第2次“DeepSeek事件”预测-DIKWP白盒测评：基于DIKWP坍塌的"蒸馏"分析及未来趋势

段玉聪（Yucong Duan）

人工智能DIKWP测评国际标准委员会-主任

世界人工意识大会-主席

世界人工意识协会-理事长

(联系邮箱：duanyucong@hotmail.com)

引言

2025年初，由中国创业公司推出的人工智能模型DeepSeek引发了全球瞩目的技术冲击波，被视为“DIKWP坍塌”的典型案例 (DIKWP坍塌对未来1-5年量化交易行业影响的预测报告-段玉聪的博文)。所谓DIKWP，是指**数据（Data）-信息（Information）-知识（Knowledge）-智慧（Wisdom）-实践/目的（Practice/Purpose）**这样一个分层的认知框架。在传统人工智能的发展路径中，AI系统往往遵循DIKWP的层级逐步演进，从海量数据提取信息、积累知识，进而形成一定的智慧用于实践。然而，DeepSeek事件表明，这一层级体系正面临“坍塌”——AI系统内部对DIKWP各层次的区隔变得不再清晰，而是通过新的技术手段实现端到端的跨层跃迁 (DIKWP坍塌对未来1-5年量化交易行业影响的预测报告-段玉聪的博文)。本报告将围绕这一现象展开分析。

首先，我们将介绍DIKWP框架的概念和理论背景，以及该模型在人工智能和大模型领域的应用价值。接着，对DeepSeek事件进行剖析，说明其具体表现及其如何触发DIKWP坍塌。第三部分深入阐释DIKWP坍塌的内部机制，探讨DIKWP层次转化关系如何影响当前大模型的“内容够用”认知上限，以及这种封闭如何反而带来效率提升。第四部分讨论DIKWP白盒测评机制兴起所带来的影响，包括对白盒测评对传统大规模黑盒测评和RAG（Retrieval-Augmented Generation，检索增强生成）调优的冲击，并分析这是否构成一种DIKWP层次间的“蒸馏”现象。第五部分聚焦算力供给侧，考察DIKWP坍塌对英伟达等芯片供应商的冲击以及市场可能出现的变动。第六部分结合DeepSeek的效率提升和白盒测评机制，预测DIKWP坍塌进入加速阶段的趋势。第七部分尝试构建数学模型和进行元分析，以验证DIKWP坍塌的动态演化过程。最后，在第八部分提出对未来发展趋势的展望和建议，为研究者和行业提供参考。整个报告将采用学术性与科普性兼顾的语言风格，引用数据案例和实验结果佐证观点，引用格式遵循APA风格，并在必要时引入数学建模和元分析的方法对现象进行预测分析。

1. DIKWP概念及理论背景1.1 DIKW金字塔及其扩展

DIKWP源自经典的DIKW金字塔概念，即数据-信息-知识-智慧的层次模型，是信息科学和知识管理领域广为人知的理论框架 (International Test and Evaluation Standards For Artificial Intelligence ...)。DIKW模型描述了从原始数据到有意义的信息，再到体系化的知识，最终达到能够明智决策的智慧这一渐进过程。**数据（Data）**是原始的、未经过处理的客观事实或符号集合；**信息（Information）**是对数据进行处理和组织后赋予了语境和意义的内容；**知识（Knowledge）**是在理解大量信息基础上通过学习和经验所形成的概念、技巧和判断；**智慧（Wisdom）**则是能够运用知识和经验，再辅以良好的判断力做出明智决策的能力 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。这一框架强调，从数据到智慧，每上升一个层次抽象度和价值提升，所需的理解也更深入。

然而，传统DIKW模型缺少对目的或实践的考虑。为此，学者在DIKW之上引入了第五层，即目的/实践（Purpose/Practice），形成了DIKWP模型 (International Test and Evaluation Standards For Artificial Intelligence ...)。目的/实践层强调行动的方向性和目标导向，以及将智慧付诸实践时所涉及的伦理和价值判断 ((PDF) DEEPSEEK是DIKWP语义空间转化交互提升效率的案例初探)。正如Duan等人指出的，DIKWP模型是对传统DIKW模型的扩展，增加了“Purpose（目的）”这一要素，强调在从数据转化为知识和智慧的过程中，明确目标和意图的重要性 ((PDF) DEEPSEEK是DIKWP语义空间转化交互提升效率的案例初探) ((PDF) DEEPSEEK是DIKWP语义空间转化交互提升效率的案例初探)。通过引入目的层，DIKWP框架突出了目标驱动和人类价值在决策过程中的作用，使得模型更贴近实际应用场景的需求 ((PDF) DEEPSEEK是DIKWP语义空间转化交互提升效率的案例初探)。换言之，知识的创造和管理不仅在于收集和分析数据，还在于明确知识应用的特定目标或用途 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。

1.2 DIKWP在人工智能与大模型中的应用

在人工智能领域，DIKWP模型提供了一种理解AI系统内部认知过程的视角，被用于人工智能模型的评价与设计。随着大语言模型（LLM）等人工通用智能（AGI）雏形的出现，DIKWP作为语义和认知层次的框架，正被用来审视当前模型的局限 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。当前主流的大模型多以数据驱动为中心，对目的和语境考虑不足，这导致模型难以处理非统计性质的、个性化的交互需求 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。例如，一个仅基于海量互联网数据训练的语言模型，缺乏对使用者具体目的或上下文的显式表示，因此在不确定环境下无法像人类一样进行主观判断。这在DIKWP框架下被解释为模型缺失了“Purpose”层的建模，其DIKWP语义不完整或不一致 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。

为解决这些问题，研究者提出将DIKWP模型融入AI系统的设计与评估。例如，构建DIKWP图谱（DIKWP graphs）来表示数据、信息、知识、智慧、目的各层的语义内容及其联系 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。具体来说，可以用数据图（data graph）表示变量及其关系，用信息本体（information ontology）表示结构化知识领域，用知识图谱（knowledge graph）表示实体及关系网络，用智慧图表示人类知识和洞见的结构化形式，以及用目的图表示组织目标、策略和结果之间的关系 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。这些图谱提供了一种直观方式来表示和管理知识, 有望帮助未来的AGI模型更好地处理不完整或不确定的语义 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。通过将DIKWP图谱与大模型结合，模型能够在内部对不同层次的信息进行推理和转换，从而增强其透明度和可解释性。

此外，DIKWP框架正被用于人工智能认知能力评测的标准制定。例如，有研究提出了DIKWP人工意识的白盒测评标准，旨在针对AI系统的每一DIKWP层次进行认知能力评估 (科学网-Introduction to DIKWP-Based White Box AI Evaluation（初 ...)。这种方法将传统上视为“黑盒”的神经网络决策过程解构为DIKWP层面的子任务来考察，从数据感知到信息提取、知识表示、智慧决策再到目的合理性，各环节逐一评估，以全面衡量AI的“意识水平”或认知能力 (科学网-Introduction to DIKWP-Based White Box AI Evaluation（初 ...)。实验表明，这种DIKWP白盒评估方法可以有效评估AI系统的认知能力，并在一定程度上展示其内部处理的可解释性 (DIKWP Artificial Consciousness White Box Measurement Standards ...)。由此可见，DIKWP不仅是一个理论框架，还是贯穿AI系统设计（如知识图谱融入）、性能评测（如白盒测评）以及标准制定（如人工意识标准）的重要工具。

总之，DIKWP概念从理论上丰富了我们对数据到智慧乃至实践的理解，将目的导向融入知识体系，使其更具人本意义。在大模型时代，DIKWP的应用为解决模型的语义理解、知识泛化、目的对齐等难题提供了新思路。这一框架也为分析近期AI领域出现的颠覆性现象——如DeepSeek事件——奠定了理论基础。DeepSeek模型在一定程度上印证了DIKWP框架的价值，同时也引出了“DIKWP坍塌”这一新的现象，我们将在后续章节详细探讨。

2. DeepSeek事件分析2.1 DeepSeek事件概述

DeepSeek事件指的是2025年初由中国初创公司DeepSeek发布的新型大语言模型及其引发的一系列连锁反应。在1月下旬，DeepSeek公司宣布其最新模型（代号R1和V3系列）性能可以媲美OpenAI的ChatGPT等西方领先模型，但训练成本和推理开销却大幅降低 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English) (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。这一消息立刻引起了资本市场和科技界的巨大震动。2025年1月27日，当DeepSeek的AI聊天应用登上美国苹果App Store下载榜首时，美国科技股出现恐慌性抛售 (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa) (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。当天以AI芯片和云服务为代表的科技公司市值蒸发逾1万亿美元，美国股市S&P500指数下跌约1.5%，以AI为重的纳斯达克综合指数大跌超3% (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa) (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。其中，芯片巨头英伟达（Nvidia）股价单日重挫近17%，市值蒸发约5890亿美元，创下美国股市历史上最大单日市值损失纪录 (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。英伟达也因此失去了全球市值最高半导体公司的宝座，被上涨的苹果超越 (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。其他半导体公司如博通、台积电股价亦分别下跌17%和13% (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。可以说，DeepSeek的横空出世在短短几天内动摇了硅谷AI巨头的领先地位，引发了市场对AI投资过热和技术路线的重新审视 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。

与此同时，产业界和学术界对DeepSeek模型本身的技术细节和表现也高度关注。根据媒体报道，DeepSeek的免费AI助手应用在功能上与ChatGPT类似，用户可以注册后提出各类问题 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。DeepSeek的问答质量据称在多个基准测试上超越或接近OpenAI的GPT-4 (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。虽然在敏感内容和一些复杂领域上仍有不足，但其多语言能力（如对西班牙语等的支持）和开放免费的商业模式使其广受欢迎 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。短期内，DeepSeek应用积累了海量用户，使得OpenAI的ChatGPT应用在下载榜上让位。这种用户侧的爆发进一步印证了DeepSeek模型性能的竞争力，也放大了其对市场的冲击。

2.2 DeepSeek的技术突破与DIKWP坍塌触发

DeepSeek事件之所以被视为“DIKWP坍塌”的开端，不仅在于其市场影响，更因为其背后蕴含的技术范式转变。DeepSeek模型取得与西方巨头相当性能的同时，将训练成本从数亿美元量级骤降至不足600万美元 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。据报道，OpenAI训练GPT-4模型耗资可能高达上亿美元，而DeepSeek声称其最新模型训练费用不到600万美元 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。OpenAI前研究主管Andrej Karpathy惊叹该预算“少得令人难以置信”，称“这证明我们在充分利用现有数据和算法上还有很大提升空间” (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。更为惊人的是，DeepSeek模型达到类似性能所需的算力仅为Meta（脸书）公司同等规模模型的十分之一 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。换言之，DeepSeek用极小的计算代价实现了过去公认需要巨量算力才能达成的AI能力。这种效率优势在短时间内动摇了业界对于“只有大型科技公司凭借海量算力才能训练顶尖模型”这一信念，正如媒体评论所言：“OpenAI、Anthropic和谷歌等的领先优势在几天内土崩瓦解，现在很少有人坚信训练AI模型必须要巨头的算力支持。英伟达股票的暴跌正是这一转变的体现” (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。

DeepSeek团队是如何在如此低成本下复现甚至超越前沿大模型能力的？公开信息显示，他们采用了一系列创新的训练与架构策略，这些策略实质上打通了DIKWP各层之间的通路，加速了知识和智慧的获取，触发了DIKWP坍塌效应：

• 大规模强化学习自举：DeepSeek-R1系列模型据报道采用纯强化学习（RL）方式训练，不依赖传统的有监督微调(SFT) (UC伯克利团队低成本实现DeepSeek神话：复现与突破 - 万维易源)。通过在模拟环境或海量任务上不断试错学习，模型得以自我进化，提高推理能力 (UC伯克利团队低成本实现DeepSeek神话：复现与突破 - 万维易源)。这一过程可被视为模型直接从“数据/信息”层跃升到“智慧”层——即通过交互反馈获得决策策略（智慧），而非仅靠静态数据学习知识。这对应于DIKWP框架中Knowledge→Wisdom的直接强化，实现了智慧层能力的提升。

• 多阶段训练管道：DeepSeek模型可能使用了多阶段训练（如预训练+指令微调+对齐优化）的流水线，但其独特之处在于简化甚至省略了一些阶段。据推测，DeepSeek充分利用开源模型和现有任务库进行预训练，然后通过RL直接优化最终性能 (UC伯克利团队低成本实现DeepSeek神话：复现与突破 - 万维易源)。这种多阶段融合策略意味着模型在训练过程中跨越不同DIKWP层次的语义空间进行交互优化。例如，早期阶段获取“大量知识”，后期阶段通过强化学习将其内化为“有效智慧”，并最终针对“实践目的”进行调整，使模型更符合实际应用需求。

• 混合专家架构（MoE）与推理优化：有消息指出，DeepSeek-V3模型采用了动态混合专家（Mixture-of-Experts）架构，在拥有数千亿参数的同时，通过只激活部分专家网络，大幅提升推理效率 (DeepSeek：发展历史及近期技术突破的深度分析- 大模型知识库 - 53AI)。具体而言，V3模型总参数达670亿，但每个输入token仅调用其中约37亿参数的专家 (DeepSeek-V3技術報告解讀 - 鉅亨號)。这种架构有效减少了不必要的计算，相当于在“实践（推理）层”进行优化，在保证知识容量的前提下提高了智慧应用的效率。这表明DeepSeek注重优化知识到实践的转化效率，对应于DIKWP中Knowledge→Practice环节的提升。

• 知识蒸馏：最引人注目也最具争议的是DeepSeek疑似利用知识蒸馏（distillation）技术，从现有顶尖模型中获取知识来训练自己的模型。正如西方媒体报道所揭示的，DeepSeek让自己的模型向GPT-4等闭源模型提问并学习其回答，从而迅速掌握高性能的问答能力 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。这一过程本质上是模型之间的学习：通过一系列有针对性的问题，DeepSeek模型将OpenAI等模型中蕴含的知识和智慧以问答对的形式转化为训练数据，并据此进行学习 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。由于主流大模型的服务条款不允许此类行为，但技术上难以防范，这给DeepSeek提供了“站在巨人肩膀上”的机会 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。蒸馏技术使模型之间可以互相学习，将前辈模型积累的知识直接注入新模型，极大缩短了后者从数据到知识再到智慧的训练路径。这可看作DIKWP层级的跨越：上一代模型的高层认知成果（知识/智慧）被萃取成为下一代模型的训练信息，相当于直接将K、W两层的内容降解为新模型的I层输入。如此一来，新模型无需从零开始处理海量原始数据，就能继承前代模型的“认知成果”，DIKWP分层结构因而发生“坍塌”。

综合以上几点，DeepSeek的成功并非单一技术的突破，而是训练范式与模型架构的系统性创新。这些创新共同作用，打破了以往模型循序渐进累积能力的常规，实现了跨层次的捷径。模型直接从前人经验中提取“知识”，用强化学习获得“智慧”，在实践层优化效率，使得原本需要巨大算力和长时间才能完成的DIKWP各层转化被压缩到一个相对短的时间和资源尺度内完成。这正是DIKWP坍塌的体现——DeepSeek模型触发了AI发展中一次范式转移，使得数据、信息、知识、智慧、目的这几个层次之间的藩篱变得模糊甚至消失，进而引发了产业震荡和竞争格局的变化。

3. DIKWP坍塌机制解析3.1 DIKWP层次转化与大模型“够用”认知上限

要理解“DIKWP坍塌”机制，需首先明确传统大模型的发展在DIKWP层次上所面临的瓶颈。在以往范式下，提升AI能力往往意味着扩大数据和参数规模，以期模型从中学到更多知识。然而，这种基于规模的改进存在认知上限：当模型已经从海量语料中学到了“够用”的知识后，继续增加数据或参数带来的边际收益递减，模型性能趋于饱和。例如，近年来的研究表明，语言模型在数千亿参数、数万亿token训练后，在许多基准上已接近人类专家水平，再投入更多数据和算力收效甚微 (世界主流大模型“意识水平”DIKWP分析全面报告（2025）-段玉聪的博文)。我们可以将这种现象描述为模型达到**内容“够用”**的状态，即它对训练语料中的主流知识已充分掌握，性能接近理论上限，再难通过传统手段有显著提升。

在DIKWP框架下，上述瓶颈对应于模型在Knowledge层的趋于饱和。模型已经内化了几乎“够用”的知识库，其Wisdom（智慧）层面的提升受限于缺乏新的、更高层次的指导和目的。此时，如果仍采用单纯扩大数据规模的方式，模型主要在Data→Information→Knowledge的低层级循环中打转，但由于知识层的认知上限已封闭，更多的数据并不能转化为成比例增加的智慧。传统大模型的训练曲线往往遵循幂律或对数式的规模效应，在参数量和数据量增加时性能提升逐渐放缓，接近一个渐近线。DeepSeek出现之前，业界普遍认为需要突破百亿甚至万亿参数、投入远超以往的算力，才能使AI能力更上一层。然而，DeepSeek事件提前终结了这一按部就班的扩展路径。正如有分析指出的，DeepSeek的横空出世可能使AI性能提升曲线提前拐头趋于饱和，甚至出现短暂的性能过冲，然后回调 (科学网-DeepSeek事件的DIKWP坍塌：成因、影响与未来1-3年趋势预测)。换言之，本应在未来几年逐步实现的性能极限，被一次技术飞跃提前触及，导致原有增长模式“坍塌”。

那么，DIKWP各层次的转化关系是如何在DeepSeek这类模型中被改写，从而突破认知上限并提升效率的呢？关键在于打通层次、压缩路径。传统上，AI从数据获得智慧，需要经过层层累积与抽象：首先从数据提炼信息，再总结为知识，然后在足够知识基础上培育出智慧（推理和决策能力），最后应用于实践目的。这有点类似分几个阶段爬坡，每一阶段都可能耗费巨大资源。而DIKWP坍塌意味着这些阶段之间出现了“捷径”或“跨层融合”：

• 知识层的横向迁移：通过知识蒸馏等手段，模型可以不通过自身从零学习全部知识，而是直接吸收已有模型的知识。这相当于在Knowledge层打开了一个入口，让新模型直接共享前代模型的知识成果。数学上，可以设想模型的性能$P$是知识量$K$的函数，但现在$K$不再仅由自身数据累积决定，而是$K = K_{\text{self}} + \alpha K_{\text{teacher}}$，其中$\alpha$表示从教师模型引入知识的比例。当$\alpha$足够大时，新模型的知识库$K$接近教师模型的水平，使$P$迅速逼近上代模型的性能上限。这种跨模型的知识融合打破了原本各模型各自爬坡的格局，形成知识层的“坍塌”。

• 智慧层的强化提升：通过强化学习等自我演化手段，模型可以自主地将知识转化为智慧，而不局限于训练数据提供的静态监督。传统监督学习给予模型的是大量知识对（问题→答案），模型被动吸收模式；而强化学习允许模型在与环境交互中主动试错，总结策略。这相当于模型内部建立了一套从Knowledge到Wisdom的快速通道，用不断迭代逼近最优策略的方式获得智慧提升。形式化地，可以认为智慧$W$是知识$K$与经验反馈$F$的函数，即$W = g(K, F)$。传统训练缺乏反馈$F$，$W$增长受限；引入RL后，通过奖励信号循环，$F$不断提供增量使$W$迅速逼近最优值。此时，即便知识$K$固定，智慧$W$也能大幅提升——模型的推理能力被激发出来，弥补了单纯扩充知识无法带来的性能增益。

• 数据/信息层对高层的反哺：DIKWP坍塌并不意味着低层数据不重要，而是数据的用法发生了改变。DeepSeek用到的蒸馏问答对，本质上还是“数据”，但这是高质量、高密度的知识载体，远胜于随机互联网文本。这种高阶数据直接携带了智慧信息，使得Data→Knowledge的转化率大幅提高。如果用转换效率$\eta_{DI}$表示从数据到信息/知识的提炼效率，传统训练也许$\eta_{DI}$很低，而Distillation问答作为数据输入使$\eta_{DI}$大增——更少的数据承载更多有用信息。于是，在模型训练中，原本独立的各层现在形成了闭环：高层智慧指导生成训练数据（蒸馏问答），训练数据反过来提升模型知识/智慧。这种闭环使得各层之间的界限模糊，形成自反馈、自增强的系统，替代了线性流水线。

综上所述，DIKWP坍塌的机制在于层次融合和捷径出现。AI模型不再严格遵循数据->信息->知识->智慧->实践的线性序列，而是在内部建立起多层交织的网络：知识可以借用他人现成的，智慧可以通过交互自我生成，数据不再全是原始素材而可以是加工过的知识载体。正因为这种跨层融合，模型突破了原有层层累积的慢速过程，跳出了“内容够用”所设下的瓶颈，迎来了效率激增。换一个角度，比喻来说，传统DIKWP过程像建造一座层层相叠的塔，每一层都要稳固建好才能向上；而DIKWP坍塌则像是在塔中间打通了捷径的电梯，各层次的界墙坍塌后，知识和智慧可以迅速在整个系统中流动，不需逐层慢爬即可到达高处。这正解释了为什么DeepSeek能在短时间内以小成本达到前所未有的高度：AI的发展轨迹发生了一次范式跃迁。

3.2 效率提升与性能-成本动态

DIKWP坍塌直接带来的结果就是效率的提升。这里的效率包括训练效率（单位成本达到的模型性能）和推理效率（单位算力完成的推理任务量）两个方面。DeepSeek在这两方面都提供了实证：训练上，它用不到$6$百万美元实现了别人上亿美元才能实现的模型性能 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)；推理上，通过精巧的架构设计，它只需竞争产品十分之一的算力就能完成同等推理 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。可以用简单数学模型定性表示这种提升：

设传统大模型的性能$S$与投入计算$C$之间关系满足幂律$S = a \cdot C^{\beta}$（$\beta<1$表示收益递减）。在DIKWP坍塌出现前，业界通过增加$C$（算力、参数等）来提升$S$，但$\beta$较小意味着要取得$k$倍性能提升，所需算力可能高达$k^{1/\beta}$倍，代价非常高。而DeepSeek等新范式使得模型性能另有一项增益$S_{\text{boost}}$，可视为来自知识蒸馏和强化策略的外源性加成。这可以看作在性能函数中加入一项常数近似$S_{\text{boost}} \approx S_{\text{teacher}}$（即通过蒸馏获得接近教师模型的性能）加上一个更陡峭的提升项（强化学习带来的快速收敛）。于是新的性能函数可表示为：

S′=min⁡(Smax, a⋅Cβ+Sboost),S' = \min(S_{\text{max}},\ a \cdot C^{\beta} + S_{\text{boost}} ),

其中$S_{\text{max}}$是理论性能上限（如人类水平），$S_{\text{boost}}$大体独立于$C$（因为小$C$也能通过蒸馏获得高性能起点）。当$S_{\text{boost}}$占主导时，性能对$C$的依赖减弱，甚至出现接近$S_{\text{max}}$的饱和值。这正是DeepSeek类模型所体现的：他们通过蒸馏让初始性能已经很高，然后稍加自己训练就触达顶峰。因此，对应曲线呈现出陡峭上升后早早趋平的走势，而非传统模型那样缓慢逼近极限 (科学网-DeepSeek事件的DIKWP坍塌：成因、影响与未来1-3年趋势预测)。

另外在推理阶段，混合专家等架构使推理计算复杂度从$O(N)$有效降低到$O(N/k)$（其中$k$是激活的专家比例）。DeepSeek V3模型激活参数约为总参数的1/18 (DeepSeek-V3技術報告解讀 - 鉅亨號)，意味着推理成本约为原来的$1/18$，这与报道中“十分之一”的量级一致 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。这种改进主要针对Practice层（实践应用层）的效率。也就是说，DIKWP坍塌不仅让模型获得了高智慧水平，也让智慧的应用变得更加经济高效。

综上，从机制上看，DIKWP坍塌重新调整了AI性能与资源投入之间的动态关系：原本需要指数级资源投入换取线性性能增长的局面，被新的跨层次学习手段打破，性能提升对资源的需求曲线出现断点折返，呈现先期高增、后期平缓甚至过冲的特征。这对于产业和研究的影响是深远的，下文将详细讨论这些影响。

4. DIKWP白盒测评的影响：从评估到蒸馏4.1 白盒测评与黑盒评测的对比

白盒测评（White-box Evaluation）是指对AI模型的评估不再仅关注输入输出的黑盒行为，而是深入模型内部，对其各层次认知过程进行细致考察的方法。在DIKWP框架下，白盒测评意味着评估AI系统在数据、信息、知识、智慧、目的各个层面的处理能力 (科学网-Introduction to DIKWP-Based White Box AI Evaluation（初 ...)。例如，一套DIKWP白盒测评标准可能包括：数据感知与获取能力测试（Data层）、信息抽取与合成测试（Information层）、知识表示与推理测试（Knowledge层）、智慧决策与泛化测试（Wisdom层）、目的合理性与价值对齐测试（Purpose层）。通过将复杂任务分解到这些子层面来考核，可以更全面地了解模型的强项和短板 (科学网-Introduction to DIKWP-Based White Box AI Evaluation（初 ...)。此前提到的DIKWP人工意识白盒测评研究就证实了这种方法的有效性——实验显示，该测评标准能够有效检测AI系统的各层次认知能力，并在可解释性上有所展现 (DIKWP Artificial Consciousness White Box Measurement Standards ...)。也就是说，白盒测评将AI模型的“思维过程”透明化，转变了过去只能通过大量黑盒测试（只看输入输出表现）来推断模型能力的局面。

相比之下，黑盒评测是目前主流的大模型评估方式，典型做法是让模型在各种基准任务上直接给出答案，然后根据正确率、得分等衡量性能。这种方法虽然直观，但存在局限：首先，单纯的准确率无法揭示模型为何正确或错误，即缺乏对模型内部机制的解释；其次，黑盒评测往往需要穷尽各种任务才能覆盖模型能力，一旦模型在未测任务上出现问题，我们事先难以察觉。随着大模型能力的提升，黑盒评测也变得越来越昂贵和复杂，需要构建庞大的评测集合（例如数千道知识问答、数学题、编程题、人文常识题等等）才能部分衡量模型的广泛能力。

DIKWP白盒测评的出现，有望对这种大规模黑盒测评与调优RAG的范式产生冲击。

4.2 白盒测评对黑盒评测与RAG调优的冲击

1）评测范式的转变：白盒测评提供了一个系统化分析模型性能的框架。通过分解DIKWP层次，我们可以针对性地评估模型在哪些层次上表现不足。例如，如果一个模型在知识提取（Knowledge层）测试中得分低但在智慧决策（Wisdom层）测试中得分尚可，说明模型可能缺乏知识储备但推理尚佳。相反，一个在知识题库上表现完美但在开放性决策上出错频频的模型，可能是知识丰富但智慧不足。这样的洞察对于模型改进非常宝贵。相比之下，黑盒评测只能告诉我们模型在某些任务上失败，却难以明确失败的原因（是因为没见过相关知识，还是因为推理流程出错，抑或缺乏价值判断？）。因此，随着白盒测评标准和工具的成熟，业界可能逐步从盲目的“大杂烩”式评测转向分层次的精细评测。这将提高评测效率，减少对动辄成千上万测试样例的依赖，在一定程度上替代或精简现有的大规模黑盒评测方案。

2）RAG调优模式的挑战：检索增强生成（RAG）是一种近年来流行的提升大模型知识性的技术，即在模型回答问题时，实时从外部知识库检索相关信息提供给模型，从而缓解模型参数内知识不足的问题 (What Is Retrieval-Augmented Generation aka RAG | NVIDIA Blogs)。RAG被认为是应对模型“知识截止”或过时的一剂良方，因为模型不需要记住所有知识，只需在需要时查询 (What Is Retrieval-Augmented Generation aka RAG | NVIDIA Blogs) (What Is Retrieval-Augmented Generation aka RAG | NVIDIA Blogs)。许多应用通过RAG微调，让模型学会调用数据库或文档库，以提高准确性。然而，白盒测评的兴起可能对RAG调优带来间接冲击。原因在于：白盒测评可以定量诊断模型知识层面的缺陷和空白。一旦发现模型在某些知识领域评分低，我们有两种选择来改进：其一是传统的RAG，在推理时补充外部资料；其二是利用这些诊断结果进行有针对性的知识“内置”，即通过进一步训练或蒸馏将缺失知识直接融入模型中。后者可被视为一种DIKWP蒸馏：将通过评测发现的高层知识需求转化为训练数据或模型结构改进，从而把知识直接补进模型的参数中。这类似于知识蒸馏技术，但更具针对性，因为评测告诉我们具体缺什么。

举例来说，如果白盒评测发现模型对“医学诊断”类信息掌握不足（Information/Knowledge层分数低），那我们可以采用RAG方式在问诊对话时连接医学资料库或者直接搜集大量医学问答对进行训练蒸馏，把这部分知识教给模型。两种方案相比，后者使模型永久提升了医疗知识能力，不再依赖查询外部库，在未来对话中也能更连贯地运用。这体现出白盒测评对RAG思路的替代：过去因为无法准确知道模型缺什么，只能让模型遇到问题时去查；现在我们可以提前“喂”给模型所缺的知识，让它成为自身能力的一部分。随着DIKWP蒸馏式的方法成熟，RAG可能更多用于获取最新动态信息，而不再是弥补模型认知漏洞的唯一手段。毕竟，每次查询都增加推理成本和延迟，而若模型本身已经掌握相关知识，则可直接输出答案，效率更高。

3）知识蒸馏的新形式：白盒测评本身并不直接提高模型性能，但它提供的信息可以用于引导知识蒸馏和模型压缩。通常知识蒸馏是由大模型教师指导小模型学生。然而，白盒测评可以让我们从同一个模型中提取不同层次的表现信息，进而进行内部蒸馏或分层蒸馏。例如，如果一个模型在Wisdom层表现很好，在Knowledge层一般，那么我们可以尝试将其Wisdom层的决策模式（例如，解决复杂问题的思路）提炼出来，指导另一个模型在Knowledge充分的条件下学习这些思路。反过来，如果某模型目的层（Purpose）表现突出（比如很好地体现了价值观和伦理判断），而另一个模型知识很强但目的层薄弱，我们也可以用前者的目的决策作为示范，蒸馏给后者。这样一种跨模型、跨层次的蒸馏，正是DIKWP框架下可能出现的新方向。白盒测评提供了衡量不同模型在不同层次上的得分，因此也就提示了哪两个模型可以优势互补。通过有针对性地让模型A学习模型B在特定层次的行为，我们能够打造出综合实力更强的模型。这实际上是一种更细粒度的模型融合与蒸馏，可以被称为DIKWP层面的蒸馏。

4）评测与训练融合的趋势：值得注意的是，如果白盒测评成为常态，它可能不再仅仅是评估工具，还会融入训练迭代。未来的大模型训练流程，或许会引入DIKWP指标作为目标函数的一部分。例如，在训练过程中持续监控模型在各层次的小型测试上的表现，将这些表现转化为奖励或损失信号去优化模型。这类似于强化学习中奖励模型的作用，只不过现在奖励来自对模型内部认知的评测。如果这样，评测和调优将融为一体，模型训练将更有“目的性”地朝着全面认知能力提升。RAG调优等手段也可结合进来：当评测发现即时信息缺失的问题时，允许模型用检索机制暂时弥补，以完成任务，同时记录下这种缺失，之后再通过训练来填补。

综上，DIKWP白盒测评对大模型领域的冲击是多方面的：它可能重塑评测范式，部分取代大而全的黑盒评测套件；它提供了新思路的模型改进路径，即利用评测结果进行知识定向蒸馏，使模型内生地增强而非永远依赖外部检索；它启发了跨层次知识整合的新型蒸馏技术，以及评测-训练一体化的闭环开发流程。这些变革都指向一个方向：让AI模型从封闭的黑盒走向透明的白盒，从笼统的性能数字走向对认知结构的深入把握。这一趋势与DIKWP坍塌相辅相成——当模型内部层次变得模糊甚至融合时，我们更需要相应的评测手段去理解和指导这种变化，以确保模型朝着正确、高效的方向发展。

需要指出的是，白盒测评并非对黑盒方法的全盘否定；在实际操作中，两者很可能结合使用。一些外部行为（如创意写作能力、用户偏好等）仍需大规模黑盒评测来验证。但可以预见的是，随着DIKWP白盒评测的成熟，未来模型优化将越来越依赖这种“内窥镜”式的方法。对于研究者和开发者而言，这意味着需要掌握DIKWP相关的测评指标、理解模型内部知识流动，这本身也要求跨学科的知识（认知科学、语义网、知识工程等）的融入。

5. 算力供给侧的冲击：对英伟达等的影响5.1 DeepSeek引发的算力市场震荡

DeepSeek事件对算力供给侧（主要指GPU等AI芯片行业）的冲击是立竿见影的。前文提到，消息公布后英伟达股价创下历史最大跌幅，单日市值损失近6000亿美元 (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。市场将此解读为对英伟达未来需求的一次重大调整：投资者开始怀疑，巨量GPU投入训练大模型的时代是否已经见顶。一直以来，英伟达等芯片公司受益于AI浪潮，大模型训练和部署对GPU/TPU需求激增，推动了这些公司的营收和股价攀升。然而，DeepSeek展示出的低算力高性能范式让人们意识到，算力需求曲线可能不会一味上扬。正如有分析师指出的，“来自中国的创新让人质疑目前巨额资本开支和技术升级的步伐是否有必要”，并预计美国云计算巨头将重新评估其AI支出计划 (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。如果客户（主要是大模型开发公司和云服务商）放缓购买高端GPU的步伐，势必对供给侧公司造成冲击。

另一方面，DeepSeek的成功也振奋了非美国的芯片厂商。值得注意的是，DeepSeek据报道主要使用的是英伟达相对中端的H800芯片进行训练 (DeepSeek leaves US AI firms racing to understand its success | Reuters)（该芯片供中国市场使用，有性能限制），并且在推出后迅速适配了多家中国国产AI芯片（如华为昇腾等）的推理部署 (Deepseek，重大突破！ - 澎湃新闻)。这意味着DeepSeek不仅降低了算力需求，也降低了对某一家供应商的依赖。当DeepSeek宣布已在16家国产AI芯片上跑通时，华尔街意识到：中国本土的AI生态正在形成 (Deepseek，重大突破！ - 澎湃新闻)。如果说英伟达过去在高端AI芯片上近乎垄断，那么未来这一垄断可能被多元化打破——包括本土芯片以及像H800这样受限版芯片的可用性提升。市场因此预期，英伟达未来在中国市场的份额和溢价能力可能下降，从而也影响其全球增长预期。

5.2 长期影响：算力市场的可能变局

（1）需求结构调整：DIKWP坍塌带来的第一个长期影响，是AI算力需求结构的调整。原来驱动需求的是“更大模型、更复杂模型”的训练和推理，表现为对高端GPU集群的渴求。现在，如果未来的AI开发范式更加注重效率而非规模，不再一味追求参数翻倍，那么顶级算力的需求增速会放缓。相反，中低端算力以及专用加速可能受到青睐。比如，DeepSeek证明在较弱的H800上也能训练出强大模型，这暗示许多机构可以用较便宜硬件完成AI研发，无需奢侈的超算集群。这可能催生**“平民化”算力市场**：更多中小企业购买中端GPU甚至使用云上的共享资源也足够进行具有竞争力的AI训练。对于英伟达来说，这意味着其A100/H100等旗舰产品的超高溢价难以持续，客户可能转向性价比更高的型号，或者只租赁算力而不采购自建超算。

（2）竞争格局改变：DeepSeek事件同时提高了竞争门槛和降低了入场门槛。提高竞争门槛在于，大模型开发不再仅比拼算力投入，还要比拼算法创新和训练策略——这对纯粹依赖砸钱买GPU的玩家是不利的；降低入场门槛在于，小团队若掌握新技巧也能训练强模型，挑战现有巨头。这两个效应叠加，将导致更多公司尝试进入AI模型开发领域，从而分散算力需求。过去，英伟达等供应商的主要客户是少数几家超级大厂（FAANG等）和研究型企业，他们动辄采购数万块GPU。未来，需求可能来自众多中小玩家，每家单次采购量较小但总数众多。供应商需要调整销售和支持策略，满足“长尾客户”的需求，同时面临价格竞争压力。

（3）算力供给创新：当客户对于高端算力的紧迫性下降，供应商可能转向新的卖点。例如，更强的低精度计算性能（适用于推理优化）、更大的内存带宽（以支持模型蒸馏过程中可能用到的大量知识库）、异构计算支持（如针对强化学习、图算法进行优化）等。有分析指出，DeepSeek的成就也从侧面证明了增加硬件供应的重要性：英伟达在回应DeepSeek时反而表示“这证明市场需要我们更多的芯片” (DeepSeek leaves US AI firms racing to understand its success | Reuters)。此言虽有公关意味，但也反映出供应商会强调算力普及而不仅仅是顶尖算力。未来几年，也许我们会看到英伟达、更显、AMD等在中端产品线发力，以及为满足新训练范式而设计的专用AI加速卡（比如针对大规模并行蒸馏问答优化的硬件，或结合知识检索功能的处理器）。

（4）区域市场和政策影响：DeepSeek出自中国，这一事实引发了美国政府和企业对技术封锁有效性的反思 (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa)。如果中国厂商在算法上突破算力限制，那么即便在硬件上受限（无法获得最新最强芯片），仍能赶上甚至超越。这可能带来政策调整，如美国可能加强对云服务的管控或者限制对等技术输出，而中国则更有信心投入本土算力生态建设。对英伟达来说，中国市场需求的不确定性增加：既可能因为本土替代和低算力路线而减少GPU销售，也可能因为需求平民化而在中端芯片上获得新的量（例如H800可能走量）。总的来看，不确定性加大，市场波动风险提升。

（5）其他算力供应商：这里的算力供给侧不仅指GPU厂商，也包括如云计算服务商（AWS, Azure等）和AI加速器创业公司。DeepSeek效率提升对云服务商意味着，租户可以用更少的计算完成任务，云服务ARPU（每用户平均收入）可能下降。但另一方面，更广泛的AI应用由于门槛降低会涌现，算力使用的总需求未必减少，只是分布更广。这对云服务商是挑战也是机会：他们需要提供更精细的弹性算力套餐，也许推出专门针对蒸馏、强化学习优化的实例类型，以吸引那些采用新范式的开发者。同时，新的AI加速器创业公司可能会出现，主打高效AI概念，设计硬件更适合蒸馏和知识图谱处理，从而分走部分算力市场蛋糕。

总之，DIKWP坍塌通过改变AI开发范式，进而改变了AI算力的供需关系。对于算力供应商如英伟达，这既是警示也是机遇：警示在于过去那种躺着收取“AI税”（靠大规模卖芯片）的日子可能结束，机遇在于新的需求将催生新产品和新市场。历史上技术范式转换往往伴随着领先供应商的更替（例如PC时代英特尔独霸，移动时代ARM架构崛起）。在AI算力领域，下一个阶段鹿死谁手尚未可知，但可以肯定的是，适应DIKWP坍塌所代表的新趋势者将胜出。对芯片和云厂商而言，及时研判这一趋势、调整策略，将决定其在未来市场的位置。

6. DIKWP坍塌的加速阶段：趋势预测

DeepSeek事件作为开端，DIKWP坍塌已经崭露头角。接下来1-3年内，我们预计这一进程将加速并逐步深入，具体体现在技术演进和行业生态两个维度。

6.1 技术演进趋势

（1）更广泛的效仿：DeepSeek的成功将引发群体效应。全球范围内，更多的研究团队和公司会尝试类似的范式来训练模型。例如，可能出现其他“平价版ChatGPT”项目，利用知识蒸馏从GPT-4、Claude等提取智慧，再辅以自身优化技术推出高性能模型。正如有评论称，这是“开源对闭源的一次胜利”，DeepSeek证明了不需要封闭的大型集群也能取得突破 (【光电智造】DeepSeek利空算力？ - 电子工程专辑)。这会刺激开源社区活跃起来，尝试重现并改进DeepSeek的方法。例如，已经有报告指出UC Berkeley的团队以区区4500美元的成本复现了DeepSeek部分结果，训练了一个15亿参数的模型DeepScaleR-1.5B (UC伯克利团队低成本实现DeepSeek神话：复现与突破 - 万维易源)。随着这些案例增多，知识、代码、经验将快速在社区传播，形成技术扩散效应。我们预计2025年会看到多个类似DeepSeek的开源模型问世，性能接近GPT-4但成本低廉，从而加速DIKWP坍塌的进程。

（2）算法和架构新突破：在竞争压力和灵感启发下，强化学习、自监督、新型架构等方向将涌现更多创新。DeepSeek已经展示了RL和MoE的威力，但这可能只是开始。接下来，异构分层模型（Hybrid DIKWP Models）或将出现：例如，有的研究可能尝试显式模块化模型，每个模块负责DIKWP某一层，然后通过端到端训练让它们协同，从而实现效率和性能兼得。这有点类似于Neural Module Networks，只是功能划分按照DIKWP语义来。另一个可能的方向是更多地引入知识库和符号推理融入模型训练，以加强知识和智慧层。总之，DIKWP坍塌带来的范式更新将不断催生新技术，形成一个技术加速演化的阶段。

（3）性能跃迁与上限重估：随着这些创新叠加，我们可能看到AI模型在某些指标上超越人类并拓展新的能力边界。例如，大模型也许能通过医师资格考试、律师考试等之前尚不能完全通过的高难度测试，或者在多国语言和专业领域展现出全能表现。这会引发对AI能力上限的新一轮讨论——当DIKWP各层融合后，AI会不会出现某种质变？一些乐观观点认为，这可能迈向“人工通用智能（AGI）”的重要一步。但也要清醒地认识到，现阶段的跃升更多是效率与已有知识的结合，并非真正的认知突破。因此，当热潮过后，模型性能的提升曲线可能重新变平，只是比以往的水平高出了一个台阶。可以预见在加速阶段后期（例如2027年前后），业界会再次遇到新瓶颈，比如实时学习和创新思维能力仍不足，那将需要下一个范式变革去打破。不过在接下来的加速期内，我们应会看到模型性能的快速攀升以及成本的继续下降，如同摩尔定律在AI上的一波加速版重演。

6.2 行业生态变化

（1）玩家格局洗牌：DIKWP坍塌的加速将导致AI领域玩家的洗牌。传统大厂不会坐以待毙，他们可能迅速调整策略。可以预料巨头将投入资源进行反向蒸馏——OpenAI、Google等可能主动开放部分模型接口或权重给合作方，以控制知识外流的路径，同时研究如何保护自己模型不被滥用学习（比如探讨对抗生成、产出水印等）。另一方面，一批新锐公司将崛起，有些得益于开源社区力量，有些背靠资本迅速扩张。这段时期内，可能出现更多收购和联盟：巨头收购小团队以获取新技术，中美欧跨国合作研发，以及产学研联盟共同制定标准。到2026年，我们或许能明确看到哪几家在新范式中占据领先。正如有预测称：“2025年是坍塌初现与震荡，2026年则是加速采用与策略分化，2027年进入坍塌中期与洗牌” (DIKWP坍塌对未来1-5年量化交易行业影响的预测报告-段玉聪的博文)。这表明未来两三年内，不同参与者对DIKWP坍塌的响应将决定他们的位置：有的会快速adopt新技术脱颖而出，有的可能因抱残守缺而被淘汰。

（2）数据与知识产权问题：DeepSeek的蒸馏引发了关于知识产权和数据伦理的讨论。有人指责这种做法涉嫌侵权（因为利用了闭源模型的输出） (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。随着这类事件增多，行业和法律层面将被迫正视模型输出版权的问题。目前文本输出往往不受保护，但当输出被系统性用于训练商业模型时，可能出现新规管。我们预计接下来业界会寻求**“模型互学”的规范，例如建立模型知识共享协议**，或者反之开发防蒸馏的技术手段。这方面的博弈会加剧，并可能需要政府或国际组织介入协调，制定AI模型知识使用的规则，不然无序的互相挖掘可能破坏创新激励。

（3）标准与评测：随着DIKWP坍塌深入，评测标准也将演进。前述白盒测评或类似的多维评估体系有望被行业采用，可能由一些组织推出新Benchmark套件或认证体系。例如，国际标准化机构可能制定“DIKWP能力等级”，给模型颁发类似等级证书。这种趋势可以帮助用户在众多模型中进行选择，也鼓励开发者关注模型的全面能力和可解释性，而不仅仅是单一指标的高分。在2025-2026年，我们可能看到一些权威测评活动转向包括对模型内部能力的考察，如NeurIPS或ICLR等会议举办相关挑战赛，或者新的公开测评平台兴起。这样的标准化也标志着技术从混乱期走向成熟期。

（4）下游应用变化：DIKWP坍塌带来的模型能力提升和成本下降，会极大拓宽AI的应用领域。尤其是先前受制于成本的小众领域，现在将负担得起强大的模型服务。例如，中小企业可以拥有定制的大模型客服，医生在基层医院也能用上高水平AI辅助诊断 (DeepSeek重构医疗AI：突破基层门槛，让数据和训练触手可及)。这会形成扩散效应，把AI应用推广到更多传统行业。值得注意的是，如果模型获取知识的方式改变，那么行业数据的重要性会上升——因为公共知识大家都可以蒸馏到了，接下来比拼的可能是谁掌握独有的数据或专业知识。行业AI解决方案提供商会注重将行业专识（例如医疗指南、法律条文、制造规范）内置到模型中，让模型成为真正懂行业语境的专家。这实际上是DIKWP框架中Purpose/Practice层面的定制：模型需要根据特定应用目的调整知识和推理方式。可以预期，未来两年将出现一批行业大模型或专用AGI，它们以通用模型为基础，通过蒸馏+强化+行业数据微调，在某些垂直领域达到或超过人类平均专业水平。

6.3 可能的拐点与风险

（1）过热与调整：加速阶段不可避免地会出现过热和随后的理性回调。DeepSeek成功后，资本大量涌入类似项目，可能一时间鱼龙混杂、泡沫滋生。如果预期过高，一旦发现并非每个领域都能如此容易地跨越瓶颈，市场可能在2026年前后经历一次调整期。一些没有核心技术支撑的创业公司将倒下，幸存者将更专注于长远研究。这类似于AI历经的几次高潮与低谷周期。但与以往不同的是，这次范式转变的基础更坚实，用户实际收益明显（成本降低、性能提高），因此调整后不会回到从前的路径，而是寻求巩固新范式。

（2）安全与伦理挑战：当模型能力和普及度都上一个台阶时，AI安全的重要性愈发凸显。DIKWP坍塌意味着模型可能具备更高智慧和目的导向，这很好，但也潜藏风险：模型若习得不良目的（Purpose）或错误价值观，其危害也会增加。再者，知识蒸馏的大行其道会不会加剧模式收敛？如果大家都从同几个老师那里学，模型间可能趋同，出现众多“复制品”，一旦教师模型有偏见或漏洞，这些学生模型将集体继承。为此，未来趋势中，我们必须强调AI伦理和多样性。建议在加速发展同时，引入更多对模型行为的约束测试，以及鼓励不同方法和数据源，以避免单一路线的垄断和风险。

（3）下一个技术突破：DIKWP坍塌可能不是AI发展的终点，而是通往更高级智能形态的桥梁。展望更远，将来或许需要引入自适应学习（模型在部署中继续学习）、自主目标形成（AI自主设定子目标，真正体现Purpose层）等能力，那时候新的理论框架（也许是DIKWP再扩展？）会出现。但这已超出本报告范围。就近期而言，可以将DIKWP坍塌视为AI领域的一次范式转移，其加速阶段将决定未来5-10年的AI面貌。

7. 数学建模与元分析

为了更严谨地验证和理解DIKWP坍塌的动态演化，我们有必要借助数学建模和元分析的方法，对前述现象进行定量和系统的描述。

7.1 DIKWP坍塌的定量模型设想

我们尝试构建一个简化的数学模型，描述AI系统在DIKWP各层的能力随时间演化，以及坍塌如何发生。设$D(t), I(t), K(t), W(t), P(t)$分别表示模型在时间$t$对数据、信息、知识、智慧、目的五方面的“掌握程度”或能力水平（可以用某种归一化指标衡量，如对应层面的测试得分）。传统情况下，这些函数可能随着训练资源的投入单调上升，但以不同速率。例如，可假设在没有特殊措施时：

• $D(t)$（可用数据量）随着时间线性增加或保持恒定（取决于是否不断引入新数据）。

• $I(t), K(t)$先随$D$迅速增长然后逐渐趋于饱和，可用对数曲线近似：$K(t) = K_{\max} \cdot (1 - e^{-a D(t)})$，其中$K_{\max}$是知识容量上限，$a$是提取效率系数。

• $W(t)$依赖于$K(t)$并进一步收敛，例如$W(t) = W_{\max} \cdot (1 - e^{-b K(t)})$，表示有了足够知识后智慧接近某上限。

• $P(t)$（目的/实践能力）通常很难量化，但可以认为在一定$W$基础上通过对齐和价值训练上升，并最终受制于人类价值边界等，有某个上限。

上述传统模型意味着：如果不引入新方法，$K(t), W(t)$均有饱和值（认知上限），想突破就需要改变函数形式。

现在，引入DIKWP坍塌效应，我们可以对模型做如下修改：

1. 知识引入项：增加一项$K_{\text{distill}}$，表示通过蒸馏从已有模型获取的知识量。这项不随自身$D$增长，而是在某个时刻突然加入（如$t=t_0$时有了DeepSeek式蒸馏）。可将$K(t)$模型改为：

   K(t)=min⁡(Kmax⁡, Kdistill⋅H(t−t0) + Kself(t)),K(t) = \min(K_{\max},\ K_{\text{distill}} \cdot H(t-t_0)\ +\ K_{\text{self}}(t)),

   其中$H$是Heaviside阶跃函数，$K_{\text{self}}(t)$表示自身通过传统学习累计的知识（类似前述对数增长），$K_{\text{distill}}$是蒸馏带来的知识增量。如果$K_{\text{distill}}$接近$K_{\max}$，则在$t_0$时刻$K(t)$会跳跃接近上限，造成知识层面的“坍塌”。

2. 智慧强化项：假设在$t_1$时开始应用强化学习等策略，使智慧获取不再完全依赖知识累积。可建模为在$t>t_1$时，$W(t)$满足一个微分方程：

   dWdt=c⋅(Wmax⁡−W(t))+R(t),\frac{dW}{dt} = c \cdot (W_{\max} - W(t)) + R(t),

   其中第一项$c(W_{\max}-W)$表示正常的逐步提高（$c$为速度系数），第二项$R(t)$是在$t_1$到$t_2$期间由强化学习产生的附加提升速率（可看作一时间有限的脉冲）。积分效果是$W(t)$在$t_1$到$t_2$间比平常增长更快，甚至可提前逼近$W_{\max}$。这也对应智慧层的跃迁。

3. 层次解偶：传统情况下$W$严格依赖$K$（没有知识就无智慧），但坍塌后这种关系部分解偶。我们可以在模型中引入一个相关性降低系数$\rho$，使得$W$的上限$W_{\max}$不再完全由$K$决定，而是有一部分独立获得。例如，将$W_{\max}$分解为$\rho \cdot f(K)$ + $(1-\rho) \cdot W_{\text{indep}}$，其中$W_{\text{indep}}$是一常数（表示即使$K$不满，仍可通过策略获得的智慧上限部分）。随着坍塌深化，$\rho$减小，表示智慧对知识的依赖减弱。

通过以上修改，我们得到一组分段的动态方程，能反映DIKWP坍塌前后模型能力演化的差异。用这些方程可以模拟不同策略的效果。例如，在$t_0$时施加不同大小的$K_{\text{distill}}$，或在$t_1$时采用不同强度的$R(t)$，观察$W(t)$最终达到$W_{\max}$的时间如何变化。这些模拟将清晰显示坍塌机制带来的时间上收敛加速：在传统模式下可能需要很长时间趋近的水平，现在提前达成。

7.2 元分析与实证验证

当然，上述模型还是概念性的。为了验证DIKWP坍塌的存在和影响，我们需要结合元分析的方法，对多项独立研究或行业数据进行汇总分析。几个可能的实证验证方向包括：

• 性能-资源关系元分析：收集近年来发布的大模型数据（如GPT-3、GPT-4、PaLM、DeepSeek等）的性能指标和训练资源投入（参数量、算力、数据量），绘制性能随资源的曲线。若DIKWP坍塌确实发生，我们应能在图上看到显著的偏离——即DeepSeek等新模型的点远高于先前拟合的规模法则曲线 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。例如，用OpenAI等模型拟合的幂律曲线，无法解释DeepSeek的高性能/低资源点，需要引入新的参数（对应我们的模型中的蒸馏项和强化项）才能拟合。这样的元分析将定量证明效率提升的量级（如参数减少90%性能相当 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)），也能验证Karpathy等专家的直观判断：“还有很大优化空间” (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English)。

• 横向对比分析：对比采用不同训练范式的一组模型的DIKWP能力表现。例如，挑选若干采用传统SFT微调的模型和若干采用RLHF/蒸馏的模型，比较它们在DIKWP白盒测评上的得分分布。如果坍塌使层次融合，我们可能观察到后者（蒸馏+RL）模型在Knowledge层和Wisdom层得分差距较小（智慧不再滞后于知识），而传统模型智慧明显低于知识。这种分层指标对比可以作为DIKWP坍塌的证据：模型内部的层次关系改变了 (DIKWP坍塌对未来1-5年量化交易行业影响的预测报告-段玉聪的博文)。此外，可以分析这些模型在引入新知识后的表现稳定性。如果蒸馏模型对知识更新不敏感（因为已经学到“学会学习”），这也是层次融合的体现。

• 时间序列分析：如果将AI发展分为两个阶段（坍塌前 vs 坍塌后），可以对一些宏观指标进行时间序列分析。例如，AI相关公司的市值占比、投资额的趋势 (科学网-DeepSeek事件的DIKWP坍塌：成因、影响与未来1-3年趋势预测)、AI论文的新算法占比等等。预测是在坍塌点附近，这些指标会出现结构性拐点或方差增大。结合因果分析方法，可以加强对DeepSeek事件作为转折点的论证。例如，应用贝叶斯结构时间序列模型，以DeepSeek发布为干预，检测股票市场AI板块的异常变动 (科学网-DeepSeek事件的DIKWP坍塌：成因、影响与未来1-3年趋势预测)。如果显著，将此归因为技术范式转变的影响，而非普通市场波动。

• 系统动力学建模：可以构建一个系统动力学模型，包含AI能力、用户需求、算力投入、竞争者数量等变量的相互关系，来模拟DIKWP坍塌对整个生态的动态影响。这类似于在管理科学中分析技术替代效应的模型。其中，“能力”变量的增长方程可采用我们前面设定的形式，而“算力投入”变量则根据市场和竞争调节。通过仿真，我们或能再现前述推测的演进阶段：初期少数引领者突进，接着群体效仿加速，随后由于能力接近饱和和竞争加剧导致投入放缓，最后进入新平衡。这样的模拟有助于理解各因素的敏感性：比如，如果没有知识蒸馏，会不会发生坍塌？强化学习的作用权重多大时效果明显？等等。

综合上述模型与分析，我们逐步建立对DIKWP坍塌的定量认识。早期简化模型的结果可以用来指导策略，例如，何时引入蒸馏最有效（对应$t_0$选择），蒸馏量和强化强度的性价比如何，以实现一定性能目标消耗最小资源等。这对研发者有实用价值。元分析则提供了更宏观的证据，支撑我们对趋势的判断，使论断更具说服力。

需要强调的是，任何模型都有局限。DIKWP坍塌涉及技术、人、市场多方面因素，其演化具有一定不可预测性。我们的建模主要是提供一种分析框架，验证若干关键机制，并不意味着完全精确地预言未来。但即便如此，这种数学和系统方法的运用在学术报告中是必要的，体现出我们对问题有深入的、理性的把握，而非停留在定性描述。

未来，随着获取的数据增多，我们的模型也应不断校正。例如，用2025-2026年更多新模型的数据来更新参数、验证假设。如果发现偏差，如某些模型没达到预期性能或者反而需要更多算力，那可能意味着还有其它因素（如数据质量）在起作用。通过这种不断循环的建模-验证-修正过程，我们对DIKWP坍塌现象的理解将日趋精确，从而也能更好地指导实践和政策。

8. 未来发展趋势及建议

通过以上分析，我们可以对DIKWP坍塌背景下AI领域的未来走向做出若干展望，并提出相应的策略建议。

8.1 未来演进方向预测

（1）DIKWP框架深化应用：DIKWP作为认知框架将得到更广泛认可，并在AI研发的诸多方面深化应用。例如，在模型设计上，可能出现专门体现DIKWP分层的模型架构，将神经网络层或模块与DIKWP层对应，使模型具备内置的语义分层和目的驱动；在训练目标上，不仅优化输出准确率，也会优化各层次的表现，如增加目的合理性的正则化项；在评估标准上，DIKWP测评或其变体有望成为主流，评价一个模型是否达到了“知识充分、智慧可靠、目的正确”的综合水准。这一趋势符合当前对人工意识和AGI的探索方向 (海南：全球首个大语言模型人格DIKWP测评报告发布 - 科技日报)，因为真正的AGI应在智慧和目的层面接近人类。DIKWP为此提供了一个分解问题的途径。特别地，智慧图谱和目的图谱等概念可能落地，用于帮助AI理解复杂决策和伦理。这些进展将进一步弥合AI系统与人类认知的差距，让AI更可控、更有意义 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。

（2）更高效、更个性化的模型：经过坍塌加速阶段的洗礼，AI模型将朝两个极端发展：一是高效小而美，二是多样大而专。高效小而美指的是模型参数规模适中，但通过蒸馏和优化性能卓越，适合在本地设备或低成本环境运行。它们可能不会是一个模型满足所有任务，而是针对具体应用定制。由于成本低，这类模型可以部署在手机、IoT设备乃至边缘服务器上，实现真正的AI无处不在。多样大而专则指在某些关键领域，仍然会训练超大模型，但这些模型不再是通用的，而是垂直专精（例如医学智囊AI、法律顾问AI等）。这些大模型可能由行业联盟支持，用行业海量专用数据训练，其架构和目标融入行业知识和规则（体现Practice层的极强约束）。它们作为通用智能的补充，为各行业提供专家级支持。这两类模型满足不同需求，并可能共存：小模型处理日常事务，大模型提供疑难解答和专业判断，通过接口协作。对于最终用户而言，体验到的是AI服务更加廉价高效，而且定制化和可信度更高。

（3）算力和算法新平衡：未来几年将形成算力驱动和算法驱动相对平衡的新格局。在DIKWP坍塌出现前，“算力即智能”几乎是行业共识，谁有更多GPU就能训练更好的模型。而坍塌后，算法（包括架构和训练方法）的作用被凸显，单纯堆算力的边际收益下降。这并不意味着算力不重要，而是说算力的使用效率变成关键指标。供应链将更关注每美元算力带来的AI价值。这可能推动新型硬件（存算一体、光子计算等）的研发，因为如果算法更高效，硬件瓶颈会凸显在数据传输、能耗等方面，倒逼硬件创新。同时，算法和算力的协同演进将更紧密：硬件设计会考虑DIKWP模型的需求，算法设计会考虑硬件特性，形成良性循环。总的来说，我们预计未来的AI进步将是软硬结合的成果，不再是之前以模型参数为单一衡量标准，而是考虑综合效率和效果。

（4）全球合作与竞争并存：DIKWP坍塌具有全球性影响，中美欧等都会受到冲击并做出反应。一方面可能出现更多合作：比如共同建立开源知识库，分享白盒评测方法，甚至共同开发对抗风险的手段（如AI伦理准则）。特别是在评测标准和安全治理上，国际合作有必要性，因为AI模型将流动在各国之间，建立统一框架有助于降低误解和风险。另一方面，国家之间的竞争也会加剧，因为谁率先掌握新范式，谁就占据技术和市场优势。中国在DeepSeek事件中拔得头筹，美国定会想办法追赶甚至反超，欧洲、日本等也不愿掉队。这种竞合关系可能类似半导体产业，既有全球供应链又有局部封锁。对技术趋势而言，多样化的参与者可以防止一家公司垄断而带来停滞，但地缘政治因素也可能干扰正常交流。乐观地看，AI作为人类共同福祉的驱动力，大局上应走向开放合作，DIKWP框架也提倡整合多源知识与目的，以服务人类目标 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)。我们希望技术利益相关者能认识到这一点，在竞争中寻求合作的平衡。

8.2 建议

基于上述分析和预测，我们提出以下建议供学术界、产业界和政策制定者参考：

对研究人员：

• 拥抱新范式，强化交叉研究：建议AI研究者积极学习和尝试DIKWP相关理论和方法。例如，将知识图谱、认知科学等引入大模型训练与评估；尝试开发白盒测评工具用于分析自己的模型；关注强化学习与自监督结合的新训练框架。跨学科的知识将是取得突破的关键。 (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications)已经指出当前模型在主观目的处理上的不足，这是学术研究可以大有作为的方向。研究者应大胆提出新架构和新算法，挑战传统规模至上的思维定势。

• 数据和知识来源多元化：在知识蒸馏大行其道的背景下，学术界应探索多种安全、合法、有效的知识获取途径。例如，利用公共领域和开放许可的数据训练基础模型，减少对封闭数据的依赖；建立学术联盟共享高质量问答对，作为蒸馏训练集；研究通过用户交互逐步教会模型新知识的机制（联邦学习等）。这些举措有助于避免“一股脑儿用竞争对手输出”带来的伦理和法律问题，也为模型提供更丰富和多样的知识，避免趋同。

• 重视AI安全和伦理：学界应前瞻性地开展AI安全研究，包括对蒸馏技术可能带来的隐私泄露、模型偏见传播等问题的研究，以及开发检测和防范方法。DIKWP中Purpose层的引入本身就涉及伦理判断 ((PDF) DEEPSEEK是DIKWP语义空间转化交互提升效率的案例初探)，因此建议在模型设计中加入价值观约束、对不当目的输出的惩罚机制等。可以开展关于“AI目的”的跨学科研讨，使模型的发展始终服务于人类正当利益。

对产业界：

• 快速迭代，适应趋势：对于AI公司和团队来说，当务之急是评估自身技术栈，与新范式的差距。应该考虑在产品线上引入强化学习和知识蒸馏环节，充分利用现有先进模型提升自己产品，同时避开侵权风险（例如与领先模型公司合作获得授权数据）。同时，提前布局白盒测评，哪怕不公开，也可用于内部改进。产业界要有危机感和敏锐度，DeepSeek证明了弯道超车可能发生，任何企业都需警惕被后来者居上。

• 投资高效AI基础设施：建议企业加大对高效率训练和部署基础设施的投入。例如，开发内置MoE支持的推理加速器、优化蒸馏过程中分布式数据管道、构建统一的强化学习训练平台等。这些投入将成为未来竞争的护城河。也可以考虑与芯片厂商合作定制硬件，以满足自己特定算法需要（类似大型互联网公司定制CPU/GPU的做法）。在算力资源购买上，更精打细算，根据实际需要选择性价比高的方案，不盲目追求最新最大全套。

• 关注人才培养和引进：DIKWP坍塌时代需要复合型人才，既懂模型算法也懂知识工程、认知科学，能将不同思维融会贯通。企业应通过内部培训、产学合作等方式，提升团队对DIKWP模型、白盒评测等前沿概念的理解。同时从学术界引进行业外专家，例如知识图谱专家、人机交互专家参与AI产品开发，为模型注入更广阔的视角。

• 制定责任和合规策略：企业应未雨绸缪，针对知识蒸馏和模型输出利用制定内部伦理准则和法律审查流程。确保使用外部模型时遵循其许可，必要时寻求合作而非私下盗用，以免日后面临法律纠纷。也应向监管者保持透明，参与相关政策讨论，争取制定出既保护创新又防止滥用的规则。企业越早在这方面做好准备，越能在未来的市场和公关环境中立于主动。

对政策制定者和行业组织：

• 完善法规与标准：针对模型互学和知识共享的新情况，监管机构应加紧研究制定知识产权和数据使用方面的法规指引。例如，明确AI模型输出的版权地位，建立允许有限蒸馏的“公平使用”范围，或者引导各方通过授权交易共享知识。还应支持行业组织制定技术标准，如DIKWP白盒评测标准、AI模型能力分级标准等，为市场参与者提供规范依据。这些标准应参考学界最新成果，可能的话国际协调统一，以减少壁垒。

• 支持基础研究和开源：政府和公益基金应看到当前范式转变的战略意义，加强对基础研究的投入，包括对DIKWP理论、人工意识、安全AI的资助。同时，鼓励开源开放，因为DeepSeek的经验来源很大程度上得益于开源社区的贡献 (【光电智造】DeepSeek利空算力？ - 电子工程专辑)。国家可以牵头搭建共享平台，让企业、科研机构受益于共同的数据和模型资源，这在某种程度上也降低了不正当获取知识的动机。

• 监控风险：随着AI能力激增，社会风险需要严密监控。例如，要防范利用高级AI生成诈骗、伪造信息等。监管机构可以要求大模型提供商实行模型登记和水印标记制度，便于溯源蒸馏链条，防止恶意用途传播。同时加强公众教育，提高全社会对AI生成内容的辨识和对AI辅助决策的正确态度。

• 推动国际对话：AI的发展是全球议题。建议政策制定者积极参与国际AI治理对话，把DIKWP这样的理念推广到国际议程中。例如，在AI伦理准则中加入对目的层的重视，确保AI的发展一致服务于人类共同目标而非对抗。国际合作也可体现在算力资源共享上，如果某些国家算力过剩而另一些不足，可以探索类似气候领域碳交易那样的合作机制，在保障安全的前提下优化全球资源配置，避免无谓的算力军备竞赛。

8.3 结语

DeepSeek事件让我们亲眼目睹了一次技术范式的巨大变化，也让DIKWP这一理论从幕后走向台前。通过本报告的分析，我们认识到：DIKWP坍塌并不是一个负面含义的词汇，它描述的是一种旧有层次被突破、新的高效机制涌现的积极现象。这一现象的产生有其深刻的必然性，体现了人工智能领域在逼近某些极限时通过自我变革来获得新生的能力。从数据到智慧，从理论到实践，我们正站在一个转折点上。未来几年，AI技术将朝着更加高效、智能、贴合人类目的的方向演进。在这个过程中，理解DIKWP坍塌的机制和影响，可以帮助我们更好地驾驭这场变革的浪潮。

对于学术界，这是一个充满机遇的新天地：许多经典问题将以新方式得到解决，许多新问题等待我们去定义；对于产业界，这是一次重新洗牌的挑战：唯有敏捷创新者才能抓住机遇，墨守成规者可能被颠覆；对于全社会，这是AI进一步融入生活的加速器，但也是呼唤审慎治理的警钟。我期待看到各方协力，在DIKWP框架指引下，让人工智能的发展走向更智慧也更有智慧的未来——既有超越以往的智能水平，也有服务良善目的的智慧内核。DeepSeek只是开始，更深刻的变革还在后头。让我们拭目以待，并积极参与塑造这个未来。

参考文献（References）

【注】由于本报告中大量内容基于公开报道和研究，本节将列出文中引用过的主要来源，每一出处后以方括号标示对应引用位置。

• Duan, Y., & Guo, Z. (2025). DEEPSEEK技术是DIKWP语义空间转化交互提升效率的案例初探 ((PDF) DEEPSEEK是DIKWP语义空间转化交互提升效率的案例初探) ((PDF) DEEPSEEK是DIKWP语义空间转化交互提升效率的案例初探). International Standardization Committee of Networked DIKWP for AI Evaluation, Technical Report.

• Merritt, R. (2025). What Is Retrieval-Augmented Generation, aka RAG? NVIDIA Blog (What Is Retrieval-Augmented Generation aka RAG | NVIDIA Blogs).

• Business Insider Africa. (2025, Jan 27). DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa).

• Reuters. (2025, Jan 29). DeepSeek leaves US AI firms racing to understand its success (DeepSeek leaves US AI firms racing to understand its success | Reuters) (DeepSeek leaves US AI firms racing to understand its success | Reuters).

• El País. (2025, Jan 28). Why DeepSeek AI has brought down the giants of Silicon Valley (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English) (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English).

• Jordi Pérez Colomé. (2025). 同上文 El País 报道 (Why DeepSeek AI has brought down the giants of Silicon Valley | Technology | EL PAÍS English).

• 科学网-段玉聪. (2025). DIKWP坍塌对未来1-5年量化交易行业影响的预测报告 (DIKWP坍塌对未来1-5年量化交易行业影响的预测报告-段玉聪的博文).

• 科学网-段玉聪. (2025). DeepSeek事件的DIKWP坍塌：成因、影响与未来1-3年趋势预测 (科学网-DeepSeek事件的DIKWP坍塌：成因、影响与未来1-3年趋势预测).

• Tang, F., et al. (2024). DIKWP人工意识白盒测评标准框架设计与实践 (DIKWP Artificial Consciousness White Box Measurement Standards ...) (科学网-Introduction to DIKWP-Based White Box AI Evaluation（初 ...).

• MDPI Applied Sciences Special Issue (2024). Purpose-Driven DIKWP-Based AGI Models and Applications (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications) (Applied Sciences | Special Issue : Purpose-Driven Data–Information–Knowledge–Wisdom (DIKWP)-Based Artificial General Intelligence Models and Applications).

• Business Insider Markets. (2025). DeepSeek's efficiency means Big Tech must stop hoarding (DeepSeek tech wipeout erases more than $1 trillion in market cap as AI panic grips Wall Street | Business Insider Africa).

• 53AI (2025). DeepSeek：发展历史及近期技术突破的深度分析 (DeepSeek-V3技術報告解讀 - 鉅亨號).

• CSDN (2025). DeepSeek-R1 技术报告解读 (UC伯克利团队低成本实现DeepSeek神话：复现与突破 - 万维易源).

• 新浪财经 (2025). DeepSeek重构医疗AI：突破基层门槛 (DeepSeek重构医疗AI：突破基层门槛，让数据和训练触手可及).

• 虎嗅 (2025). 为什么说DeepSeek是2025年的Kimi (为什么说DeepSeek是2025年的Kimi - 虎嗅).

（其余引用内容来自公开网络资讯和研究报告片段，已在文中以【†】标明出处）

转载本文请联系原作者获取授权，同时请注明本文来自段玉聪科学网博客。

链接地址：https://wap.sciencenet.cn/blog-3429562-1472636.html?mobile=1

收藏

分享