<div id="readability-page-1">剛剛，AI 大神 Andrej Karpathy 表示非常喜歡 DeepSeek OCR 論文，原話：<blockquote>我相當喜歡新的 DeepSeek-OCR 論文。它是一個很好的 OCR 模型（可能比 dots 稍微差一點），是的，數據收集等等，但無論如何都不重要。對我來説更有趣的部分（尤其是作為一個以計算機視覺為核心，暫時偽裝成自然語言的人）是像素是否比文本更適合作為 LLM 的輸入。文本標記是否浪費且糟糕，作為輸入。</blockquote><img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/6b8f7c78-2804-4731-ae05-dd914f807cbb.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="449" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/6b8f7c78-2804-4731-ae05-dd914f807cbb.png"/>還不知什麼情況的看我昨天的文章：DeepSeek 王炸：10 倍壓縮率，97% 解碼精度！上下文光學壓縮登場Karpathy 認為，拋開模型本身不談，deepseek 這篇論文引出了一個更值得深思的問題：對於 LLM 來説，像素是否是比文本更優越的輸入形式？文本 Token 是否既浪費又糟糕？他進一步設想，或許所有 LLM 的輸入都只應該是圖像。即便是純文本內容，也應該先渲染成圖片再輸入給模型Karpathy 給出了支持這一構想的四大核心理由：1. 更高的信息壓縮效率將文本渲染成圖像，可以實現更高的信息壓縮，這意味着更短的上下文窗口和更高的運行效率2. 更通用的信息流像素是一種遠比文本更通用的信息流。它不僅能表示純文本，還能輕鬆捕捉粗體、彩色文本，甚至是任意的圖表和照片3. 默認實現強大的雙向注意力像素化的輸入可以很自然、很輕鬆地默認使用雙向注意力進行處理，這種處理方式比自迴歸注意力更為強大4. 徹底淘汰 TokenizerKarpathy 毫不掩飾自己對 Tokenizer 的嫌棄。他認為 Tokenizer 是一個醜陋、獨立、非端到端的階段。它引入了 Unicode 和字節編碼的所有醜陋之處，繼承了大量歷史包袱，並帶來了安全和越獄風險（例如連續字節問題）他舉例説，Tokenizer 會導致兩個在人眼看來完全相同的字符，在網絡內部被表示為兩個完全不同的 Token。一個笑臉 emoji，在模型看來只是一個奇怪的 Token，而不是一個由像素構成的、真實的笑臉，這導致模型無法利用其視覺信息帶來的遷移學習優勢。Tokenizer 必須消失，他強調Karpathy 總結道，OCR 只是眾多視覺到文本（vision -&gt; text）任務中的一種。而傳統的文本到文本（text -&gt; text）任務，完全可以被重構成視覺到文本任務，反之則不行他設想的未來交互模式可能是：用户的輸入（Message）是圖像，而解碼器（Assistant 的響應）的輸出仍然是文本。因為如何真實地輸出像素，或者是否有必要這樣做，目前還不明確<h2>核心爭議：雙向注意力與圖像分塊</h2>對於 Karpathy 的觀點，AI 學者 Yoav Goldberg 提出了兩個疑問：<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/1c40786e-0e45-4511-b81b-dd1280e29555.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="785" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/1c40786e-0e45-4511-b81b-dd1280e29555.jpeg"/>1.為什麼説圖像能輕鬆獲得雙向注意力，而文本不能？2.雖然沒有了 Tokenization，但將輸入圖像切分成圖塊（Patches），難道不是一種類似且可能更醜陋的處理方式嗎？Karpathy 對此進行了解釋。他回應説，原則上沒有任何東西阻止文本使用雙向注意力。但為了效率，文本通常都是以自迴歸的方式進行訓練的。他設想，可以在訓練中期加入一個微調階段，用雙向注意力來處理作為條件的信息（比如用户的輸入消息，因為這些 Token 不需要模型去生成）。但他不確定在實踐中是否有人這樣做。理論上，為了預測下一個 Token，甚至可以對整個上下文窗口進行雙向編碼，但這將導致訓練無法並行化最後他補充道，或許這個方面（雙向注意力）嚴格來説並非像素與 Token 的本質區別，更多是像素通常被編碼（encoded），而 Token 通常被解碼（decoded）（借用原始 Transformer 論文的術語）<h2>馬斯克：未來 99% 是光子</h2>在這場討論的最後，Elon Musk 也現身評論區，並給出了一個更具未來感的判斷：<img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/db4bf304-8ae7-4f6c-ad0c-c2a4b773422a.jpeg?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="658" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/db4bf304-8ae7-4f6c-ad0c-c2a4b773422a.jpeg"/>從長遠來看，AI 模型超過 99% 的輸入和輸出都將是光子。沒有其他任何東西可以規模化馬斯克的這條評論並非隨口一説。他進一步補充了一段堪稱硬核的宇宙學科普，來解釋為什麼他認為 “光子” 是終極的規模化方案簡單來説，宇宙中絕大多數的粒子都是光子而這些光子最主要的來源，是宇宙微波背景（CMB）。根據測算，CMB 的光子密度約為每立方厘米 410 個。將這個密度乘以可觀測宇宙的巨大體積（半徑約 465 億光年），可以得出僅 CMB 貢獻的光子數量就達到了一個驚人的數字：約 1.5 x 10⁸⁹個相比之下，所有恆星發出的光子（星光）以及其他來源（如中微子背景、黑洞輻射等）貢獻的數量，則完全可以忽略不計這背後揭示的物理事實是：光子在數量級上擁有無與倫比的優勢。這或許就是馬斯克認為 AI 的未來輸入輸出將由光子主宰的底層邏輯AI 寒武紀，原文標題：《DeepSeek OCR 論文引爆網絡！Andrej Karpathy：我很喜歡；馬斯克：未來 99% 都是光子》風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。</div>

深度求索

DeepSeek OCR 論文引發熱議，AI 專家 Andrej Karpathy 表示非常喜歡，認為其是一個優秀的 OCR 模型。他探討了像素作為 LLM 輸入的潛力，認為像素可能比文本更優越，提出四大理由支持這一觀點，包括更高的信息壓縮效率、通用性、雙向注意力處理的優勢以及對 Tokenizer 的批評。