重磅报告节选《DEEPSEEK 只是 DIKWP 语义空间交互提升效率的一个案例》.pdf

在当今快速发展的数字经济时代，大型语言模型（LLM）、强化学习（RL）、知识图谱和混合智能等技术得到了广泛应用，但同时也带来了对3-No问题的挑战。3-No问题是指数据或知识在开放世界场景下的不完整、不一致和不精确性。段玉聪教授提出基于DIKWP（Data-Information-Knowledge-Wisdom-Purpose）的“五层语义模型”与不确定性消解方法，以及一系列“语义数学”工具，以解决这些问题。DIKWP模型将信息处理分为数据、信息、知识、智慧和意图五个层面，每个层面都可能遇到3-No问题，而模型的目的是从不同层面统一处理面向不同主体的资源、经验、目标和价值诉求。 DEEPSEEK技术，作为一款典型的大模型技术，融合了大规模强化学习、自监督预训练以及在MoE（Mixture-of-Experts）与ML（Memory/Latency）优化技术上的创新，提高了数学推理、代码生成和语言推理任务的性能。DEEPSEEK的技术进步包括DEEPSEEK-R1-Zero不依赖传统监督微调的自发现和自演化推理能力，DEEPSEEK-R1在冷启动数据上的多阶段训练，以及DEEPSEEK-V2/V3在MoE架构下对通信、路由和内存占用的优化，减少了大规模模型训练与推理的成本。 尽管DEEPSEEK技术在大模型领域受到广泛关注，但其只是DIKWP语义空间交互提升效率的一个案例。DEEPSEEK体现的大规模自学习、语义推理和多目标对齐等行为与DIKWP模型中的“主客观融合”、“语义生成”和“意图驱动”机制相呼应。DEEPSEEK并非与DIKWP平行或竞争的对立模式，而更像是DIKWP体系在实践中的一个落地或印证。通过分析DEEPSEEK与DIKWP的关系，我们可以看到，DEEPSEEK如何体现DIKWP五层要素之间的动态交互和不确定性消解，以及它在存在计算与推理（EXCR）、本质计算与推理（ESCR）和意图计算与推理（PUCR）方面的潜在案例意义。 DIKWP模型的核心思想和技术路径是基于3-No问题的背景，它将信息处理分为五个语义层，每一层都可能面临3-No中的任意一种不确定性。数据层处于最底层，可能面临数据不完整、冲突或噪声等问题；信息层通过对数据加工形成结构化的信息，但可能受到多主体交互影响的冲突和不完整；知识层将信息系统化整合，但在跨组织时可能会有逻辑冲突和时效性问题；智慧层涉及社会价值观和伦理道德，可能引发新的3-No问题；意图层赋予整个流程目标导向和策略偏好，它本身也存在不确定性。DIKWP模型的目标是从数据到意图的五个层面，统一处理不同主体的资源、经验、目标和价值诉求，化解3-No问题。 通过段玉聪教授的“五层语义模型”与不确定性消解方法，结合DEEPSEEK在多阶段训练、通信、路由和内存优化上的创新技术，我们可以更深入地理解AI技术如何在实践中应对3-No问题，以及如何通过语义空间交互来提升效率。DIKWP与DEEPSEEK的案例展示了在理论与实践结合的基础上，AI技术在处理复杂信息问题上的巨大潜力和应用前景。