50美元训练出DeepSeek R1？
近期，科技圈流传着一个令人震惊的消息：李飞飞团队仅用 50 美元就训练出了一个与 DeepSeek R1 性能相当的 AI 推理模型。这一消息引发了广泛讨论，许多人质疑其真实性和可行性。本文将深入剖析这一研究背后的真相，探讨其技术细节、依赖条件以及潜在的商业应用前景。 前天下午，一个信息在科技圈传起来了。 说李飞飞团队花了50美元就训练出了一个和DeepSeek R1差不多厉害的AI推理模型。这听起来简直像科幻小说的情节，但事实真的如此吗？ 我赶紧看了下研究论文，发现并不是这样。 先说说这个模型是怎么来的。其实，李飞飞团队并没有完全从头开始训练一个新的模型。这个名为S1的模型，实际上是基于阿里云的通义千问（Qwen）模型进行监督微调的结果。 就像在已经盖好的大楼上加点装饰一样。所以，所谓的“50美元奇迹”，是站在了别人已经搭好的高台上才做到的。 既然是微调，具体是怎么微调的呢？主要有两点： 精心挑选数据 使用高效训练 他们找了一个很小的数据集，只有1000个问题，但这些问题都是精心挑出来的，难度高、种类多，质量还特别好。这些数据是从谷歌Gemini 2.0 Flash Thinking Experimental模型中蒸馏出来的，就像把精华部分提取出来一样。 训练过程是，他们用了16台很厉害的电脑（Nvidia H100 GPU），训练时间不到30分钟，总共花了不到50美元。就这样，S1模型在有限的资源下实现了性能的提升。 我一听，这不就像去网吧借了几台电脑，花了点零花钱，就开发出了一款王者荣耀一样。中文自媒体最喜欢这种噱头，各种蹭热点，大家都知道，现在DeepSeek R1特别火，谁都想在热点上分一杯羹。但这种操作，确实有点噱头了。 不过，我觉得，虽然这个方法听起来很厉害，但能不能真的推广开来，还得好好思考一下。 为什么呢？ 首先，这个方法太依赖通义千问模型了。如果没有强大的基础，这个模型就没办法表现得那么好。这就像是搭积木，底下的积木要是不稳，上面再怎么装饰也没用。 然后，1000个数据在处理很复杂的问题时可能不够用。毕竟，有时候，我们要更多的数据来让模型更聪明。而且，这种依赖外部模型进行微调的方式还可能引发知识产权的问题。 比如，大家都用别人的模型来训练自己的模型，那原来的模型开发者是不是应该得到一些回报呢？ 不过，尽管有这些问题存在，我认为，李飞飞团队的研究还是给了我们很多启发。即：可以花很少的钱，也能训练出很厉害的AI模型。因为，这对于小公司、个人开发者，还有那些教育资源不够的地方来说，是个很大的鼓舞。 但是，这个模型到底能不能商用呢？ 这又是一个问题。虽然训练成本降低了，但商用还要考虑很多因素。比如：模型的稳定性和可靠性。比如，DeepSeek R1虽然训练成本低，但它的推理成本其实也不低。而且，训练模型只是第一步，模型的维护和更新也需要持续投入。 我觉得，这种小模型的确是一种探索。像我前一段时间本地部署了两个模型，电脑热得可以蒸鸡蛋。那时，我在想，要是能再小点、再聪明点，就好了。 总之，虽然「50美元训练出AI模型」听起来很诱人。 但我们还是要理性看待这件事，它并不是说AI技术一下子就变得特别简单了，而是在特定的条件下，找到了一种新的方法；我们不能因为这个，就忽略基础研究和大规模投入的重要性。 不过，这也确实是好消息，说明AI技术正在朝着更平民化的方向发展。希望未来，每个电脑上都能有一个小模型。到时候，只要对着电脑说说话，就能搞定很多任务，那该多好。 报告参考： [1].论文：https://arxiv.org/html/2501.19393v1 [2].GitHub：https://github.com/simplescaling/s1 本文由人人都是产品经理作者【王智远】，微信公众号：【王智远】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。
近期，科技圈流传着一个令人震惊的消息：李飞飞团队仅用 50 美元就训练出了一个与 DeepSeek R1 性能相当的 AI 推理模型。这一消息引发了广泛讨论，许多人质疑其真实性和可行性。本文将深入剖析这一研究背后的真相，探讨其技术细节、依赖条件以及潜在的商业应用前景。
前天下午，一个信息在科技圈传起来了。
说李飞飞团队花了50美元就训练出了一个和DeepSeek R1差不多厉害的AI推理模型。这听起来简直像科幻小说的情节，但事实真的如此吗？
我赶紧看了下研究论文，发现并不是这样。
先说说这个模型是怎么来的。其实，李飞飞团队并没有完全从头开始训练一个新的模型。这个名为S1的模型，实际上是基于阿里云的通义千问（Qwen）模型进行监督微调的结果。
就像在已经盖好的大楼上加点装饰一样。所以，所谓的“50美元奇迹”，是站在了别人已经搭好的高台上才做到的。
既然是微调，具体是怎么微调的呢？主要有两点：
- 精心挑选数据
- 使用高效训练
他们找了一个很小的数据集，只有1000个问题，但这些问题都是精心挑出来的，难度高、种类多，质量还特别好。这些数据是从谷歌Gemini 2.0 Flash Thinking Experimental模型中蒸馏出来的，就像把精华部分提取出来一样。
训练过程是，他们用了16台很厉害的电脑（Nvidia H100 GPU），训练时间不到30分钟，总共花了不到50美元。就这样，S1模型在有限的资源下实现了性能的提升。
我一听，这不就像去网吧借了几台电脑，花了点零花钱，就开发出了一款王者荣耀一样。中文自媒体最喜欢这种噱头，各种蹭热点，大家都知道，现在DeepSeek R1特别火，谁都想在热点上分一杯羹。但这种操作，确实有点噱头了。
不过，我觉得，虽然这个方法听起来很厉害，但能不能真的推广开来，还得好好思考一下。
为什么呢？
首先，这个方法太依赖通义千问模型了。如果没有强大的基础，这个模型就没办法表现得那么好。这就像是搭积木，底下的积木要是不稳，上面再怎么装饰也没用。
然后，1000个数据在处理很复杂的问题时可能不够用。毕竟，有时候，我们要更多的数据来让模型更聪明。而且，这种依赖外部模型进行微调的方式还可能引发知识产权的问题。
比如，大家都用别人的模型来训练自己的模型，那原来的模型开发者是不是应该得到一些回报呢？
不过，尽管有这些问题存在，我认为，李飞飞团队的研究还是给了我们很多启发。即：可以花很少的钱，也能训练出很厉害的AI模型。因为，这对于小公司、个人开发者，还有那些教育资源不够的地方来说，是个很大的鼓舞。
但是，这个模型到底能不能商用呢？
这又是一个问题。虽然训练成本降低了，但商用还要考虑很多因素。比如：模型的稳定性和可靠性。比如，DeepSeek R1虽然训练成本低，但它的推理成本其实也不低。而且，训练模型只是第一步，模型的维护和更新也需要持续投入。
我觉得，这种小模型的确是一种探索。像我前一段时间本地部署了两个模型，电脑热得可以蒸鸡蛋。那时，我在想，要是能再小点、再聪明点，就好了。
总之，虽然「50美元训练出AI模型」听起来很诱人。
但我们还是要理性看待这件事，它并不是说AI技术一下子就变得特别简单了，而是在特定的条件下，找到了一种新的方法；我们不能因为这个，就忽略基础研究和大规模投入的重要性。
不过，这也确实是好消息，说明AI技术正在朝着更平民化的方向发展。希望未来，每个电脑上都能有一个小模型。到时候，只要对着电脑说说话，就能搞定很多任务，那该多好。
报告参考：
[1].论文：https://arxiv.org/html/2501.19393v1
[2].GitHub：https://github.com/simplescaling/s1
本文由人人都是产品经理作者【王智远】，微信公众号：【王智远】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
你的反应是什么？
