鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
8
1

从 DeepSeek 到宇树机器狗:中国技术的全球突破

luckySnail
luckySnail
2024-12-29 16:22
阅读 1526
luckySnail
2024-12-29 16:22
阅读 1526

大家好,我是 luckySnail。今天,我们来看看中国在人工智能和机器人领域的重大突破——DeepSeek 和宇树科技。最近刷自媒体的时候,看到两个让硅谷大佬都点赞传播的产品,一个是 deepseek 的 V3 版本,还有一个是宇树科技的机器狗,目前其官方在某音发布的视频已经 80 w + 点赞。终于我们不再是跟随者,可以上了牌桌一起玩游戏了。我们开始从应用创新转向核心技术创新并且让更多人看到,所以这两个产品在我看来有非常重要的意义。

拥有 1万枚英伟达 A100 芯片的幻方发布最新deepseek V3 在很多地方已经超过了国外了最新模型。这种“家境贫寒穷小子”通过创新逐渐超过西方“声名显赫大家族”的逆风翻盘故事谁又不爱呢?夸张的说,真的是短剧的剧情照进了现实。主角还是中国企业。说完幻方,我们再看看让马斯克都点赞的宇树机器狗,直到目前宇树科技已经完成了 9 轮融资,而且都是大机构,最近相关的概念股也是涨停,总所周知资本所在领域一定会生机勃勃。能拿到这么多融资的宇树是有真本领的!好奇心驱使下,我就想看看这么厉害的产品是什么样的人和团队研发出来的,下面跟着我一起探索吧!

deepseek 和 宇树机器狗的成果

在真正了解这两个产品背后团队前,我们先看看他们俩的“战绩”。我们先看 deepseek

deepseek

deepseek

DeepSeek是知名私募巨头幻方量化旗下的人工智能公司深度求索(DeepSeek)自主研发的大语言模型。它最新的 V3 版本各项数据已经和国外 AI 巨头不相上下,它有如下优势:

  • 响应速度更快,我们可以通过 https://chat.deepseek.com/ 自行体验
  • 价格更便宜,它的 API 价格仅为 Claude 3.5 Sonnet 的 9%
  • 训练成本更低,训练时长更短,计算成本仅为 Llama 3 405B 的 1 / 11,最近 openai 的 12 天直播发布会上也透露他们遇到了训练成本高昂的问题
  • 最重要的是 Deepseek 是开源的,DeepSeek V3 发布并同步开源,直接在外网刷屏了。延续便宜特点的基础之上,DeepSeek V3 发布即完全开源,直接用了 53 页论文把训练细节和盘托出的那种。
  • 各路测评不输目前最强的 openai 4o 和 Claude-3.5-sonnet-1022

国外称 V3 版本为“黑科技“、”来自东方的神秘力量“等等,但是 Deepseek 目前是不支持多模态输出的

最近我在使用 Deepseek-V3,无论是代码能力,还是写作方面,感觉真的很强!中文输出应该更加强与其他国外竞品

宇树机器狗

如果你还没有看过视频,可以看某音的宇树科技官方账号,目前置顶第一个视频就是,通过视频我们可以看到机器狗可以四足、双足、单足快速点地的方式做 360 度旋转跳跃,还可以顺滑地以侧空翻的方式越过障碍物。它可以在崎岖不平的树林上自如地穿梭,同时也能从高达 2.8 米的高空腾跃而下,没有任何受损,显示了极强的稳定性。不仅如此,它还能够从充满碎石的陡峭山坡上直接俯冲下来,在低位的水域中爬石穿行,并载着一个成年男子“翻山越岭”。

目前该视频在国内外都非常火,网友说:“强的可怕!”、“太先进了!”、“这就是未来的感觉!”,同样做机器人的马斯克也点赞了视频,并且评价:“未来的战争是无人机的战争”。目前机器狗价格 15 w 美元(约 100 w 元子)。我第一眼看到觉得好贵,但是人家被可是被称为”价格屠夫“的,而且占据全球机器狗市场 69.75% 的销量份额。

幻方 和 宇树

在 AI 和机器人领域,幻方的 DeepSeek 和 Unitree 宇树科技是两颗冉冉升起的新星。DeepSeek 以其创新的 AI 大模型架构(MLA架构 :一种新的多头潜在注意力机制)和开源理念,极低的价格更被誉为“AI 界的拼多多”;而宇树科技则凭借其高性能、低成本的机器狗和人形机器人,成为全球四足机器人市场的领导者,被业界称作机器人领域的大疆。这两家公司背后,是两位技术理想主义者的坚持与探索。今天,我们就来看看是什么让他们在竞争激烈的科技领域中脱颖而出。

幻方的梁文峰

梁文锋,1980 年代出生于广东的一个五线城市,父亲是一名小学老师。他从小对数学和计算机科学充满兴趣,大学就读于浙江大学软件工程专业,主攻人工智能方向。毕业后,他进入量化投资领域,创立了幻方量化,成为国内量化私募的“四巨头”之一。

2023 年,梁文锋创立 DeepSeek,专注于 AI 大模型的研究。与许多公司不同,DeepSeek 选择了一条“不赚快钱”的路线,专注于技术前沿的创新。他们提出的 MLA(多头潜在注意力机制)架构和 DeepSeekMoESparse 结构,大幅降低了模型的计算量和显存占用,使得推理成本降至每百万 token 仅 1 元,引发了国内大模型价格战,这也是价格战的源头

DeepSeek 的团队主要由本土顶尖高校的应届毕业生和年轻研究员组成。拥有极客精神的梁文锋强调,创新需要好奇心和创造欲,而不仅仅是商业驱动。他们推崇开源文化,认为闭源的护城河是短暂的,真正的价值在于团队的成长和经验的积累。

宇树的王兴兴

宇树科技的创始人、CEO 和 CTO 王兴兴,一个宁波的 90 后帅小伙,从小对科技痴迷。尽管在学业上偏科严重,尤其是英语成绩不佳,但他对数理化和动手制作充满热情。2013 年,他在上海大学读研期间,设计出了第一款低成本、高性能的四足机器人 XDog,并凭借这款产品赢得了上海机器人大赛二等奖

XDog 的成功让王兴兴看到了四足机器人的市场潜力。2016 年,他凭借 Xdog 的表现迅速拿到大疆的 offer,被市场所注视,很快王兴兴拿到个人投资的 200 万元天使投资,成立了宇树科技。从最初的 4 人团队到如今的 400 多人,宇树科技逐渐成为全球四足机器人市场的领导者,其产品销量占全球的 60% 以上

yushu

宇树科技的产品线从消费级机器狗 Go1 到工业级机器狗 B2,再到人形机器人 H1 和 G1,不断迭代升级。他们坚持自研核心零部件,降低成本的同时提升性能。例如,Go1 的售价仅为 1.6 万元,远低于波士顿动力的同类产品。

宇树科技的团队以技术为核心,强调自研与创新。王兴兴认为,只有掌握核心技术,才能在竞争中立于不败之地。他们的产品不仅在高校和研究机构中广受欢迎,还被应用于电力巡检、消防救援等工业场景

启发

  • 创新驱动与技术理想主义:他们都选择了创新驱动的路线,而非快速商业化。梁文锋和王兴兴都强调,技术应该服务于大众,而不是仅仅为了商业利益
  • 本土人才与团队文化:注重本土人才的培养。DeepSeek 的团队主要由本土顶尖高校的毕业生组成,而宇树科技的核心技术团队也以本土人才为主。他们都推崇极客精神,鼓励团队成员在创新中成长
  • 中国也有硅谷的土壤:他们的故事让更多人看到中国公司不仅可以在应用创新上取得突破,还可以在技术前沿领域占据一席之地。他们的成功是让一种文化在中国播种

AI 时代普通人的机会

在 DeepSeek 和宇树科技的故事里,我们看到了技术理想主义的光芒,也看到了创新如何改变世界。但 AI 和机器人不仅仅是科技巨头的舞台,它们也悄然为普通人打开了一扇新的大门。我们可以明显感觉到 AI 不再是遥不可及的黑科技,它正在融入我们的日常生活。它们都在告诉我们:AI 是一种工具,而工具的意义在于如何使用。对于普通人来说,AI 是提升效率的助手,是解锁新技能的钥匙,更是创造价值的杠杆。我们可以看到各家 AI 平台都在鼓励普通人参与到 AI 创造中来,在 AI 时代,每个人都有机会成为创造者。我们可以用 AI 很快生成文字、设计图像、编写代码,甚至开发自己的应用,将想法变成现实。

但是因为 AI 的到来,2024 这一年国内外都被裁员潮笼罩。在这个充满不确定和危机的时代,唯有拥抱变化,先搭上 AI 的快车再找到自己的位置,否则只会被时代抛弃。一代人有一代人的困难和机遇,未来是属于积极乐观的勇敢者的,我们一起适应 AI 时代,成为这场变革的参与者吧!

这应该是 2024 最后一篇,2025 我们一起加油!

参考

  1. 华尔街见闻对话对话幻方梁文锋:https://wallstreetcn.com/articles/3719982
  2. 八年时间,宇树科技如何成为全球四足机器人领导者:https://finance.sina.com.cn/wm/2024-08-11/doc-incihnfv8395863.shtml
  3. Deepseek-V3 训练成本:https://hub.baai.ac.cn/view/42248
AI
人工智能
技术团队
DeepSeek
8
1
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片

目录

🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
430
2
DeepSeek 全新模型发布,性价比最高的一集!
390
3
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
380
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
5
又一个国产版 Codex 神器,也来卷办公了!
330
6
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
310
7
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
8
什么是LLM
300
9
我的第一个出海产品!7 天 2 万
290
10
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
290
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题