只有“顶天”才能“立地”

刘彦辰

今年的春节假期对我来说是充实而忙碌的。尽管假期已过，但高强度的工作节奏仍将持续一段时间。

最近，“DeepSeek”成为全球热议的话题，许多朋友向我咨询如何更好地使用“DeepSeek”来辅助科研。

然而，与“如何使用”相比，我更感兴趣的是，“DeepSeek”为何能取得如此巨大的成功？

仔细研究“DeepSeek”发表的论文后，我发现它成功的原因其实并不复杂，甚至可以说，它践行了一些非常经典的理念。让我联想到两年前，我曾为一家上海的智能仓储企业制定了一套破坏性创新的研发战略，以帮助其在激烈的行业竞争中实现突围。

而“DeepSeek”的成功路径，与当时的战略原则不谋而合：

1.优化软件以降低系统成本

2.专注于系统的高价值部分

3.充分挖掘现有资源的潜力

这些亮点不仅是破坏性创新的具体体现，也再次验证了“复杂的事情简单化”的实用性。这让我更加确信，理论的力量不可忽视——通过顶天的理论，才能实现真正的“立地”。

在与朋友的交流中，我也注意到一些不同的声音。有人抱怨“DeepSeek”并没有达到自己的预期效果，甚至觉得它“听不懂人话”。问题的根源在于，大部分人尚未掌握如何与推理模型高效互动。

我曾与朋友分享过我正在研究一套适用于AI的创造性问题解决流程。随着生成式AI的快速发展，这套流程的价值愈发凸显。许多人发现，同样的问题，我和AI的对话结果与他们截然不同。

实际案例表明，近72%的效能差异源于人机交互策略的优劣。经过研究和实践，构建系统化的AI对话框架至关重要：需建立问题界定、背景注入、约束条件、预期目标四位一体的交互逻辑。

生成式AI的兴起让许多人对知识管理的价值产生了怀疑。他们认为，既然AI可以生成内容，那为何还要耗费精力积累知识？

但实际上，很多研发人员在使用生成式AI时，总觉得AI给出的方案与自己的专业需求存在差距。原因很简单——AI的答案基于其已有的训练数据，而非你的专业知识。

因此，唯有结合个人或企业的知识库，让AI基于专业领域的信息进行推理，当AI系统加载专业领域知识库后，解决方案的适配性可提升58%以上。这也是我在本地部署DeepSeek时，特别强调私有知识库整合的根本原因。

这种技术实践引发更深层的思考：在生成式AI重塑知识生产方式的今天，传统知识管理非但没有衰落，反而成为决定AI效能的战略资源。

通过实证研究发现，融合领域知识图谱的AI系统，其创新方案的专业匹配度可达传统方法的2.3倍。这正应验了“欲致其高，必丰其基”的技术发展规律。

DeepSeek的突围之路揭示的不仅是技术路径，更是方法论层面的启示：唯有将破坏性创新深度融入工程实践，构建从思维范式到技术架构的完整创新生态，方能实现“理论穹顶触云际，实践根基扎九泉”的创新发展格局。这种“顶天立地”的科研哲学，或将指引我们打开智能时代更广阔的技术疆域。