這個春節假期，要說“紅得發紫”的科技產品，DeepSeek應該當之無愧。

甚至平時對科技新聞毫不在意的長輩們，也走過來問小雷有沒有聽說過DeepSeek。在我的印象中，上一次AI大模型如此深入人心的，還是OpenAI的ChatGPT。

大紅大紫的背后，是DeepSeek遭受連續且高強度的網絡攻擊，大部分時候官網都沒辦法正常生成內容，即便關閉聯網搜索，具備深度推理能力的DeepSeek-R1在線模型還是無法正常使用。好在，在華為等眾多科技公司的支持下，第三方平臺紛紛接入DeepSeek的API，讓穩定在線使用成為了可能。

不過這些渠道本質上還是線上訪問，春節期間休息的小雷，還想玩一把更大的，比如把DeepSeek大模型部署到本地。

于是，在春節期間，小雷動起手來實踐了一下。

下載慢還得敲代碼，打造“AI電腦”不容易

事實上，無論是不是DeepSeek，想要在自己電腦部署一個本地大模型，執行的步驟并不多，難點在于尋找到對應的資源和命令。但需要注意的一點是，本地大模型雖說是已經訓練好的成品，但也需要有一定的硬件基礎，體驗才算得上好。

（圖片來自Ollama）

首先，我們可以到Ollama官網下載一個桌面端應用，這個應用相當于一個承載本地大模型的“盒子”，除了DeepSeek之外，你可以在Ollama官網的模型庫中找到許多開源大模型。

Ollama桌面端并不提供任何控制界面，想要將大模型下載到本地，需要在Ollama官網的模型庫當中找到對應模型的代碼，復制到PowerShell（Win+R輸入PowerShell回車打開）當中，就可以執行模型數據的拉取和安裝。

（圖片來自雷科技）

小雷選的是DeepSeek-R1模型當中的7b版本，也就是帶有70億參數的DeepSeek-R1模型，占用4.7GB。本地大模型參數量越大自然是越好，可以提供更精準的語言理解和更高質量的文本生成能力，具備更強的邏輯推理和學習能力，同時知識儲備和泛化能力。但本地大模型依賴電腦計算能力，每個人對大模型的需求不同，不應該“硬來”。

一般來說，運行1.5B參數的模型最低需要4GB顯存的GPU以及16GB的內存，如果達不到要求，則會強行使用CPU進行計算，硬件負擔更大，且推理的時間會更長。而滿血版的DeepSeek-R1參數量為671b，體積達到404GB，需要更高規格的計算硬件才能負擔得起，對于個人部署需求，小雷建議1.5b-8b參數最為適合。

（圖片來自雷科技）

模型數據拉取完畢，系統則會自動執行安裝，完成之后就可以直接在PowerShell窗口當中直接調取剛下載的DeepSeek-R1模型，輸入框填寫問題發送，本地大模型就會推理并生成。

到這里，DeepSeek-R1本地大模型的部署就完成了，理論上大家也可以根據這樣的方法去部署其它大模型上電腦。

但每次開啟電腦都要打開PowerShell界面才能激活大模型，對于普通用戶而言并不方便，這個時候我們需要給DeepSeek-R1安裝一套更直觀的交互界面。小雷選擇了在Docker應用（圖標是一個藍色海豚）上添加一個Open-WebUI組件，讓DeepSeek-R1可以通過瀏覽器界面交互，并賦予它聯系上下文的能力。

具體來看，需要先下載Docker桌面端，按照默認的引導完成安裝之后（可跳過賬號注冊等步驟），再次打開PowerShell界面復制并執行以下這條指令，小雷幫大家省下去Github查找的時間了：

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

如果是使用NVIDIA GPU的小伙伴，則需要使用以下這條指令：

docker run -d -p 3000:8080 --gpus all --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:cuda

拉取大模型文件和Open WebUI組件需要一個比較漫長的過程，尤其是網絡不太理想（或者沒有科學上網）的環境，下載器會不斷重試/切換線路，出現下載進度丟失的問題。

安裝完成之后，Docker應用中就會出現一個Open-WebUI的相關組件，把它勾選啟動，再點擊“3000:8080”字樣的鏈接，系統就會跳轉到網頁。

（圖片來自雷科技）

這個時候，你就獲得了一臺帶有AI本地大模型的真正的“AI電腦”了。

小雷體驗了整個部署過程，步驟并不算復雜，系統的數據拉取和安裝都是自動化的，主要還是在搜索命令行和安裝資源，以及拉取和安裝組件時花了比較多的時間，Ollama和Docker都可以通過百度搜索到，小雷也在上面提供了對應的跳轉鏈接，動手能力且有興趣的各位可以嘗試嘗試。

當然了，本地部署大模型的方法并不只有這一個，像華為剛推出的ModelEngine等，具備一站式訓練優化和一鍵部署的能力，應該是面向企業端的開發工具。

離線使用是好事，但生成能力不如云端版

國內的AI大模型應用選擇很多，而且網頁端服務很齊全，那么本地部署的意義在哪里？

前面鋪墊了這么多工作準備本地大模型，關鍵有兩點：第一，本地大模型的所有模型數據和對話記錄都是完全離線，存儲在本地，本地推理響應時間更快，也避免了敏感內容泄露。同時在飛機等無網環境之下，也可以正常使用大模型；第二，本地部署支持各種開源模型，個人用戶可以靈活擴展和切換，也可以根據自身需求進行優化和工具集成，總之操作空間會比線上大模型更多。

不過小雷部署的時間還不長，許多功能還沒摸清楚，這次就簡單討論一下本地大模型的體驗如何。

小雷安裝DeepSeek-R1 7b模型的電腦是機械革命無界14X，輕薄本定位，運行內存為24GB，并沒有配備獨立顯卡這種硬件，不在本地部署大模型的推薦配置范圍內，算是一個“反面教材”。換句話說，DeepSeek-R1 7b模型在這款電腦上，需要更多的推理時間和資源占用才能夠正常生成內容。

（圖片來自雷科技）

像“飯后脹氣”等問題的討論和答案，大模型需要思考30秒-1分鐘才到答案生成階段，期間電腦的負載會達到高峰，CPU和內存幾乎被占滿，可以想象沒有獨立顯卡的電腦帶動本地大模型會比較吃力，小雷認為給出的答案的確有一定的正向參考的作用。

（圖片來自雷科技）

相比于答案，小雷更感興趣的還是DeepSeek擬人化的思考過程，很少有AI助手把思考的過程做到如此擬人化，不管生成的答案是否準確，它的擬人化推理過程似乎也能激起許多普通用戶的興趣。

如果把同樣的問題放在網頁端的DeepSeek大模型，并啟用R1深度思考，直接生成了一個“服務器繁忙”的回饋，密集的訪問的確給DeepSeek造成了不少困擾，這個時候想要正常地和它交談，本地部署能力不一定很強，至少能夠訪問得到。

（圖片來自DeepSeek）

再換一個問題，小雷用了一道經典的概率題目向本地DeepSeek-R1 7b發起提問。網頁端DeepSeek-R1持續繁忙中，本地DeepSeek可能也有一些手足無措，列舉了多種情況后又自行駁回，最后還混入了之前提問的“飯后脹氣”的內容，畫面顯得相當滑稽。

（圖片來自雷科技）

本地DeepSeek在連續輸出十多分鐘后也沒有提供答案，考慮到時間有限，小雷還是停止了生成。

只能說數學題目對于70億參數的DeepSeek-R1 7b還是過于復雜，在線大模型都不一定能夠輸出準確答案，本地就更成問題了，同時高參數的本地大模型推理的過程中，電腦的負載壓力也會拉滿。

從開源的角度去分析，本地大模型的擴張性和可玩性會比傳統的線上大模型更好玩。但本地大模型的部署大家也很清楚，操作起來并不是很容易，想要挖掘更多玩法，還是要靠動手能力強的用戶。

本地部署DeepSeek，只是圖個新鮮好玩？

那么，本地大模型值得人手一個嗎？小雷的答案是否定的。

就現階段的生成能力來說，本地大模型很難跟線上大模型媲美，參數規模和計算能力擺在那，肯定沒法跟正規大模型公司背后的算力集群對比。本地大模型適合動手能力強的電腦用戶折騰，深度發掘的確能帶來一些功能上的便利，畢竟本地大模型在系統底層中運行，能夠更好地與硬件結合。

但作為普通用戶，部署本身也算不上是一件多容易的事情，大模型的周邊配套并沒有想象中成熟，Ollama官網全是英文，Docker應用也不提供中文支持，本身在部署上就有較高的門檻。小雷部署一個本地DeepSeek大模型，只是圖個新鮮，平均生成用時20秒起步，除了可以離線隨處用，普通的生成需求，體驗還是不如在線大模型。

像讀取文件分析、聯網收集數據分析這些能力，還需要用戶自己來折騰，小雷目前部署的DeepSeek還只是個開始。另外如果你有一天不用了想要刪掉大模型數據，還需要學習步驟來清除，否則它就會一直占用系統盤的存儲空間。

（圖片來自mockup）

在小雷看來，DeepSeek走開源道路，最主要的原因還是為了打響市場影響力，先行占據市場地位，吸引行業圍繞它來建立完善的服務體系。拋開Ollama這些不說，國內眾多大模型平臺率先接入DeepSeek的API，就是開源帶來的直接結果。

可以想象，攜帶超高熱度的DeepSeek完成各行業的應用和滲透，個人本地部署的需求也會變得遠比現在簡單，調起PowerShell界面、敲代碼這些事情甚至都不需要用戶來做。

至于DeepSeek會發展成什么樣，小雷還無法預測，被行業高度關注利大于弊，不穩定的服務只是短痛，能夠提高市場占比走到普通用戶身邊，滲透到各個設備，到那個時候，本地部署這件事情或許本身就沒有必要了。