夜雨聆风上一篇文章聊了 AI 发展的三起两落。这一篇聚焦最近三年的历程：ChatGPT 让普通人愿意用，DeepSeek 让中小团队用得起。两层叠起来，AI 才真正走出科技公司。
顶层是 10 亿+ 终端用户（ChatGPT 解锁），中层是开发者 / 中小团队（DeepSeek 解锁），底层是基础模型本身（30 年研究积累）。对应文章核心论点：ChatGPT 解决"愿不愿意用"，DeepSeek 解决"用不用得起"，三层叠起来 AI 才真正进入各行各业。
一、ChatGPT 之前，AI 是工具
从 1990s 到 2010s，AI 走出实验室靠的是"打败人类"：深蓝（1997）、AlphaGo（2016）、AlphaFold（2020）。每一件都上新闻头条，每一件都让人觉得AI 终于来了。
但普通人日常接触的 AI，是另一幅画面：语音助手能设闹钟但聊不了三句，搜索引擎把你困在信息茧房里，客服机器人兜兜转转最后还是转人工，机器翻译遇上复杂长句就语序混乱。
问题不是能力不够，那时每个任务都需要单独训练一个模型：语言理解、对话管理、知识检索是三个不同的系统，拼不到一起。AI 能做的事情越来越多，但没有一个产品让用户觉得"我在和 AI 对话"。
AI 给大众的印象是"高级自动化"，不是"会交流的对象"。 它藏在产品背后默默运行，你感受到的是"这个软件很智能"，而不是"有一个聪明的东西在回应我"。
直到 2022 年 11 月，这个界限才被打破。
二、ChatGPT 改变的第一层：愿不愿意用
2022 年 11 月 30 日，ChatGPT 上线。
GPT-3 早在 2020 年就能写文章、写代码、做翻译。但为什么非要等到 2022 年底才引爆？问题不在能力，在于它只会生成，不会倾听。你问 GPT-3 一个问题，它可能回一段流畅但文不对题的文字，因为在它眼里，对话只是根据上文预测下文。
ChatGPT 真正的突破是 RLHF（Reinforcement Learning from Human Feedback, 基于人类反馈的强化学习）：让模型在大量对话数据上做微调，人工标注"哪个回答更好"，再用强化学习把这种偏好固化下来。这叫对齐（alignment），不改变模型的"知识"，只改变它"愿不愿意配合你"。配合的结果，是普通人第一次发现：AI 居然能听懂人话。
不需要懂 prompt 也能上手，直接打字就行。写邮件、改简历、润色代码、陪聊解闷，什么都能聊几句。上线两个月月活用户破一亿，是人类历史上达到这个量级最快的消费产品。
之前 70 年，AI 走出实验室靠"打败人类"（深蓝、AlphaGo）。ChatGPT 走出实验室靠"被人类用"。
但 ChatGPT 也有它的天花板：每月 20 美元的订阅费、高峰期排队回答慢、完全闭源的模型。
它让普通人愿意用了，但"用得起"的问题没有解决。
三、DeepSeek：降低的是 AI 的门槛
2024 年 12 月，DeepSeek-V3 上线。一个月内，第三方评测和社区反馈给出三个判断：
能做到这么低的价格，靠的不是补贴，是架构创新。DeepSeek-V3 采用 MoE（混合专家）架构，每次推理只激活一部分参数，单次计算成本降到传统密集模型的十分之一。性能不减，成本却打了骨折。
这三件事组合起来，才是真正的分水岭。 光便宜不够，便宜的模型可能性能也差；光性能好不够，闭源意味着别人只能用，不能改；光开源不够，开源但能力差，没人真的用。便宜 + 强 + 开源，这是 AI 第一次同时满足这三个条件。
OpenAI 闭源做得再好，中小团队也只能通过 API 调用，又贵又不自由。DeepSeek 开源后，创业公司可以直接基于它二次微调做出垂直产品，学术机构拿来做研究不再受 API 配额限制，个人开发者在自己笔记本上跑小模型验证想法，大公司本地化部署满足数据隐私要求。
更重要的是，普通人也用得起。打开手机就能免费问，大学生可以拿它写论文，上班族可以拿它学新技能。过去只有每月付 20 美元才能用上的能力，现在免费就能拿到。AI 是大公司的游戏，这句话，从 2024 年底开始变得不确定。
四、两层叠加，AI 才真正进入各行各业
ChatGPT 解决的是终端用户的体验跃迁，DeepSeek 解决的是开发者和企业的成本/自由度跃迁。两个叠起来，AI 才真正开始渗透到各行各业。一个律师审合同，从两小时缩到二十分钟；一个小商家写商品文案，从外包几百块变成自己五分钟搞定。这些领域里大多数应用不会自己训大模型，它们要的是用得起、改得动、跑得起的现成能力。
从深蓝到 AlphaGo，AI 改变的是大众对"智能"的认知；从 ChatGPT 到 DeepSeek，AI 改变的是大众的行为：AI 不再是新闻头条里的东西，是工具栏里的图标、聊天记录里的回复、代码编辑器里的提示。这就是 70 年走到今天，最近的两次跃迁。
但当 AI 进入每一个行业，瓶颈可能不再是技术和成本，而是信任。模型一本正经地给出错误答案时，谁为它的错误负责？这个问题比技术更难回答。
