知识液态化趋势下基于DeepSeek的知识生产范式重构研究

尹淑英; 吉海涛; 郭晓亮

doi:10.13266/j.issn.2095-5472.2025.031

知识管理论坛 >

2025 , Vol. 10 >Issue 5: 470 - 478

DOI: https://doi.org/10.13266/j.issn.2095-5472.2025.031

研究论文

知识液态化趋势下基于DeepSeek的知识生产范式重构研究

尹淑英 ^,¹^,² ,
吉海涛 ¹ ,
郭晓亮 ¹

展开

1.《沈阳工业大学学报》编辑部沈阳 110870
2.沈阳工业大学材料科学与工程学院沈阳 110870

尹淑英，编辑，博士研究生，E-mail：yinshuying@163.com

吉海涛，编审，博士

郭晓亮，编审，博士。

收稿日期: 2025-07-13

网络出版日期: 2025-10-28

收起

Reconstruction Study of Knowledge Production Paradigm under the Trend of Knowledge Liquidization Based on DeepSeek

Yin Shuying ^,¹^,² ,
Ji Haitao ¹ ,
Guo Xiaoliang ¹

Expand

1. Editorial Department, Journal of Shenyang University of Technology, Shenyang 110870
2. School of Materials Science and Engineering, Shenyang University of Technology, Shenyang 110870

Yin Shuying, Editor, Doctoral Candidate, E-mail:yinshuying@163.com;

Ji Haitao, Senior Editor, PhD;

Guo Xiaoliang, Senior Editor, PhD.

Received date: 2025-07-13

Online published: 2025-10-28

Fold

摘要

【目的/意义】 鉴于数字技术的演进催生知识形态从固态向液态的认知相变，针对现有研究在系统揭示DeepSeek等跨模态推理技术重构知识生产范式机制方面存在的分析框架缺位问题，提出知识液态化理论框架，揭示跨模态推理技术对知识生产范式的重构机制。 【方法/过程】 构建包含“模态—主体—流程”3个维度的知识液态化分析框架，采用案例分析与功能解析法，系统剖析DeepSeek的动态稀疏注意力机制、混合专家（MoE）模型及跨模态对齐技术重构知识生产范式的核心动因。 【结果/结论】 DeepSeek并非一般性的影响因素，而是通过其技术架构（MoE等）与开源模式，从根本上触发知识生产在模态（从离散到统一）、主体（从中心化到人机分布式）、流程（从线性到动态交互）的三重范式重构。这一重构过程在提升知识生产效率的同时也衍生出认知权威耗散、责任归属模糊等新型治理挑战。

关键词： 知识液态化; 知识生产范式; DeepSeek; 跨模态推理

本文引用格式

尹淑英 , 吉海涛 , 郭晓亮 . 知识液态化趋势下基于DeepSeek的知识生产范式重构研究[J]. 知识管理论坛, 2025 , 10(5) : 470 -478 . DOI: 10.13266/j.issn.2095-5472.2025.031

Abstract

[Purpose/Significance] Given that the evolution of digital technology has triggered a cognitive phase transition of knowledge forms from solid to liquid, this study addresses the gap in existing research, where there is a lack of analytical frameworks for systematically uncovering the mechanisms through which cross-modal reasoning technologies such as DeepSeek reconstruct the paradigm of knowledge production. This study proposes a theoretical framework of knowledge liquidization and reveals the reconstruction mechanism of cross-modal reasoning technologies on the knowledge production paradigm. [Method/Process] An analytical framework of knowledge liquidization encompassing three dimensions, “modality-subject-process”, was constructed. By integrating case analysis and functional analysis methods, this study systematically examined the core drivers through which DeepSeek’s dynamic sparse attention mechanism, mixture of experts (MoE) model, and cross-modal alignment technology reconstructed the knowledge production paradigm. [Result/Conclusion] The findings indicate that DeepSeek is not merely a general influencing factor. Instead, through its technical architecture (such as the MoE model) and open-source model, it fundamentally triggers a threefold paradigmatic reconstruction of knowledge production: in the dimension of modality, transforming from discrete forms to unified forms; in the dimension of subject, shifting from centralized dominance to human-machine distributed collaboration; in the dimension of process, evolving from linear progression to dynamic interaction. While this reconstruction process significantly improves the efficiency of knowledge production, it also gives rise to new governance challenges, such as the dissipation of cognitive authority and ambiguity in responsibility attribution.

Key words： knowledge liquidization; knowledge production paradigm; DeepSeek; cross-modal reasoning

数字技术的裂变式发展正在重塑人类文明的认知地基^[1-2]。生成式人工智能已经突破多模态推理的技术阈限，知识生产系统随之从“固态存储”向“液态流动”范式迁移。在此背景下跨模态对齐技术引发的认知湍流效应成为知识液态化进程的微观映射。DeepSeek作为国内领先的生成式人工智能技术，通过融合动态稀疏注意力机制与混合专家（mixture of experts，MoE）模型，实现了文本、图像、音频等多模态数据的语义统一化处理，这种技术突破不仅提升了内容生产效率，更重塑了知识关联的逻辑链条^[3-4]。以DeepSeek为代表的生成式AI模型正在成为知识生产领域的重要参与者，解析DeepSeek等智能系统引发的知识液态化现象，已成为把握数字文明演进逻辑的关键锁钥。DeepSeek的跨模态推理能力使其能够在不同知识领域和模态之间进行快速的知识生成和整合，这为知识生产范式转型提供了新的可能。目前相关研究多聚焦技术应用层面，在多模态知识图谱构建^[5]、跨模态学习算法优化^[6]等领域取得了显著进展，却普遍未能将DeepSeek引发的范式变革置于“知识流动性”这一经典学术脉络中予以审视。本文突破既有研究的理论窠臼，提出知识液态化分析框架，首先建构一个“模态—主体—流程”的知识液态化三维分析框架，进而以此框架为指引，深入剖析DeepSeek的核心技术（如MoE）及其开源生态是如何作为操作性变量，系统性地解构传统知识生产范式，并催化一种液态化、人机协同的新范式生成。研究旨在为理解智能时代知识生产的革命性转变提供一个具有解释力的理论视角和扎实的案例证据。

1 知识液态化理论框架与范式转型/Theoretical framework of knowledge liquidization and paradigm transformation

1.1 知识液态化的内涵演进

知识液态化概念的提出，根植于知识本身固有的流动性特质及其在社会学视野中的现代表征。首先，知识的动态性是其内在本质。D. J. Teece关于知识转移展开开创性研究，并将知识视为可在主体间流动的关键资源^[7]；T. H. Davenport等进一步指出，知识转移包含传递与吸收（应用）两个过程，其成功取决于接收方对信息的充分理解并据此采取行动^[8]；国内学者李顺才等^[9]则提出“知识势差”理论，认为知识从高势能主体向低势能主体的流动是其内在动力。这些研究共同奠定了“知识流动”的经典理论基础。其次，知识在形态上绝非静止的晶体。I. Nonaka^[10]提出的SECI模型（知识螺旋模型）系统地阐释了知识通过社会化（socialization）、外化（externalization）、结合化（combination）和内化（internalization）4种模式，在隐性知识与显性知识的持续互动与转化中得以创造和流动的动态过程，该模型证明了知识是一个充满活力、不断流动和演化的“生命体”。再者，“液态化”术语直接受益于社会学理论启迪。Z. Bauman^[11]用“液态现代性”（liquid modernity）来描述当代社会从稳固、沉重的“固态”形态向流动、轻灵、不确定的“液态”形态的转变。社会关系、制度乃至知识都呈现出瞬时性、流动性与去规则性等特质。数字技术是当代社会“液化”的核心推力。本研究提出的“知识液态化”，正是Z. Bauman理论在知识社会学领域的具体化与延伸，旨在描述数字技术（以DeepSeek为代表）如何极大地加剧和显化了知识本身固有的流动性，使其呈现出前所未有的超流态（superfluid）特征。

综上所述，知识液态化是数字化时代知识生产与传播的一种新兴特征，其核心在于知识在不同模态、领域和主体之间的快速流动与融合，知识不再局限于特定领域或形式，而是能够在不同情境中迅速转换和重组，可以自由转换为文本、图像、音频等多样化表达形式，打破了传统知识生产中相对稳定的线性范式。知识液态化具有3种明显特征：①模态流动性，即知识能够在不同模态之间自由转换，如从文本到图像、音频、视频等，知识的表达更加多样化，以适应不同传播需求和受众偏好；②领域交叉性，即知识在不同学科和领域之间相互渗透和融合，学科壁垒消解，形成跨学科知识创新网络；③主体多样性，即知识的生产主体不再局限于专家和学者，普通大众也能够通过数字平台参与知识的创造和传播，知识生产从专家垄断转向大众参与的分布式协作。

1.2 知识生产范式的历史嬗变

传统知识生产范式具有3种特征^[12]：①线性生产模式。传统知识生产通常遵循线性过程，科学研究、科研创作和成果传播的每个环节都遵循明确的顺序和规范，知识生产主体主要为专家、学者和专业机构，其通过严谨的研究和创作活动产生知识，然后通过出版物、讲座等形式传播给受众。②单一模态表达。传统知识生产主要依赖于单一模态表达，如文本、数字、图表等静态表达形式，不仅限制了知识的多样性传播，还不利于建立全面的知识关联。③权威依附性。传统知识生产强调知识的权威性和可信度，知识的生产和传播受到严格的学术规范和审查机制（如同行评议）的约束，知识合法性需要通过学术审查机制确立，且传统知识生产结果通常呈现系统化、完整性特征，如学术专著、科研论文等。总体而言，传统知识生产范式遵循“研究—创作—传播”的固定流程，知识传播效率很大程度上受限于物理载体。

数字化时代知识生产范式转型呈现网络化协作、多模态协同、动态开放演进三大核心特征^[13]。首先，数字时代知识生产具有网络化协作特点，知识的生产主体和传播渠道更加多样化，知识不再呈现单向流动，而是通过数字平台在不同分布式节点之间相互连接和交互并形成动态知识网络。其次，数字技术使得知识能够在不同模态之间进行融合并呈现多模态协同特征，通过跨模态对齐技术实现不同载体知识的语义统一，不仅丰富了知识表达形式，还增强了知识传播效能。再次，知识生产不再为静态过程，表现出动态、开放的演进特征，知识的生产和传播可以实时进行并具有实时反馈与迭代能力。知识更新频率大为缩短，形成持续进化的生态系统，且受众可以通过互动和反馈参与知识的生产过程中。这一转型过程，也呼应了“大数据知识工程”中旨在解决海量、低质、无序的碎片化知识如何通过“在线学习—拓扑融合—知识导航”实现“量—质—序”转化的前沿探索。

2 DeepSeek的技术解构路径/ The technical deconstruction path of DeepSeek

2.1 跨模态推理的认知相变机制

跨模态推理^[14]引发的认知相变构成了知识液态化的认识论内核，这种相变过程包含3个动力学阶段。在固态解构阶段，传统认知范式下知识以“概念晶格”形式存在并通过严格逻辑联结形成稳定结构，而DeepSeek的多模态对齐技术能够施加超过临界点的认知热能，导致晶格振动加剧，其解构的微观技术机制在于DeepSeek所采用的动态稀疏注意力机制。该机制通过计算语义关联度，对输入信息进行“选择性聚焦”，而非传统模型的全局处理，这类似于施加了定向的“认知热能”，打破线性、连续的逻辑联结，实现对固态知识结构的非连续、跳跃式解构。在液态涌现阶段，当认知热能达到相变临界温度后知识进入超流态，此时认知黏度趋近于零，信息粒子在跨模态向量空间中自由流动，此阶段的技术基础是混合专家（MoE）模型。MoE模型的门控网络（Gating Network）会根据输入问题，动态激活最相关的“专家”子模型（如文本专家、代码专家、图像专家）进行处理，而非动用全部参数。这种“按需调用”的机制正是知识能够以低阻力（低认知黏度）、自由（超流态）状态在不同模态领域流动的技术根源。在涡旋重构阶段，当雷诺数超过临界值时，知识流体中形成自组织涡旋结构并通过耗散能量维持动态平衡，构成新型知识生产范式的基础单元，这种涡旋结构的形成机制可以通过动态知识图谱构建模块进行解析，DeepSeek通过“检索—生成—验证”闭环机制构建全新的知识生产生态系统。然而，这种知识液态化进程带来了认知治理的新挑战。在知识流体的涡旋运动中，信息粒子的布朗运动可能导致认知熵增失控，需要开发基于量子纠错码的认知稳定算法；自组织涡旋的涌现可能引发认知奇点，其预测精度在长短期记忆网络模型中已表现出对数级衰减趋势；液态化知识生产打破了主客二分的认识论基础，其生成内容的本体论地位需要重新界定。

2.2 三重解构维度分析

DeepSeek融合Transformer语言模型、潜在扩散模型与神经辐射场技术，构建多模态动态生成系统，其核心突破在于将符号逻辑系统与连续向量空间有机融合，形成具有认知能动性的知识生产架构，建立跨模态统一表征空间，通过动态知识蒸馏框架，实现知识系统的持续进化，打破了传统学科知识的模态壁垒。DeepSeek能够生成高质量的文本、图像、音频等多种模态内容，满足不同领域和场景需求，同时具备高效跨模态推理能力，能够在不同模态之间进行逻辑推理和知识整合，在知识生产中具有重要作用。

2.2.1 认知边界消融

DeepSeek的跨模态推理能力能够打破不同模态和领域之间的知识边界。例如，在教育领域可将复杂的文本知识转化为直观的图像或视频内容，实现文本、图像、音频的语义统一化处理，使得学习过程更加生动有趣，如DeepSeek-V3在处理“量子计算”这一复杂科学概念时，不仅能生成解释性文本，还能应要求生成阐述其原理的流程图（图像模态），甚至模拟量子比特状态的代码片段（代码模态）。这一过程实证了其通过多模态对齐技术，将原本分属于文字、图像、编程3个不同认知域的知识进行无缝融合与转换，实现了学科壁垒的消融。同时，在科研领域可以整合不同学科的数据和理论，生成新的跨学科研究成果，推动知识的创新和融合。DeepSeek能够促进数字化知识网络的形成与应用，将各种知识资源进行数字化处理、存储、传输和共享，形成高度互联、动态演化的知识体系，进而打破传统知识的学科界限^[15]。此外，DeepSeek通过知识蒸馏技术突破了知识传播的时空限制，可将历史文献中的专家智慧蒸馏为现代应用模型，实现历史智慧与现代应用的时空折叠，也可通过多语言蒸馏实现知识的全球化流动。知识边界的消融本质上是知识液态化的外在表现。DeepSeek生成的知识流体具有量子叠加态特征，在信息熵与语义序之间保持动态平衡，其跨模态推理网络构建的动态模型显著缩短了知识创新的传播路径。换言之，DeepSeek通过跨模态代数拓扑、动态超图建模与全局流形学习，将人类知识体系从离散的学科孤岛重构为连续的高维认知流形。这种变革不仅体现在工具效能层面，更标志着知识生产从“学科范式”向“生态范式”的跃迁。

2.2.2 生产逻辑重构

DeepSeek通过强大的生成和推理能力重塑了知识生产逻辑，采用动态注意力机制替代线性推理模式，即不再依赖传统线性生产和单一模态表达，而通过动态、多模态方式生成知识。这种逻辑的转变使得知识生产更加灵活和高效，但也对传统知识权威和可信度提出了挑战。传统知识生产依赖专家经验传承，容易导致知识传播的固态化。传统知识生产如撰写学术论文，需经历“文献调研—提出假设—实验验证—成文—同行评议”的线性流程，耗时数月甚至数年。而DeepSeek的生成逻辑是“用户提问—实时检索—内部推理—即时生成”，将漫长的线性流程压缩为一个近乎实时的、交互式的动态过程，彻底重构了生产的时间尺度和逻辑链条。DeepSeek通过具有Transformer架构的跨模态编码器实现文本、图像、音频等多模态数据的深度语义对齐^[16]，生成高质量多模态内容并通过知识蒸馏技术将复杂的跨模态大模型压缩为轻量级模型，实现专家知识的低成本迁移，使得知识生产不再局限于专业人士，进而解构了“专家—新手”的二元对立关系。在内容创作领域DeepSeek可以帮助普通用户快速生成文章、图像等创意内容，降低了知识生产门槛。

2.2.3 推理效能提升

DeepSeek可以通过动态稀疏注意力技术“按需分配”算力资源，将计算资源集中于关键语义区域，实现认知能耗的液态化管理与知识生产的效率跃迁。DeepSeek的移动端模型通过动态剪枝技术，可以根据设备性能自动调整注意力头数量，在保证核心功能的前提下降低能耗，使得系统的注意力头自动聚焦搜索领域，具备“认知选择性”特征，这种动态聚焦能力解构了传统知识生产的线性推理模式。相较于传统知识生成线性、单向特点，智能阶段的知识重组具有实时互动特征。另外，DeepSeek在Transformer框架基础上，创新性地融入多头潜在注意力和混合专家模型架构，根据不同任务动态激活最相关的专家模块，在逻辑推理任务中能够更高效地处理复杂的逻辑关系，清晰展示其思维推理过程，避免传统Transformer架构中所有参数同时参与计算的低效性，从而具有更低的训练成本和更高的推理效率。

基于统计相关性的传统知识生产难以揭示深层因果关系。DeepSeek的神经符号系统可以通过整合因果阶梯理论，实现从观察数据到干预数据的逻辑跨越，突破统计相关性局限。同时不同领域的知识单元可通过语义相似性实现跨时空非连续直接关联，不同领域的知识单元可以突破传统“学科—时代”壁垒直接关联并呈现“液态连通性”。DeepSeek通过学科知识、综合知识图谱构建，能够确定具体知识需求并做到根据需要提供、根据评价提供、根据想象关联性提供，自动发现学科间的概念关联，推动知识拓展，实现跨学科、交叉学科的有机融合。此外，DeepSeek可在知识评价基础上对知识进行选择、循证淘汰和更新，同时进行实时数据检索与参数更新以保障知识系统的新陈代谢。

3 液态化知识生产的重构路径/ The reconstruction path of liquidized knowledge production

DeepSeek催生的智能知识生产系统不仅是工具革新，更是认知革命的催化剂，其重构作用已超越技术层面，推动人类知识生产进入液态化新纪元。作为基于Transformer架构的超大规模生成式人工智能系统，DeepSeek利用动态稀疏注意力机制提升多模态数据特征对齐精度，突破了单模态线性逻辑的认知局限。采用混合专家模型架构并通过门控网络实现多模态任务智能路由，在跨语言推理任务中达到较高准确率，有效弥合符号系统与感知系统的语义鸿沟。DeepSeek的生成过程在信息熵与语义序之间保持动态平衡，其跨模态推理网络展现出类似液态的流动性与适应性。

3.1 主体结构重构

基于Transformer语义理解能力，DeepSeek降低了专业知识的理解门槛，推动知识生产从“核心—边缘”结构向分布式网络转型，对人机协同推动知识的进化具有重要启示意义。人机协同推动知识进化策略包括4个方面。在任务分配上，人类与AI系统应形成互补性分工。当用户处理重复性、决策性与创造性任务时，分别侧重DeepSeek的高效自动化、数据赋能和深度思考等不同技术协作功能。例如，DeepSeek-Coder通过“代码补全—错误调试—算法优化”的协同闭环，扮演了“专家助理”的角色；而DeepSeek-V3在“联网搜索”模式下，扮演了“知识策展人”的角色。这种角色分工的细化，体现了人机协同从概念走向可操作化的具体实现机制。在认知增强与适应性进化中，人类与AI应构成双重学习系统和协同进化机制，人类的具身认知可与DeepSeek的算法优化形成正反馈回路。DeepSeek的知识推送引发用户认知重构，用户行为数据又反向训练DeepSeek算法模型。在知识传播与共享方面，人机协同应致力于构建高效知识传播网络与共享机制。一方面，利用DeepSeek的知识图谱和可视化技术对知识进行精准分类与索引，使得知识以更有序、更易获取的方式呈现，促进知识的快速传播；另一方面，建立人机协同知识共享平台，鼓励用户积极分享知识和经验，DeepSeek也可从海量数据中挖掘有价值的知识进行自我知识革新。在安全与伦理层面，由于人机协作的知识进化面临数据正义悖论、责任主体消解、人性价值侵蚀等风险，需要建立人工选择机制并构建DeepSeek生成知识的可信度评估框架，可以采用区块链技术构建知识谱系的可追溯性框架。同时将设计伦理融入DeepSeek约束算法设计中，建立进化隔离机制，对争议性知识实施沙盒测试。此外，为了保证业务工作的有序进行，必须明确规定“人”和“AI”的业务边界和工作职责，通过人类负责创造性任务和AI承担重复性工作的互补分工，实现“人”与“AI”的完美配合，使得“AI”成为人类认知过程的有力扩展^[17]。

3.2 跨模态融合增强

DeepSeek采用动态知识图谱技术实现知识节点的自由重组与知识发现范式转换，采用“预训练—领域精调—强化学习”3级架构，构建跨学科知识基底与领域专长的动态平衡，集成文本理解、图像识别、符号推理三大模块，实现知识的深度融合^[18-19]。DeepSeek对不同层面的知识增强具有重要作用。在知识发现层面，DeepSeek通过表示随时间改变的知识结构的动态图谱技术展现技术创新情况，采用流式数据处理、时序感知机制和冲突消解策略实现从静态知识表示到动态实时推理的跨越，通过实时检索外部知识库（如行业数据库、科研文献、新闻动态等），与模型内部参数化知识进行协同推理，提升知识补充与更新能力，达到知识高效动态融合效果。在知识应用层面，DeepSeek在垂直场景中具备高度适配性，能够快速响应不同行业的特定需求，在“联网搜索”模式下DeepSeek能够深入阅读海量网页，为用户生成全面、准确、满足个性化需求的回答，并根据用户的实时反馈动态调整搜索策略。在知识实践层面，可解释性AI和动态可视化工具能够清晰呈现DeepSeek的推理过程，认知引擎能够通过与用户的对话理解其思维方式，帮助用户从更深层次的角度重构知识框架，使得用户在实践中得以追溯思考，从而推动知识增强进程。

3.3 垂直场景适配

随着前沿技术的持续发展，大模型技术在智能编辑与创作、沉浸式阅读体验、知识管理、教育出版、智能营销等方面会出现更多细分的应用场景。DeepSeek通过搜索引擎与学术数据库接口建立知识新陈代谢机制，并通过自然语言交互与意图识别技术实现知识生产的场景化适配，采用领域适配器和结构动态化调整策略构建垂直场景深度适配技术范式^[20]。针对不同领域的知识需求，DeepSeek提出一种分层次、多维度的适配机制，其基础层提供通用知识支持，领域增强层聚焦于行业专业化数据，场景适配层针对具体任务进行调整以便平衡知识的通用性与专业性。DeepSeek通过灵活的领域适配功能能够高效支持不同垂直领域对知识获取和应用的需求。结合高效推理引擎，DeepSeek领域适配器在保持较高知识供应性能的同时，能够进一步优化推理速度与逻辑自洽性，从而能够快速而准确地响应业务场景的需求。此外，DeepSeek采用的领域适配器通常为低秩适配器，能够根据不同领域或特定任务需求动态实时调整训练参数，从而提高模型训练稳定性和训练效率。

3.4 知识平权实现

知识平权的本质在于消除由信息不对称引发的知识获取和应用能力剥夺的现象。“以开源精神和长期主义追求普惠的通用人工智能（artificial general intelligence, AGI）”是DeepSeek一直以来遵循的坚定信念^[21]。DeepSeek的开源普惠模式通过技术资源的开放共享与协作创新，采用轻量化工具显著降低知识获取与生产门槛，从而在结构性层面推动知识平权的实现，技术红利从少数科技巨头向更广泛的社会群体渗透，使得边缘群体获得平等的认知参与权与知识使用权，进而促进知识传播权利向“个体”回归。此外，DeepSeek的开源模式有助于降低研发成本，加速技术更新迭代的速率，促进区域协作与知识共享，从而缩小全球技术发展的结构性差距。

实施开源普惠促成知识平权^[22]的策略包括4个方面：①构建开放技术基础设施与知识共享平台，通过标准化接口协议与模块化工具链设计，将认知引擎的核心算法模型、训练数据集向公众开放，同时建立异构算力资源的分布式调度机制，利用边缘计算与联邦学习技术实现算力资源的去中心化共享，缓解算力垄断对技术普惠的不利制约；②完善社区驱动的知识协同生产机制，建立基于贡献度计量的知识产权分配框架，实现知识成果的可追溯与动态激励，同时设计多主体协作治理架构，确保学术机构、企业开发者与普通用户能够基于透明规则参与知识共享与技术迭代；③强化技术赋能的认知平权路径，针对目前普遍存在的认知鸿沟与数字素养差异，开发低代码化AI工具与交互式学习系统，通过知识图谱的可视化重构与自适应教学算法，降低技术理解与应用门槛并构建跨模态、跨语言、跨文化的内容适配体系，进而突破形式、地域与语言对知识传播的屏障效应；④建立技术伦理与权益保障的制衡框架，在开源协议中嵌入数据主权归属、算法透明性验证与偏见修正的强制性条款，通过动态审计机制实时监测技术应用中的权力异化风险。

4 结语/Conclusion

本研究通过构建“模态—主体—流程”三维框架，论证了DeepSeek如何以其动态稀疏注意力、MoE等核心技术为驱动，系统性解构了传统知识生产的固有形态，并催化了一种液态化、分布式、人机协同的新范式。DeepSeek的技术架构是解构的利器，而其开源生态则是重构的前提。液态化知识生产以流动性、开放性与自组织性为核心特征，通过动态知识网络构建、人机协同模式创新与按需服务机制重构，突破了传统范式的学科壁垒与主体边界。深入剖析了DeepSeek在知识液态化背景下对知识生产范式的解构与重构机制，揭示了其在知识生产主体、知识生产过程和知识生产结果层面的颠覆性影响。DeepSeek通过跨模态推理能力重塑了知识生产逻辑，促进了知识在不同模态和领域之间的流动与融合，同时打破了传统知识生产中主体的中心化和权威化、知识生产过程的线性化与知识生产结果的静态化，推动知识生产向大众参与化、动态化和碎片化方向发展。然而，DeepSeek的广泛应用也带来了技术与伦理不平衡的问题，如版权归属、算法偏见与其对人类创作者的替代争议，以及DeepSeek所产生知识的碎片化特征带来的知识深度和系统性不足等，人们在享受DeepSeek带来的知识普惠红利的同时，也面临着知识权威的消解和信任机制的重建等诸多挑战。未来研究应进一步深化对认知液态化的理论研究，并针对本文提出的挑战开展两方面的深入工作：①实证研究方面，采用计算语言学方法，对DeepSeek生成的内容进行大规模分析，量化其“知识碎片化”与“系统性”的具体程度；②伦理与治理研究方面，针对“责任归属模糊”挑战，可借鉴“负责任创新”（responsible innovation, RI）框架，设计适用于生成式AI的算法审计与伦理治理工具，从而拓展DeepSeek在不同领域的应用潜力，构建可持续的数字知识生态系统，从而推动知识生产向更加高效、智能的方向发展。

Author(s): Yin Shuying, Editor, Doctoral Candidate, E-mail: yinshuying@163.com; Ji Haitao, Senior Editor, PhD; Guo Xiaoliang, Senior Editor, PhD.

尹淑英：进行框架设计与论文撰写；

吉海涛：提供研究思路；

郭晓亮：修改论文。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	景池, 冯明宇. 数字生态文明: 当代出场、内涵面相与实践展陈[J]. 北方民族大学学报, 2025(2): 123-132. JING C, FENG M Y. Digital ecological civilization: contemporary appearance, connotation perspective and practical exhibition[J]. Journal of North Minzu University, 2025(2): 123-132.

[2]	董慧, 金汉. 数字时代中华文明的传承与发展[J]. 中南民族大学学报(人文社会科学版), 2025, 45(1): 11-24. DONG H, JIN H. Inheritance and development of Chinese civilization in the digital age[J]. Journal of South-Central Minzu University (humanities and social sciences edition), 2025, 45(1): 11-24.

[3]

童云海, 陈建龙. DeepSeek热潮下的双重变革:大模型的技术革新与高校图书馆服务范式的重构[J]. 大学图书馆学报, 2025, 43(1): 66-70.

TONG

Y H

, CHEN

J L

. Dual transformation under the DeepSeek wave: technological innovation in large models and the restructuring of service paradigms in academic libraries[J]. Journal of academic libraries, 2025, 43(1): 66-70.

[4]	谢新水. 智能跃迁、开源创新与主权AI: DeepSeek现象推动人工智能开源创新生态体系建设[J]. 电子政务, 2025(3): 40-48. XIE X S. Intelligent leap, open-source innovation and sovereign AI: the DeepSeek phenomenon drives the construction of an open-source innovation ecosystem for artificial intelligence[J]. E-government, 2025(3): 40-48.

[5]	窦永香, 解哲辉, 汤晓芳. 基于开源科技项目数据的多模态知识图谱构建研究[J]. 情报理论与实践, 2025, 48(3): 32-40. DOU Y X, XIE Z H, TANG X F. Research on the construction of multimodal knowledge graph based on open-source science and technology project data[J]. Information studies: theory & application, 2025, 48(3): 32-40

[6]	严双咏, 刘长红, 江爱文, 等. 语义耦合相关的判别式跨模态哈希学习算法[J]. 计算机学报, 2019, 42(1): 164-175. YAN S Y, LIU C H, JIANG A W, et al. Discriminative cross-modal hashing learning algorithm based on semantic coupling correlation[J]. Chinese journal of computers, 2019, 42(1): 164-175.

[7]	TEECE D J. Technology transfer by multinational firms: the resource cost of transferring technological know-how[J]. The economic journal, 1977, 87(346): 242-261.

[8]	DAVENPORT T H, PRUSAK L. Working knowledge: how organizations manage what they know[M]. Boston: Harvard Business Press, 1998.

[9]	李顺才, 邹珊刚.知识流动机理的三维分析模式[J]. 研究与发展管理, 2003(2): 39-43. LI S C, ZOU S G. A three-dimensional analytical model for knowledge flow mechanism[J]. R&D management, 2003, 15(2): 39-43.

[10]	NONAKA I. A dynamic theory of organizational knowledge creation[J]. Organization science, 1994, 5(1): 14-37.

[11]	BAUMAN Z. Liquid modernity[M]. Cambridge: Polity Press, 2013.

[12]	姜利标.数据内爆时代认知范式变革下的知识生产[J]. 探索与争鸣, 2024(11): 22-25. JIANG L B. Knowledge production under the transformation of cognitive paradigm in the era of data implosion[J]. Exploration and free views, 2024(11): 22-25.

[13]	杜岩岩, 牛军明. 数据中心化知识生产:数字时代大学知识生产的新范式[J]. 复旦教育论坛, 2024, 22(5): 13-20. DU Y Y, NIU J M. Data-centered knowledge production: a new paradigm for university knowledge production in the digital age[J]. Fudan education forum, 2024, 22(5): 13-20.

[14]	魏钰琦, 李宁.用于图文检索的跨模态信息交互推理网络[J]. 计算机工程与应用, 2023, 59(16): 115-124. WEI Y Q, LI N. Cross-modal information interaction reasoning network for image and text retrieval[J]. Computer engineering and applications, 2023, 59(16): 115-124.

[15]

卫力, 王亚玲, 张秀, 等. 数字化转型提升企业创新效率的网络机制—合作和知识双重创新网络结构洞的中介作用[J]. 西部论坛, 2024, 34(1): 81-95.

WEI

, WANG

Y L

, ZHANG

, et al. Network mechanisms for digital transformation to improve enterprise innovation efficiency: the mediating role of cooperation and knowledge dual innovation network structural holes[J]. West forum, 2024, 34(1): 81-95.

[16]

张亮, 陈希聪. 生成式人工智能背景下的跨境数据安全规制—基于DeepSeek、ChatGPT等主流AI的思考[J]. 湖北大学学报(哲学社会科学版), 2025, 52(2): 120-128.

ZHANG

, CHEN

X C

. Analysis of cross-border data security regulation in the generative AI context——based on the application of mainstream AI models such as DeepSeek and ChatGPT[J]. Journal of Hubei University (philosophy and social science), 2025, 52(2): 120-128.

[17]

张慕华. 以人为本与人机协作:学术期刊数智化发展路径探析[J]. 清华大学学报(哲学社会科学版), 2025, 40(2): 214-224.

ZHANG

M H

. People-oriented and human-machine collaboration: an analysis of the development path of digital intelligence of academic journals[J]. Journal of Tsinghua University (philosophy and social sciences), 2025, 40(2): 214-224.

[18]

唐昆, 李白杨, 张心源. 基于主客观融合的人工智能跨模态生成内容质量及效能测度研究[J]. 情报理论与实践, 2024, 47(11): 150-161.

TANG

, LI

B Y