DeepSeek-R1以純強化學習與全面開源改寫效率邊界，光子計算芯片首次在AI任務上比肩電子硬件

HK News （香港網）  –  2025年1月，中國公司“深度求索”發布開源大模型DeepSeek-R1。該模型開創性地採用純強化學習訓練大規模推理模型，在提升模型能力的同時顯著降低了對標注數據的依賴；團隊9月在《自然》雜誌發表的論文系統闡述了這一技術路徑，其核心成就在於“在有限算力條件下達到頂尖性能”。更為關鍵的是，DeepSeek將模型架構、訓練工具及數據處理流程全面開源，邀請全球開發者共同參與生態建設。同年4月，《自然》發表兩篇獨立光子計算芯片研究：新加坡Lightelligence的PACE光子加速器由逾16,000個光子元件組成64×64矩陣；美國Lightmatter的光子處理器由4個128×128矩陣組成，能執行自然語言處理與圖像神經網絡任務，準確度與傳統電子處理器不相上下，能耗則顯著更低。

DeepSeek-R1的編輯價值需要從“效率”與“開源”兩個維度分別審視。效率維度的核心命題不是“中國模型追上了頂尖水平”，而是訓練範式的轉換：純強化學習路徑意味着模型推理能力的提升可以在較少依賴人類標注數據的條件下實現，這改變了“更大模型需要更多標注數據”的線性假設，使算力約束下的性能前沿發生了位移。但“有限算力下達到頂尖性能”的比較基準需要被明確：它是在特定基準測試與任務類型上的表現，而非在全部能力維度上與最大規模閉源模型的全面等效。開源維度的意義更為可驗證：模型架構、訓練工具與數據流程的全面公開，使獨立研究者能夠檢驗其技術主張、複現其結果，並在此基礎上進行修改與擴展。這種可檢驗性是閉源模型無法提供的，也是DeepSeek-R1在2025年產生廣泛影響的制度性原因。

光子計算芯片的同年進展，則指向另一個層面的邊界擴張。電子芯片的能效瓶頸是AI規模化部署的結構性約束；光子計算以光信號替代電信號進行矩陣運算，在理論上具有更低的能耗與更低的延遲。2025年的兩項演示首次在真實AI任務——自然語言處理與圖像神經網絡——上展示了與電子處理器相當的準確度，同時保持能耗優勢。但“相當”不等於“超越”，更不等於“替代”：光子芯片的製造良率、與現有電子系統的接口標準、以及在大規模數據中心環境中的可靠性，都是實驗室演示未能覆蓋的工程變量。將2025年定位為“光子計算從物理可行性進入系統可行性驗證的年份”，是更為準確的框架；將其視為“電子芯片終結的開始”，則混淆了演示與部署的不同時間尺度。