Deepseek 的核心目标肯定是做成 AGI,因此也应该从这个角度看 DSH 的开源生态。
关于做 AGI,记得梁文峰表达过三个观点:
- AGI 足够大,所以最重要的是做成它。(目标单一、明确、一以贯之)
- AGI 足够大,所以分一杯羹也够了。(不限制具体分哪杯羹)
- 以做成 AGI 为目标,有些事有人做好了就不需要亲自做了。(但只选自己该做的事)
目标可以高度集中,实现目标的工作则可以广泛分工。
因此,我对 DSH 开源的核心理解是:DeepSeek 和应用层分工,共同扩大 AI 为人发挥的价值,做成 AGI 大家分。
DSH 的开源是一种分工:DSH 建设 Agent 的通用能力,社区开发者将领域知识和经验做成应用。
如果扩大 AI 为人发挥的价值是 AGI 的一种定义,DSH 和社区开发者之间的分工就形成了一种指向 AGI 的正循环:应用让 Agent 进入更多真实场景,对 Agent 的通用能力提出新需求;通用能力的完善又支撑更多应用,扩大 AI 能产生的价值。
要让这个循环成立,分散的应用实践需要能够回到 DSH 团队。 所以 DSH 的产品岗要求 “连接开源社区”。这样,DSH 可以从具体问题中识别共性缺口、为 Harness 和模型迭代提供线索、再利用真实场景检验。同时不需要亲自解决细分领域的用户需,专业的人做专业的事。
这个循环对 DeepSeek 有什么用?我的一个猜想是,这种和应用层之间的循环可能在这个阶段对模型迭代格外有用。过去模型迭代主要依靠互联网已有数据和可验证对错的场景。而如果 AGI 意味着广泛帮助到更多人,模型的迭代则要在现实场景中,开始学习人类真实的习惯和需求。
其次,这个循环可能会让更多应用选择付费调用 DeepSeek 模型形成收入;模型调用量增加可能带来上游的算力资源。
总的来说,DeepSeek 不以取得即时的价值作为最核心的目标,而是先搞定那个能带来价值的点,类似把蛋糕做大的思路,我觉得还是很值得学习的。