La última vez fue durante las vacaciones del Año Nuevo Chino, ¿esta vez será durante las vacaciones del Primero de Mayo? Así también está bien, siempre hay expectativas hermosas para cada vacaciones.
Recientemente, han surgido rumores de que la empresa DeepSeek está a punto de lanzar su nuevo modelo de gran escala, el DeepSeek R2.
Según las filtraciones en redes sociales, los puntos clave son los siguientes:
Innovación en la arquitectura: utiliza una arquitectura Hybrid MoE 3.0 desarrollada internamente, con parámetros de activación dinámica que alcanzan los 1.2 billones, y el consumo de cálculo real es solo de 78 mil millones, lo que representa una mejora significativa en la eficiencia;
Nacionalización del hardware: entrenado en un clúster de chips Huawei Ascend 910B, con una tasa de utilización de potencia del 82%, el rendimiento se acerca al 91% del clúster Nvidia A100;
Salto multimodal: en la tarea de segmentación de imágenes COCO, la precisión alcanza el 92.4%, superando al modelo CLIP en 11.6 puntos porcentuales;
Implementación en campos verticales: la precisión de diagnóstico médico supera el 98%, y la tasa de falsos positivos en control de calidad industrial se reduce a 7.2 partes por diez millones, con la practicidad de la tecnología alcanzando nuevas alturas.
Hay que recordar que, hace tres meses, el lanzamiento de DeepSeek R1 provocó la evaporación de 600 mil millones de dólares en el valor de mercado de Nvidia en un solo día, y la combinación de 'bajo costo + alto rendimiento' de R2 indudablemente causará un impacto aún mayor en los gigantes tecnológicos estadounidenses que dependen de chips de alta prima.
Avance tecnológico
Se informa que el tamaño de los parámetros del modelo grande DeepSeek R2 ha alcanzado la impresionante cifra de 1.2 billones, casi el doble en comparación con los 671 mil millones de parámetros de la generación anterior R1. Este número se acerca al nivel de modelos de primer nivel internacional como GPT-4 Turbo y Google Gemini 2.0 Pro. El aumento explosivo en la cantidad de parámetros significa que la capacidad de aprendizaje del modelo y su capacidad para manejar tareas complejas se han incrementado considerablemente.
DeepSeek R2 utiliza una arquitectura de modelo de expertos híbridos (MoE), que es una técnica que asigna tareas a múltiples módulos de 'pequeños expertos'. En términos simples, el modelo seleccionará automáticamente el 'experto' más adecuado para manejar diferentes tareas, mejorando la eficiencia y reduciendo el desperdicio de recursos de cálculo.
Según las filtraciones, el parámetro de activación dinámica de R2 es de 78 mil millones, y la cantidad de cálculo consumida en realidad es solo del 6.5% del total de parámetros. Este diseño permite que el modelo mantenga un alto rendimiento mientras reduce significativamente los costos de operación.
En cuanto a los datos de entrenamiento, DeepSeek R2 utiliza un corpus de alta calidad de 5.2PB (1PB = 1 millón de GB) que cubre sectores como finanzas, derecho y patentes. A través de la tecnología de destilación semántica en múltiples etapas, la tasa de precisión en el cumplimiento de instrucciones del modelo ha aumentado al 89.7%. Esto significa que es más hábil para entender las complejas instrucciones humanas, como analizar documentos legales o generar informes financieros.
Reducción de costos del 97.3%
El mayor avance de DeepSeek R2 sigue siendo la drástica reducción de costos. Según las filtraciones, su costo de inferencia por unidad se ha reducido en un 97.3% en comparación con GPT-4. Por ejemplo, generar un artículo de 5000 palabras con GPT-4 cuesta alrededor de 1.35 dólares, mientras que DeepSeek R2 solo necesita 0.035 dólares.
La razón principal de la disminución de costos radica en la optimización de la adaptación de hardware. DeepSeek R2 se entrena en un clúster de chips Huawei Ascend 910B, con una tasa de utilización del chip del 82%. En comparación, la eficiencia del clúster Nvidia A100 es del 91%.
Esto significa que los chips nacionales en el campo del entrenamiento de IA están cerca del nivel de liderazgo internacional, e incluso podrían liberarse de la dependencia de Nvidia.
Capacidad multimodal
Otro gran atractivo del DeepSeek R2 es la mejora en la capacidad multimodal. En el módulo de comprensión visual, utiliza una arquitectura híbrida ViT-Transformer, alcanzando una precisión del 92.4% en la tarea de segmentación de objetos del conjunto de datos COCO, lo que representa una mejora de 11.6 puntos porcentuales en comparación con el modelo CLIP tradicional.
En términos simples, puede identificar con mayor precisión los objetos en las imágenes, como distinguir entre peatones, vehículos y señales de tráfico en una fotografía de una calle.
Además, R2 admite compresión de cuantización de 8 bits, lo que reduce el tamaño del modelo en un 83% y la pérdida de precisión es menor al 2%. Esto significa que en el futuro, dispositivos como teléfonos móviles y hogares inteligentes también podrán ejecutar IA de alto rendimiento localmente, sin depender de servidores en la nube.
Juego global de IA
Las filtraciones sobre DeepSeek R2 han provocado una fuerte reacción en el mercado de capitales. Debido a su ventaja de costos y autonomía tecnológica, podría representar una amenaza para las empresas tecnológicas estadounidenses que dependen de las GPU de Nvidia.
Los analistas predicen que, si el rendimiento de R2 es cierto, las acciones de Nvidia podrían enfrentar fluctuaciones a corto plazo, mientras que las empresas relacionadas con la cadena de suministro de IA en China podrían experimentar una nueva ronda de crecimiento.
Este evento también refleja un nuevo patrón en la carrera global de IA. DeepSeek R2 demuestra que a través de la innovación arquitectónica y la adaptación de hardware nacional, también se pueden lograr avances. Los datos de utilización de los chips Ascend de Huawei (82%) indican que la infraestructura de potencia nacional ya tiene competitividad internacional.
Aunque el contenido de las filtraciones es emocionante, algunos expertos de la industria señalan que hay contradicciones en la información. En las discusiones en línea, ha surgido el fenómeno de que mensajes informales en chino se traducen y se difunden, lo que aumenta aún más la incertidumbre.
DeepSeek aún no ha confirmado la fecha de lanzamiento, pero combinando la reciente colectividad de aprendizaje en inteligencia artificial de ZZJ, el apoyo político y los avances tecnológicos podrían acelerar la llegada de R2.
Desde chips hasta algoritmos, desde datos hasta aplicaciones, cada eslabón de la cadena de suministro de IA en China está acelerando su autonomía. Los chips Ascend de Huawei reemplazan a Nvidia, y la construcción de un corpus de datos en chino de 5.2PB establece barreras en campos verticales; detrás de estas acciones se encuentra una carrera crítica por el dominio tecnológico en la próxima década.
