Meta未能以高薪投入实现类似DeepSeek的技术突破，其背后原因涉及组织效率、技术路线选择以及行业生态等多重因素。与此同时，扎克伯格对DeepSeek的技术成果既有公开赞誉，也表现出竞争压力下的复杂态度。以下是具体分析：
一、Meta高薪但效率低下的原因
-
组织臃肿与资源浪费
Meta的生成式AI团队被曝因内部权力斗争导致人员膨胀，大量高管年薪甚至超过DeepSeek-V3模型的整体训练成本（约558万美元），而这样的高管在Meta有“数十位”。管理层难以合理解释高预算的合理性，尤其是在DeepSeek以极低成本实现对标GPT-4o性能的对比下，Meta的投入产出比受到质疑。 -
技术路径依赖与算力堆砌惯性
Meta等美国巨头普遍遵循“算力堆砌”模式，例如微软、谷歌等公司瞄准10万卡集群训练大模型，而DeepSeek仅用2000块H800 GPU（性能被阉割的英伟达特供芯片）和2个月时间完成训练，成本仅为对手的1/20。Meta的技术路线更依赖硬件规模而非算法优化，导致灵活性不足。 -
开源生态与工程创新的差距
DeepSeek通过创新的MLA架构（多头潜在注意力机制）和DeepSeekMoE稀疏结构，显著降低显存占用和计算量，使推理成本降至每百万Token仅0.48美元，并开源技术细节。相比之下，Meta的闭源策略和传统架构限制了快速迭代能力。
二、扎克伯格与行业领袖对DeepSeek的评价
-
扎克伯格的矛盾态度
- 公开赞誉：扎克伯格承认DeepSeek的技术“非常先进”，并称中美AI竞赛“差距很小”。
- 竞争压力下的封锁呼吁：扎克伯格曾呼吁美国政府封锁DeepSeek，认为其技术过于先进，威胁美国AI主导地位。这一矛盾态度反映了美国科技巨头对中国技术崛起的担忧。
-
硅谷技术领袖的认可
- OpenAI前员工Andrew Carr认为DeepSeek的论文“充满惊人智慧”，并将其训练方法应用于自身模型。
- Anthropic联合创始人Jack Clark称DeepSeek团队为“高深莫测的奇才”，并认为中国大模型将像电动汽车一样成为全球重要力量。
- UC Berkeley教授Alex Dimakis指出，DeepSeek已处于技术领先地位，美国公司需迎头赶上。
三、DeepSeek成功的核心要素
-
技术创新与工程优化
DeepSeek通过MLA架构和任务分解策略（将用户需求拆分为子任务由专家模型处理），显著提升算力效率，同时采用FP8混合精度训练和通信优化技术降低成本。其模型在逻辑推理和代码生成等任务上表现尤为突出。 -
低成本开源策略
与Meta等公司依赖闭源和高价API不同，DeepSeek选择完全开源，并以极低价格开放调用（如API价格仅为Claude 3.5 Sonnet的1/53），推动行业生态建设。 -
团队文化与资源管理
DeepSeek团队以年轻化（核心成员多为应届生或毕业不久的顶尖院校人才）、扁平化管理著称，且不依赖外部融资，专注技术研发而非短期商业化。其母公司幻方量化早年囤积的1万张A100芯片也为算力储备提供了基础。
四、行业影响与未来挑战
DeepSeek的成功促使全球AI行业重新评估技术路径。广发证券指出，其低成本模式验证了算力并非唯一驱动力，但长期仍需算力支持实时推理。Meta若无法解决组织效率和创新瓶颈，可能进一步落后于中美竞争格局。
综上，Meta的高薪策略未能转化为技术突破，根源在于组织僵化和技术路径依赖；而扎克伯格的评价既体现对DeepSeek的认可，也折射出竞争焦虑。DeepSeek通过工程创新和开源生态，为中国在全球AI领域争取了话语权。