你不能錯過這場地震事件，英偉達(dá)市值損失了 5890 億美元，因為在 DeepSeek 聲稱其開源 R1 模型可以提供競爭對手 OpenAI 的 o1 模型性能后，人們對 AI 的信心受到了打擊，用于訓(xùn)練其最新模型的計算量減少了 11 倍。

（圖片來源：Tom's Hardware）

在我們深入研究這個如何做之前，讓我們先管理一下期望。是的，您可以在 Raspberry Pi 上運(yùn)行 DeepSeek，但它受 CPU 限制，因此不要指望您的查詢在幾秒鐘內(nèi)完成。目前沒有官方的 AI 加速器 HAT 或插件可以加速模型。唯一的方法是將 GPU 連接到 Raspberry Pi 5 的 PCIe 連接器，可能使用 Pineboard 的 Hat UPCIty Lite 板和外部電源之一。

這意味著 Raspberry Pi 5 比我的臺式電腦處于劣勢，因為我的臺式電腦配備了 Nvidia RTX 4070 GPU。當(dāng) ollama 運(yùn)行時，它會檢查 GPU，如果找到，它將使用它。所以我的 RTX 4070 正在做所有的工作。

 測試

在本地運(yùn)行 R1：8b，我想要一個簡單的測試，我想到的第一件事是編寫一些 Python 代碼。提示是：

“編寫一個 Python 腳本來詢問用戶的姓名，將其保存到一個名為 username 的變量中，然后用他們的名字問候用戶 100 次。”

（圖片來源：Tom's Hardware）

我通常如何解決這個問題？三行 Python 代碼，一行用于捕獲用戶輸入到變量，然后兩行用于創(chuàng)建打印個性化問候語的 for 循環(huán)。這是我教給數(shù)百名學(xué)生的基本初學(xué)者 Python，那么 AI 將如何解決它呢？

username = input("What is your name?: ")

for i in range(100):

    print("Hello",username)

Raspberry Pi 5 的代碼如下

 username = input().strip

for _ in range(100):

    print(f”Hello, {username}”)

捕獲用戶輸入，然后在將其分配給函數(shù)之前對其進(jìn)行清理是明智之舉。該條帶將從捕獲的字符串中刪除任何空格。使用 f 字符串打印問候語是設(shè)置輸出格式的最新方法。在這種情況下，這有點多余，但我很高興看到學(xué)生嘗試這種方法。我對這段代碼的抱怨是沒有提示用戶輸入，因此在視頻中有短暫的延遲。值得慶幸的是，PC 沒有復(fù)制此問題。

在 PC 上，DeepSeek 生成了這段代碼。

username = input(“Enter your name: “)

for _ in range(100):

    print(f”Hello, {username}!”)

用戶輸入被捕獲并保存到變量中，我們有一個輸入提示供用戶響應(yīng)。其余部分與 Raspberry Pi 5 上的相同，只是多了一個 “！” 來強(qiáng)調(diào)問候語。

（圖片來源：Tom's Hardware）

你不能錯過 PC 和 Pi 5 之間的時差。所有這些都是離線的，依賴于運(yùn)行它的設(shè)備的模型和 CPU/GPU。PC 在 16 秒內(nèi)完成了所有作，但 Pi 5 只用了 8 分鐘！哎呀，PC 是在 Pi 5 仍在加載模型時完成的。但是，在 Raspberry Pi 5 上運(yùn)行 LLM 是一個有趣的實驗，值得花一點時間，所以讓我們在 Raspberry Pi 5 8GB 上安裝一個。請注意，Raspberry Pi 5 8GB 確實是我們嘗試的最低規(guī)格的 Pi 5。您可以嘗試使用經(jīng)過調(diào)整型號的 4GB Pi 5，但您的里程會有所不同！

通過 ollama 在 Raspberry Pi 5 上設(shè)置 DeepSeek

為了簡化作，我們將通過 ollama 設(shè)置 DeepSeek，這是一個免費的開源工具，任何人都可以在自己的計算機(jī)上運(yùn)行大型語言模型 （LLM）。

我們將使用的模型是蒸餾的 Llama 模型，它適合我們的 Raspberry Pi 8 提供的 5GB RAM。

ollama 團(tuán)隊表示，“DeepSeek 團(tuán)隊已經(jīng)證明，較大模型的推理模式可以提煉成更小的模型，與通過 RL 在小型模型上發(fā)現(xiàn)的推理模式相比，性能更好。為什么我們用這個模型而不是“真正的”DeepSeek 模型呢？僅僅因為 deepseek-r1：671b 模型的大小為 404GB，它顯然會壓倒 Raspberry Pi 5。

借助 ollama 的腳本，在 Raspberry Pi 上安裝變得輕而易舉。

1. 打開終端并確保您的 Raspberry Pi 5 正在運(yùn)行最新的軟件。

sudo apt update

sudo apt upgrade -y

2. 下載并安裝 ollama 安裝腳本。通常，使用來自 Internet 的腳本安裝軟件是一個主要的 No No。我們絕不會在生產(chǎn)環(huán)境中這樣做。如果您好奇，可以將 install.sh 保存到文件中，并在使用前讀取內(nèi)容。

curl -fsSL https://ollama.com/install.sh | sh

3. 檢查版本號。我們的版本是 0.5.7，但考慮到 LLM 的快速發(fā)展，您的版本可能會有所不同。如果您需要記錄任何問題或搜索特定指南，了解您安裝的版本號總是很方便的。

ollama --version

4. 下載并運(yùn)行 DeepSeek-r1：8b。這是一個蒸餾的 Llama 模型，適合我們的 Raspberry Pi 8 提供的 5GB RAM。

ollama run deepseek-r1:8b

5. 等待下載和安裝完成。這一開始可能需要一些時間，但后續(xù)加載應(yīng)該要快得多。

6. 用戶界面很簡單，只需輸入請求/查詢，LLM 就會解釋和響應(yīng)。慢慢。

7. 完成后，您可以按 CTRL + D 或鍵入 /bye 并按 Enter 鍵關(guān)閉會話。

Raspberry Pi 5 上的 DeepSeek 完全受 CPU 限制。它不能與任何 AI 加速器板一起使用。如果您具備知識和設(shè)備，可以通過 Raspberry Pi 5 上的 PCIe 連接器將其與 GPU 一起使用。由于缺乏設(shè)備，我們無法對此進(jìn)行測試，但永遠(yuǎn)無所畏懼的 Jeff Geerling 肯定會在不久的將來對此進(jìn)行測試。