自春节以来，DeepSeek热度持续攀升，伴随而来的是诸多误解与争议。这些争议主要集中在底层创新、成本、计算资源利用、技术依赖以及商业部署与未来发展等方面。
在底层创新方面，关于DeepSeek是否为底层创新存在两种极端观点。一种观点将其技术突破视为“颠覆性革命”，另一种则认为是对国外模型的模仿，甚至猜测通过蒸馏OpenAI模型取得进展。实际上，DeepSeek是一次面向产业痛点的工程范式升级，为AI推理开辟“少即是多”新路径。它在训练架构、评估标准和数据策略三个层面进行创新，虽未突破深度学习理论边界，但解决了产业痛点。其开发的MHA机制变体、GRPO算法以及DualPipe方法，分别在内存利用、算法效率和多GPU训练效率上有所提升。并且，从技术角度看，由于ChatGPT未开放相关数据，基本不可能“蒸馏”ChatGPT，DeepSeek可能仅部分利用蒸馏语料信息进行验证，并非决定性因素。
成本方面，DeepSeek-V3论文中提到的550万美元成本数据存在争议。这一数字未计入强化学习训练的额外成本，且只是最终训练运行成本，未涵盖前期实验等成本。同时，研究人员薪资等其他成本也未计算在内。不过，基于GPU成本等多项分析，550万美元的净算力成本已十分高效。
对于巨额资本支出投资算力是否是浪费这一观点，虽DeepSeek在训练效率上有优势，但从扩展定律来看，更多计算能力意味着更好性能，AI发展核心规律未变，更多计算资源仍能带来更好效果。
在技术依赖上，DeepSeek论文提到采用PTX编程以释放底层硬件性能。对于此，网络有“绕开CUDA垄断”和“解决芯片互联带宽问题”两种解读。然而，上海交通大学副教授戴国浩指出，PTX指令位于CUDA驱动层内部，依赖CUDA生态系统，该优化是主动行为，可提高通信互联效率。
商业部署与未来发展方面，DeepSeek爆火后，国内外众多云巨头纷纷上架或支持部署。但这更多是出于商业考量，并非对其“情有独钟”。同时，网络传言的DeepSeek会被国外禁用也不准确，被限制使用的可能是App，而巨头接入的是开源软件部署。DeepSeek以开源姿态进入全球AI竞技场，其真实价值需时间和市场检验。
