厦门大学：《DeepSeek的技术创新分析、启发及原理验证：谈强化学习的影响与AI的发展趋势》大家好，我是吾鳴。之前吾

大家好，我是吾鳴。

之前吾鳴给大家分享过由厦门大学出版的四份报告，它们分别是：

今天吾鳴给大家分享一份也是由厦门大学出版的报告——《DeepSeek的技术创新分析、启发及原理验证：谈强化学习的影响与AI的发展趋势》。报告主要包含AI发展简史、AI训练的基本原理、Transformer架构、DeepSeek技术创新、强化学习、AI的不足与边界以及AGI的实现这７大部分。报告一共有34页PPT，文末有完整版下载地址。

内容摘要

AI的发展简史
从1950年代图灵测试提出人工智能概念，到2020年代大语言模型革命，AI经历了多个关键阶段：专家系统（1960s-70s）、神经网络复兴（1980s-90s）、深度学习突破（2010s）。重要里程碑包括AlphaGo击败人类棋手（2015）、Transformer架构提出（2017）、GPT系列模型迭代（如GPT-3、GPT-4），以及DeepSeek等新型模型的崛起。OpenAI的成立与转型、谷歌DeepMind的技术突破，共同推动了AI能力的全面提升。

AI训练的基本原理
传统算法基于固定规则处理数据，机器学习通过数据寻找规则（如if-else逻辑），而大语言模型（LLM）通过多层函数堆叠（如f(f(x)...）实现复杂模式学习。LLM的核心是自动发现数据中的潜在规律，而非依赖人工定义的逻辑。

AI上半场——Transformer架构
Transformer架构通过自注意力机制彻底改变了自然语言处理。其核心应用包括预训练模型（如GPT）、模型微调、行业垂直模型（如医疗、金融）、图像/视频生成模型，以及开源与闭源模型的竞争。该架构为ChatGPT等应用的爆发奠定了基础。

AI中场——DeepSeek技术创新
DeepSeek提出多项前沿技术：混合专家系统（MoE）提升模型容量，低秩注意力机制（MLA）优化计算效率，多token预测增强推理能力，FP8混合精度降低算力消耗，纯强化学习（无监督微调）实现端到端训练。其模型（如DeepSeek-v3、R1）在开源生态中强调推理透明化，并推动低成本推理服务（如手机端部署），挑战传统闭源模型的商业逻辑。

AI下半场——强化学习
强化学习以“无限试错+自我奖励”为核心，通过状态（S）、动作（A）、奖励（R）的交互优化模型行为。DeepSeek-R1通过数学题和逻辑问题验证其推理能力，例如温度计算、鸟蛋数量问题，但当前仍依赖暴力算力（而非真实环境交互）。挑战在于语言领域缺乏确定性环境，需结合因果推理实现更通用的智能。

AI的不足与边界
当前AI存在明显局限：大模型易产生“幻觉”，RAG技术准确度不足，生成模型多用于娱乐，推理模型受众有限。理论层面，神经网络结构简化（对比生物脑）、不可解释性、对统计暴力的依赖（样本+算力）限制了其向高阶智能的跨越。

未来AI——AGI的实现
自主智能（AGI）需突破概率统计范式，转向因果动态理解与可解释性。关键技术路径包括：元学习、神经符号系统、分层强化学习、LLM与强化学习结合、仿生神经网络等。目标是通过迁移学习、任务分解和智能体交互，实现类人的抽象推理与创造力，最终减少对环境不确定性的依赖。