最新消息！DeepSeek OCR：中国悄然取得的胜利：开源人工智能如何削弱美国在芯片领域的统治地位
Xpert 预发布
语言选择 📢
发布日期：2025年11月9日 / 更新日期：2025年11月9日 – 作者：Konrad Wolfenstein
最新消息！DeepSeek OCR 是中国悄然取得的胜利：开源人工智能如何削弱美国在芯片领域的统治地位——图片来源：Xpert.Digital
昂贵的人工智能时代结束了吗？这种人工智能不读取文本，而是查看图像——因此效率提高了10倍。
一个简单的技巧就能将计算成本降低 90%——ChatGPT 的阿喀琉斯之踵：为什么一项新的 OCR 技术正在改写人工智能经济的规则
长期以来，人工智能领域似乎遵循着一条简单的法则：越大越好。在数十亿美元投资于巨型数据中心的推动下，OpenAI、谷歌和Anthropic等科技巨头展开了一场军备竞赛，致力于开发规模更大、上下文窗口更广的语言模型。然而，在这些令人瞩目的成果背后，隐藏着一个根本性的经济缺陷：二次方扩展性。模型需要处理的文本长度每翻一番，计算成本就会呈指数级增长，使得无数前景广阔的应用实际上变得不经济。
正是在这一经济瓶颈时期，一项新技术应运而生，它不仅代表着一种进步，而且为现有范式提供了一种根本性的替代方案：DeepSeek-OCR。该系统并非将文本分解成一长串的词元，而是采用了一种截然不同的方法：它将文本渲染成图像，并以视觉方式处理信息。这一看似简单的技巧，却如同打破经济壁垒的利器，撼动了人工智能基础设施的根基。
DeepSeek OCR 通过巧妙结合视觉压缩（可将昂贵的计算步骤减少 10 到 20 倍）和高效的混合专家 (MoE) 架构，有效规避了传统的成本陷阱。其结果不仅大幅提升了效率，使文档处理成本降低高达 90%，更带来了一场影响深远的范式转变。本文分析了这项创新如何不仅革新了文档处理市场，还挑战了现有 AI 供应商的商业模式，重新定义了硬件优势的战略重要性，并通过其开源模式实现了技术的广泛普及。我们或许正处于一个新时代的开端，在这个时代，架构智能而非原始计算能力将主导 AI 经济的规则。
适合：
DeepSeek OCR为何从根本上挑战了人工智能的既有基础设施，并改写了计算机科学经济学的新规则：上下文感知处理的经典局限性
大型语言模型自商业化以来面临的核心问题并非在于其智能程度，而在于其数学效率低下。构成所有现代Transformer架构基础的注意力机制设计存在一个根本缺陷：处理复杂度随输入词元数量的平方呈指数级增长。具体而言，这意味着一个包含4096个词元的语言模型所需的计算资源是包含1024个词元的模型的16倍。这种平方级扩展并非仅仅是技术细节，而是一个直接的经济阈值，它区分了实际可行的应用和经济上不可持续的应用。
长期以来，业界应对这一限制的策略是经典的扩展策略：通过扩展硬件容量来增大上下文窗口。例如，微软开发的 LongRoPE 可以将上下文窗口扩展到两百万个词元以上，而谷歌的 Gemini 1.5 可以处理一百万个词元。然而，实践清楚地表明了这种方法的虚幻本质：尽管处理更长文本的技术能力有所提升，但这些技术在生产环境中的应用却停滞不前，因为此类场景的成本结构仍然无利可图。数据中心和云服务提供商面临的现实是，上下文长度每翻一番，成本就会呈指数级增长。
由于前述的二次复杂度，这种经济困境会呈几何级数增长：处理包含 10 万个词元的文本所需的计算量不是十倍，而是一百倍，远超处理 1 万个词元的模型。在以每 GPU 每秒处理的词元数衡量吞吐量的工业环境中，吞吐量是衡量盈利能力的关键指标，这意味着使用当前的词元化范式无法经济高效地处理长文档。
大多数LLM（生命周期管理）提供商的商业模式都围绕着代币货币化而构建。OpenAI、Anthropic和其他一些知名提供商根据输入和输出代币来计算价格。一份平均100页的商业文档很快就会转化为5000到10000个代币。如果一家公司每天处理数百份这样的文档，那么每年的费用很快就会累积到六位数甚至七位数。大多数在RAG（检索增强生成）环境下的企业应用都受到这些成本的限制，因此要么没有被实施，要么转而采用更具成本效益的替代方案，例如传统的OCR或基于规则的系统。
适合：
视觉压缩机制
DeepSeek-OCR 针对这一问题提出了一种截然不同的方法，它不拘泥于现有的词元范式，而是彻底绕过了它。该系统遵循一个简单却极其有效的原则：它并非将文本分解成离散的词元，而是先将文本渲染成图像，然后再将其作为视觉媒介进行处理。这不仅仅是一项技术上的变革，更是对输入过程本身的重新设计。
核心方案由多个连续的处理层组成。首先，将高分辨率文档页面转换为图像，保留所有视觉信息，包括布局、图形、表格和原始字体。在这种图像形式下，例如 1024×1024 像素格式的单个页面，理论上可以相当于一千到两万个词元的文本，因为包含表格、多列布局和复杂视觉结构的页面可以容纳如此大量的信息。
系统的第一个处理组件 DeepEncoder 并没有采用传统的视觉 Transformer 设计，而是采用了一种混合架构。一个基于“分割任意区域模型”（Segment Anything Model）的局部感知模块，利用窗口注意力机制扫描图像。这意味着系统并非处理整幅图像，而是处理图像中相互重叠的小区域。这种策略至关重要，因为它避免了经典的二次复杂度陷阱。系统并非让每个像素或视觉特征都引起其他所有像素或特征的注意，而是在局部窗口内进行操作，例如八分之一像素×八分之一像素或十四分之一像素×十四分之一像素的区域。
接下来是技术上具有革命性意义的阶段：一个两层卷积下采样器将视觉标记的数量减少了十六分之一。这意味着来自局部模块的原始 4960 个视觉块标记被压缩到仅 256 个。这种压缩效果惊人，但真正重要的是，这种压缩发生在应用昂贵的全局注意力机制之前。下采样器代表了一个转折点，它将成本效益高的局部处理转化为极其精简的表示，然后对这种表示应用更昂贵但现在可行的全局注意力机制。
经过这种压缩，一个 CLIP 大小的模型（本身拥有三亿个参数）只需处理两百五十六个标记。这意味着全局注意力矩阵只需要执行四千六百三十五次成对注意力操作，而不是一万六千九十四次。仅在这一处理阶段，操作次数就减少了两百五十倍。
这种架构拆分的结果是端到端压缩比从 10:1 到 20:1，在压缩比不超过 10:1 的情况下，准确率实际上可以达到 97%。即使压缩比达到 20:1，准确率也只会下降到 60% 左右，这对于许多应用来说是可以接受的，尤其是在训练数据方面。
混合专家优化层
DeepSeek OCR的第二个关键方面在于其解码架构。该系统采用DeepSeek-3B-MoE模型，该模型总共有30亿个参数，但每次推理仅使用5.7亿个有效参数。这并非随意的设计选择，而是为了解决上下文窗口和成本问题。
混合专家模型基于动态专家选择的原理运行。它并非将每个词元都传递给所有模型参数，而是将每个词元分配给一小部分专家。这意味着在每个解码步骤中，只有一部分参数会被激活。在 DeepSeek OCR 中，通常会从总共 64 位专家中选择 6 位进行处理，另外还有两位专家对所有词元都保持激活状态。这种稀疏激活机制使得模型能够实现经济学中所谓的亚线性扩展：计算成本的增长速度远低于模型规模的增长速度，而不是与模型规模成正比。
这种架构的经济影响深远。一个拥有30亿个参数的密集Transformer模型，每个令牌都需要激活全部30亿个参数。这意味着巨大的内存带宽需求和计算负载。然而，一个同样拥有30亿个参数的MoE模型，每个令牌仅激活5.7亿个参数，这大约是计算时间运营成本的五分之一。但这并不意味着模型质量会受到影响，因为模型容量不会因为专家多样性而减少，而是被有选择地调动起来。
在工业部署中，这种架构从根本上改变了服务成本结构。与同等质量的密集型模型相比，采用 MoE 架构的 DeepSeek-V3 大型数据中心在相同的硬件基础设施上可以实现四到五倍的吞吐量。这意味着，在单个 A100 GPU 上，光学压缩与 MoE 架构相结合，每天可以处理约 900 亿个纯文本数据标记。这是该领域此前无法达到的惊人吞吐量。
🎯🎯🎯 受益于 Xpert.Digital 全面的五重专业知识和全面的服务包 | BD、研发、XR、PR 和数字可视性优化
受益于 Xpert.Digital 全面的五重专业知识和全面的服务包 | 研发、XR、PR 和数字可视性优化 - 图片：Xpert.Digital
Xpert.Digital 对各个行业都有深入的了解。 这使我们能够制定量身定制的策略，专门针对您特定细分市场的要求和挑战。 通过不断分析市场趋势并跟踪行业发展，我们可以前瞻性地采取行动并提供创新的解决方案。 通过经验和知识的结合，我们创造附加值并为客户提供决定性的竞争优势。
更多相关信息请点击这里：
代币效率悖论：为什么更便宜的人工智能反而会增加支出
文档处理市场的经济转型
这项技术突破对整个文档处理市场的影响意义重大。传统的OCR市场长期以来由ABBYY、Tesseract等公司以及各种专有解决方案主导，其市场格局历来根据文档的复杂性、准确性和处理能力而呈现分散化。标准化的OCR解决方案对于平滑的电子文档通常能达到90%到95%的准确率，但对于带有手写注释或过时信息的扫描文档，准确率则会降至50%甚至更低。
DeepSeek OCR 的准确率远超这些基准，而且它还实现了传统 OCR 无法做到的事情：它不仅处理文本，还能保留布局、表格结构、格式甚至语义信息。这意味着财务报告并非简单地提取为文本字符串，而是保留了表格结构和单元格之间的数学关系。这为传统 OCR 无法实现的自动化数据验证打开了大门。
经济效益在高处理量应用中尤为显著。一家每天处理数千张发票的公司，通常需要为每份文档支付 40 美分到 2 美元的传统文档数据提取费用，具体金额取决于文档的复杂程度和自动化程度。而使用 DeepSeek OCR，由于光学压缩技术显著提高了整个推理过程的效率，这些成本可以降至每份文档不到 10 美分。这意味着成本降低了 70% 到 90%。
这对 RAG 系统（检索增强生成）的影响更为显著。在 RAG 系统中，企业实时检索外部文档，并将其输入语言模型以生成准确的响应。传统上，一家运营客服代理并拥有数亿字文档数据库的企业，必须将其中一个或多个词进行标记化，并在每次查询时将其传递给模型。而借助 DeepSeek OCR，这些信息可以预先压缩为压缩的视觉标记，并在每次查询中重复使用。这消除了之前每次请求都会产生的大量冗余计算。
研究结果提供了具体数据：一家公司如果想自动分析法律文件，使用传统的文字处理方法，每个分析案例的成本约为一百美元。而采用视觉压缩技术后，每个案例的成本可降至十二到十五美元。对于每天处理数百个案例的大型公司而言，这意味着每年可节省数千万美元。
适合：
代币效率悖论的矛盾
DeepSeek OCR 等技术的发展带来了一个引人入胜的经济问题，即所谓的代币效率悖论。表面上看，通过提高效率降低成本应该会降低总体支出。然而，实际情况却恰恰相反。尽管过去三年每个代币的成本下降了千倍，但企业却常常报告总账单上涨。这是由于经济学家所说的杰文斯悖论：成本的降低并没有导致使用量的相应减少，反而导致使用量激增，最终造成总成本上升。
在DeepSeek OCR的背景下，可能会出现一种截然相反的现象：一些公司之前由于成本过高而尽量减少在文档处理中使用语言模型，而现在这些应用突然变得经济可行，因此它们会扩大应用规模。矛盾的是，这意味着虽然每个应用的成本降低了，但公司在人工智能推理方面的总体支出可能会增加，因为以前无法使用的应用场景现在变得可行了。
这并非坏事，而是反映了企业的经济理性：只要边际收益大于边际成本，企业就会投资技术。如果成本过高，这项技术就不会被采用。一旦成本降低，这项技术就会被大规模采用。这是技术推广应用的正常过程。
对GPU基础设施经济的影响
另一个关键点在于部署这些系统所需的GPU基础设施。光学压缩和混合专家架构意味着单位吞吐量所需的硬件容量大幅降低。以前需要4万个H100 GPU才能达到特定吞吐量的数据中心，现在只需1万个甚至更少的基于DeepSeek OCR的推理系统即可实现。
这具有超越纯粹技术层面的地缘政治和战略意义。中国面临着先进半导体出口限制，通过DeepSeek开发了一套能够更高效地利用现有硬件的系统。这并不意味着硬件限制就完全无关紧要，但确实大大降低了其影响。一个拥有5000块两年前发布的Nvidia A100 GPU的中国数据中心，借助DeepSeek的OCR和MoE架构，就能实现以往需要1万到1.5万块更新GPU才能达到的吞吐量。
这将改变人工智能基础设施经济领域的战略平衡。长期以来，美国及其盟友凭借对最新、最强大芯片的获取，一直保持着在人工智能发展领域的主导地位。而诸如光压缩等新型效率提升方法，将使旧硬件得到更高效的利用，从而削弱这种主导地位。
人工智能提供商商业模式的转型
像 OpenAI、Google 和 Anthropic 这样的老牌机器学习 (LLM) 提供商如今面临着一项挑战，这项挑战动摇了它们的商业模式。它们在硬件方面投入巨资，用于训练和部署大型、高密度的模型。这些模型固然有价值，能够带来实际效益。然而，像 DeepSeek OCR 这样的系统正在使这些投资的盈利能力受到质疑。如果一家资本预算较小的公司能够通过不同的架构方法构建出更高效的模型，那么这些规模更大、资本密集型系统的战略优势就会大打折扣。
OpenAI长期以来依靠速度弥补这一劣势：他们更早地拥有了更优秀的模型。这使他们获得了近乎垄断的利润，从而能够证明进一步投资的合理性。然而，随着其他供应商在某些方面迎头赶上甚至超越他们，老牌企业失去了这一优势。市场份额变得更加分散，每个代币的平均利润率也面临压力。
教育基础设施和技术民主化
DeepSeek-OCR 等系统的一个常被忽视的方面是它们在技术普及化方面所发挥的作用。该系统以开源形式发布，模型权重可在 Hugging Face 上获取，训练代码可在 GitHub 上获取。这意味着任何拥有高端 GPU 或云计算资源的人都可以使用、理解甚至微调该系统。
Unsloth 的一项实验表明，针对波斯语文本进行微调的 DeepSeek OCR 仅需在单个 GPU 上进行 60 次训练，即可将字符错误率降低 88%。这并非因为波斯语 OCR 是一个大众市场问题而意义重大，而是因为它表明人工智能基础设施创新不再是数十亿美元公司的专属领域。一小群研究人员或一家初创公司也可以根据自身特定需求定制模型。
这将带来巨大的经济影响。那些缺乏资源投入数十亿美元开发专有人工智能的国家现在可以采用开源系统，并根据自身需求进行调整。这缩小了大小经济体之间的技术能力差距。
边际成本含义及定价策略的未来
在古典经济学中，价格从长远来看会趋向边际成本，尤其是在存在竞争且新市场参与者可能的情况下。LLM行业已经呈现出这种模式，尽管存在一定的滞后性。在现有模型中，代币推断的边际成本通常为每百万个代币0.1到0.2美分。然而，价格通常在每百万个代币0.2到0.1美分之间波动，这一区间意味着可观的利润空间。
DeepSeek OCR可能会加速这一趋势。如果光学压缩显著降低边际成本，竞争对手将被迫调整价格。这可能导致利润率加速下滑，最终使代币推断成为一种准免费或低价服务，类似于云存储。
这一发展趋势对老牌供应商而言令人担忧，但对新兴供应商或以效率为导向的供应商来说却有利。它将引发行业内的大规模整合或重新定位。那些仅仅依赖规模和车型体量的公司将举步维艰。而那些专注于效率、特定应用场景和客户整合的公司，从长远来看将会更加强大。
适合：
经济层面的范式转变
DeepSeek OCR及其底层光学压缩创新不仅仅代表着技术上的进步，更标志着人工智能行业在思维、投资和创新方式上的范式转变。从单纯的规模化转向智能设计、采用MoE架构以及认识到视觉编码比令牌编码更高效，这些都表明该行业正在认为其技术边界已经趋于成熟。
从经济角度来看，这意味着成本结构的大规模调整、现有企业和新兴企业之间竞争地位的重新分配，以及对各种人工智能应用盈利能力的根本性重新计算。能够理解这些变化并迅速适应的公司将获得显著的战略优势。而忽视这种变化并固守旧方法的公司将会失去竞争力。
您的全球营销和业务发展合作伙伴
☑️我们的业务语言是英语或德语
☑️ 新：用您的国家语言进行通信！
Konrad Wolfenstein
我很乐意作为个人顾问为您和我的团队提供服务。
您可以通过填写此处的联系表，或者直接致电+49 89 89 674 804 （慕尼黑）。我的电子邮件地址是： wolfenstein ∂ xpert.digital
我很期待我们的联合项目。
☑️ 为中小企业提供战略、咨询、规划和实施方面的支持
☑️ 创建或调整数字战略和数字化
☑️国际销售流程的扩展和优化
☑️ 全球数字 B2B 交易平台
☑️ 先锋业务发展/营销/公关/贸易展览会
我们在业务开发、销售和营销方面的全球行业和经济专业知识
我们在业务开发、销售和营销方面的全球行业和业务专业知识 - 图片：Xpert.Digital
行业重点：B2B、数字化（从AI到XR）、机械工程、物流、可再生能源和工业
更多相关信息请点击这里：
具有见解和专业知识的主题中心：
- 全球和区域经济、创新和行业特定趋势的知识平台
- 收集我们重点领域的分析、推动力和背景信息
- 提供有关当前商业和技术发展的专业知识和信息的地方
- 为想要了解市场、数字化和行业创新的公司提供主题中心
