圖：人工智能發展一日千里。圖為2016年3月9日至15日，人工智能程序「阿爾法圍棋」在韓國首爾進行的五番棋比賽中，以4比1的總比分擊敗韓國九段棋手李世石。\新華社

　　大公報：我們現在知道，DeepSeek的高性能根本上來自於新算法，即強化學習方法，這似乎和當年Alpha Zero與人類棋手博弈相似，是嗎？

　　高飛：是的。DeepSeek的強化學習，不是新理論。大家最耳熟能詳的強化學習模型，應該是谷歌DeepMind的圍棋模型Alpha Zero。它之所以叫Zero，是指模型是從零數據開始，通過與自身進行數百萬次對弈，積累數據，提升性能。

　　DeepSeek R1也是這樣，通俗地說，它就是人工智能界的「Alpha Zero棋手」，用AI和AI對弈的強化學習方式（而不是學習人類知識行為數據），提高性能。需要說明的是，DeepSeek R1並非單一地運用強化學習方法，而是新老方法並用，博採眾長。例如，DeepSeek團隊發現模型出現中英文雙語混用、答案不易被人理解的現象，所以也使用了傳統的監督式學習（SFT），即人類數據輔助優化，讓內容輸出更友好。

　　大公報：但谷歌DeepMind八年前就已推出圍棋模型Alpha Zero，強化學習法早已有之。在這方面，DeepSeek是否算抄襲了谷歌的技術呢？

　　高飛：這就是科學、技術、工程的區別了。強化學習技術早有公開論文，大家都可學習借鑒。但科學原理如何在技術和工程上實現，是另一回事。

　　此外，屬於封閉性問題（即有標準答案、可判斷勝負）的圍棋問題，與處理開放性問題的語言大模型是不同的。這種強化學習技術，並不容易在大語言模型的訓練中使用，從去年開始湧現的千百個大模型，都沒能取得這方面突破，沒能走通這條技術路徑。