当前，DeepSeek掀起的“模型热”还在持续升温。

正如通信世界全媒体年初所预测的，2025年大模型乃至智能体将迎来进一步繁荣，行业大模型将深度融入核心业务与应用、AI终端以及智能体将加速落地。具体到如何实现，DeepSeek仿佛一阵“及时雨”，凭借低成本、高效能以及广泛的应用场景，为行业实践提供了良好的技术支撑与应用基础。

可喜之余，对于渴望在未来大模型领域闯出一片天的企业来说，结合自身的业务需求与数据特点，在充分发挥DeepSeek优势之上，“卷”出更具有独特竞争力的自研大模型乃至智能体，似乎更值得深思。

01

前期“卷”接入

实现“共进共生”

最直观来看，目前DeepSeek掀起的“模型热”主要表现为DeepSeek的“接入热”。

其中既包括英伟达、亚马逊以及微软等国外科技巨头，也包括极具市场潜力的中国本土企业，从底层的软硬件设计研发企业到互联网大厂、运营商、垂直领域AI公司再到中小型初创企业，选择DeepSeek似乎已成为当下算力成本飙升与商业化路径尚未明晰的必然抉择。

自DeepSeek开放API以来，其生态版图快速扩张。据不完全统计，目前全球已有超过200家企业宣布接入DeepSeek。就目前来看，接入方式主要分为三类： 一是API直接调用，即企业直接调用DeepSeek的云端API，快速集成其通用能力，如文本生成、代码编写等。 二是模型微调，即企业基于DeepSeek基座模型，注入私有数据进行领域适配，从而实现自身模型优化。 三是开源共建，这主要体现在底层架构与设计层面，企业针对DeepSeek开放的部分模型权重，借助社区协作进行自身优化。

总体来看，接入是方式，优化是目的。随着企业对接入方式的逐渐深入，我们可以发现，企业自研模型与DeepSeek的接入部署，逐渐呈现出全面化、智能化、差异化的特点，两者结合的模式也逐渐呈现“共生进化”特征。

针对模型部署开发类，私有化部署与产品成为保障安全的选择，多家企业如中国电信、联想、新华三、浪潮等均推出了DeepSeek智算一体机，实现一体化开箱即用的私有化部署。与此同时，DeepSeek模型私有化部署服务也涵盖安装部署、系统调优和运行维护，可提供适配多种算力的部署包及支持，帮助企业在自有业务场景中构建安全可靠的智能环境。

针对技术融合类，单向的知识蒸馏训练，即单纯接入DeepSeek，可提炼其模型能力至自研模型，降低自身部署成本；多向的模型联合训练，即企业自研大模型与DeepSeek大模型进行深度联合训练，可以促进联合创新，为企业带来更广阔的发展空间。

02

中期“卷”经验

挖掘价值站稳市场

接入与优化满足当前初步部署应用的需求，但也不可否认，DeepSeek的崛起为自研通用大模型以及行业大模型带来了冲击。

在技术竞争方面， DeepSeek的低成本训练模式和高效推理能力是其优势所在，也为自研大模型带来了新的技术竞争压力。就拿DeepSeek V3来说，其训练成本仅为557.6万美元，使用 2048 张 H800 GPU 卡，相比同等规模的模型（如GPT-4、GPT-4o、Llama 3.1），训练成本大幅降低。这迫使大模型研发者不得不重新审视技术路线，加大在降低训练成本和提升推理效率方面的研发投入。

在应用场景拓展方面，DeepSeek-R1在科研、数据分析、代码生成等复杂场景表现出色，DeepSeek-V3适合内容创作、长文本生成等场景。客观来看，这两类大模型已较为广泛地覆盖了当下通用大模型的应用场景，行业开始出现了新的选择，即对已入局者以及仍观望者亮出了新挑战。

在市场格局重塑方面，DeepSeek的开源和低成本特性，吸引了大量合作伙伴，包括云服务厂商、算力企业等，改变了通用大模型的市场格局。对于行业大模型来说，强调其自身价值之前，似乎必须先证明自己模型对行业专属数据与场景的理解，比直接调教通用模型懂得更多。

基于此，对于企业自研大模型来说，想要在市场继续站稳脚跟，正视挑战与机遇，扬长避短、提升差异化竞争力迫在眉睫。

面向低成本、低算力部署趋势，大模型行业应借鉴经验，与自身结合的基础上更倾向于研发和应用能够在低成本、低算力条件下运行的技术和模型，以降低使用门槛、扩大应用范围。

面向当下训练需求逐渐转向推理需求，充分挖掘数据价值有望使部分企业脱颖而出。对此，企业应重视数据质量的提升，解决数据孤岛问题，加强数据的整合和共享，借助日渐先进的数据处理技术和算法，充分挖掘数据的价值，为大模型优化提供有力支持。

证明自研大模型存在的必要，企业仍需挖掘自身的差异化优势，结合自身所在行业的特点和资源，找到独特的应用场景和价值点，实现差异化竞争。例如，猿辅导的猿力大模型在与DeepSeek融合后找准了教育场景下的个性化学习体验，通过定制化学习方案，并自动调整学习节奏，使孩子逐渐找到学习自信。

03

后期“卷”效用

兼顾效率与商业化

随着大模型出现并渗透进日常生活，大模型竞争也进入2.0阶段，从长远来看，大模型已由传统的技术竞赛转向商业化效率竞争。

就行业启示来看， 低成本推理成为刚需。随着市场竞争的加剧，算力成本曲线已然成为决定市场格局的关键因素。 数据闭环能力成为新价值。不同于单纯追求数据量，当下更为数据的内容质量以及应用质量。

从效率角度出发，企业应全方位提升模型的研发、训练与应用效率。首先，在研发环节，企业可以尝试在算法和架构设计下功夫，同时借助自动化代码生成工具，减少人工编写代码的时间和错误。其次，在训练过程中，合理利用分布式计算技术，优化训练算法值得探索。最后，进入应用阶段，注重推理效率提升，借助模型压缩等先进技术与经验，提高推理速度。

从商业化角度出发，企业应精准定位市场需求，制定合理的商业模式。一方面，企业可以针对特定行业的需求，开发定制化的大模型解决方案。另一方面，企业可以将大模型作为基础平台，开发一系列的应用产品和服务。

总而言之，大模型2.0时代已经来临，低成本推理、差异化竞争、数据价值挖掘以及产业链定位，构成了这个时代大模型企业发展的关键拼图。企业有待将这些要素紧密结合，积极调整战略，以适应时代的变化，在市场竞争的洪流中稳步前行，不断发展壮大。