在DeepSeek掀起的技術(shù)風暴中，一個廣泛流傳的觀點認為大模型的算力需求或許正面臨泡沫，存在過剩風險。然而，深入分析這一現(xiàn)象，我們發(fā)現(xiàn)事實遠非如此簡單。
DeepSeek-V3和R1模型的橫空出世，打破了“算力即霸權(quán)，規(guī)模即壁壘”的行業(yè)信條。DeepSeek以不到行業(yè)平均十分之一的成本，訓練出了效果卓越的大模型，這無疑引發(fā)了對算力邏輯的深刻反思。英偉達等傳統(tǒng)算力巨頭的股價因此受挫，市場擔憂算力需求下滑；而國產(chǎn)算力企業(yè)如海光信息、華為昇騰等，因成功適配DeepSeek模型，股價飆升或備受矚目。
這一分化現(xiàn)象揭示了業(yè)界對算力認知的轉(zhuǎn)變，從過去的“規(guī)模至上”轉(zhuǎn)變?yōu)椤靶蕛?yōu)先”。然而，算力需求的本質(zhì)并未消失，而是以更加復雜的形式重塑。DeepSeek的貢獻不僅在于算法優(yōu)化，更在于它大大降低了大模型的門檻，推動了大模型能力的普及。
以往，具備相同能力的大模型要么效果不佳，要么采取閉源收費策略，如GPT-4o。DeepSeek的出現(xiàn)迫使這些模型改變策略。同時，DeepSeek的低成本也激發(fā)了更多用戶嘗試大模型的熱情。中信建投指出，DeepSeek R1之所以能以較少的算力實現(xiàn)高性能，關(guān)鍵在于其算法、框架和硬件的協(xié)同優(yōu)化。
DeepSeek R1在算法層面引入了專家混合模型、多頭隱式注意力、多token預測等技術(shù)；在框架層面實現(xiàn)了FP8混合精度訓練；在硬件層面則采用了優(yōu)化的流水線并行策略，并高效配置了專家分發(fā)與跨節(jié)點通信。當前，大模型行業(yè)正處于從生成式模型向深度推理模型過渡的階段，算力需求也從預訓練階段逐步轉(zhuǎn)向后訓練和推理側(cè)。DeepSeek R1通過協(xié)同優(yōu)化，在特定階段實現(xiàn)了高效算力利用，算力行業(yè)的長期增長邏輯依然穩(wěn)固。
雖然單一模型的訓練和推理算力需求在下降，但由此帶來的技術(shù)普及卻催生了更大的算力需求。一方面，基礎大模型的競爭依然激烈，字節(jié)跳動、阿里巴巴等頭部玩家仍在加碼預訓練，高端算力需求持續(xù)增長。另一方面，AI應用的普及推動了推理算力的需求激增。DeepSeek的全球日活用戶迅速增長，盡管單個模型推理成本降低，但用戶規(guī)模和場景復雜度的擴張使得整體算力消耗不減反增。
這一現(xiàn)象與經(jīng)濟學家威廉·斯坦利·杰文斯提出的“杰文斯悖論”不謀而合。該悖論指出，當技術(shù)進步提高效率時，資源消耗往往會激增。如今，AI算力支撐大模型的效率更高，但算力需求也進入了新一輪上升周期。DeepSeek的開源戰(zhàn)略推動了其模型在教育、醫(yī)療、金融等領(lǐng)域的快速滲透，AI應用遍地開花。
例如，DeepSeek的視覺語言融合模型DeepSeek-VL2在工業(yè)質(zhì)檢中需要實時處理高分辨率圖像數(shù)據(jù)；代碼生成模型DeepSeek-Coder則需要支撐全球開發(fā)者的高頻調(diào)用。這些場景對低延遲、高并發(fā)的需求迫使算力基礎設施持續(xù)升級。某電商平臺引入DeepSeek后，日均處理咨詢量大幅提升，GPU集群規(guī)模也相應擴容。
DeepSeek的崛起無疑為中國AI產(chǎn)業(yè)注入了一劑強心針。國產(chǎn)AI算力廠商紛紛宣布適配DeepSeek，包括昇騰、海光、壁仞科技等多家企業(yè)。然而，在國產(chǎn)芯片融合方面，DeepSeek與其他國內(nèi)大模型并無本質(zhì)區(qū)別，其訓練和推理在很大程度上依然依賴于英偉達GPU。國產(chǎn)AI芯片廠商要走出自己的路，關(guān)鍵在于底層架構(gòu)要符合市場，上層軟件要整體適用，并具備足夠的標準化和開放性。
未來算力競爭將呈現(xiàn)三大趨勢：一是效率競賽轉(zhuǎn)向場景戰(zhàn)爭，誰能更低成本激活邊緣場景，誰將主導市場；二是硬件霸權(quán)讓位于架構(gòu)主權(quán)，模型定義硬件的能力比芯片制程更重要；三是國產(chǎn)替代升級為全球規(guī)則，中國通過DeepSeek驗證的軟硬協(xié)同路徑，或?qū)⒊蔀槿駻I算力新范式。
DeepSeek讓我們更加清晰地認識到，在智能時代，最關(guān)鍵的資源或許不是芯片，而是人的創(chuàng)造力。隨著DeepSeek等先進模型的影響，硬件生態(tài)系統(tǒng)能否趨于統(tǒng)一和標準化，將是一個值得期待的問題。
