的“平庸輸出”背后，是訓(xùn)練過(guò)程中對(duì)“思維路徑”的扁平化塑造。而這種扁平，歸根結(jié)底，還是數(shù)據(jù)、機(jī)制和環(huán)境決定的，不是不會(huì)思考，而是不能思考。

　　四、聰明的AI，需要更聰明的語(yǔ)境

　　DeepSeek 的局限，并不是DeepSeek一家的問(wèn)題，它是整個(gè)中文AI行業(yè)共同面對(duì)的困局。
? 缺乏優(yōu)質(zhì)開(kāi)放語(yǔ)料
? 內(nèi)容生態(tài)持續(xù)退化
? 審查制度擠壓表達(dá)空間
? RLHF流程成本高、難以真實(shí)反饋

　　這一切，最終讓中文大模型“聰明地糊涂起來(lái)”。

　　當(dāng)一個(gè)AI所能學(xué)習(xí)的世界，被人為劃定了邊界、屏蔽了爭(zhēng)議、消除了復(fù)雜性，它怎么可能成長(zhǎng)為“有思維”的工具？它最多只能成為一個(gè)不會(huì)出錯(cuò)的復(fù)讀機(jī)——但復(fù)讀機(jī)不等于智能。

　　不是DeepSeek不行，是我們太“安全”了

　　要讓中文AI變得真正強(qiáng)大，不是靠多加幾層注意力機(jī)制、擴(kuò)一倍參數(shù)規(guī)模就行的，而是要面對(duì)更本質(zhì)的問(wèn)題：我們是否愿意為一個(gè)真正“會(huì)思考”的AI，提供一個(gè)足夠真實(shí)、足夠復(fù)雜、足夠自由的訓(xùn)練土壤？而這恐怕不是幾個(gè)AI模型和企業(yè)就能解決的。

　　否則，DeepSeek不會(huì)是第一個(gè)“聰明不起來(lái)”的模型，也不會(huì)是最后一個(gè)。