Deepseek或是算力星辰大海的一朵“小浪花
1. 556萬美元遠遠低估DeepSeek v3真實訓練算力與未來發展需求
據DeepSeek V3論文，556萬美元的成本僅包括DeepSeek-V3 的正式訓練，不包括與架構、算法、數據相關的前期研究、消融實驗的成本。而基于充足前期準備進行正式訓練的成本往往都比較低，單獨討論正式訓練成本屬于斷章取義。以同樣在2025年1月發布的加州大學伯克利Sky-T1-32B-Preview為例，其正式訓練成本僅為450美元，但在數學能力等方面跑分超過OpenAI o1-Preview。
DeepSeeK V3論文：
Sky-T1-32B項目地址：網頁鏈接
2. 太陽底下無新鮮事：后發模型的算力效率優勢曾導致英偉達股價大跌，事后看只是算力需求發展星辰大海的小浪花
無獨有偶，2024年4月19日，Meta發布LLaMA 3大模型，從跑分數據來看70B參數的開源模型基本可與GPT4相媲美，引發了關于算力需求討論，當日英偉達大跌10%。而伴隨后續GPT4o、OpenAI o1等全新模型發布，訓練算力需求仍在持續擴大，事實上LLaMA 3發布后英偉達大跌后成為一輪新行情的起點。DeepSeek大模型的發布，或帶來更強的鲇魚效應，OpenAI CEO奧特曼對于Deepseek作為競爭對手很興奮，并宣布將加速發布更好的模型。
3. Jevons 悖論：降低AI行業進入門檻與成本，反而推動總需求上升
DeepSeek所有模型均為開源模型，即所有應用廠商一夜之間都擁有了可以比肩頂級AI的大模型，而且還可自行二次開發、靈活部署，這將加速AI應用的發展進程。當模型的成本越低，開源模型發展越好，模型的部署、使用就會更高頻率、更多數量。DeepSeek的突破讓很多人第一次認識到AI模型的實用價值，真正開始使用模型。有了更多低成本、本地、開源模型，Token的需求量會成千上萬倍的增加。這就是經濟學上著名的“杰文斯悖論”：
“當技術進步提高了資源使用的效率，不僅沒有減少這種資源的消耗，反而因為使用成本降低，刺激了更大的需求，最終導致資源使用總量反而上升。”
過去已經有很多的例子證明這點：
1、第一次工業革命期間蒸汽機效率的提高，使得市場上煤炭的消耗總量反而增加；
2、手機從大哥大年代到目前智能手機普及時代, 單價下降為十分之一左右，但手機市場放大數十倍。
3、如果一個家庭買了一臺更節能的空調。按理說，更節能的空調應該會減少電費支出。但實際發生的往往是：因為電費便宜了，這家人反而更舍得開空調了，不僅開得時間更長，溫度還調得更低，最后總電費不降反升。
模型算力效率突破，看起來影響單位計算的價格，進而壓縮高性能芯片供應商的利潤空間。但從更長的周期來看，恰恰會加速AI的普及和創新，帶來算力需求更大量級提升。
蛇年開啟，我們只要想清楚三個問題，DeepSeek造成的全球算力恐慌性拋售或是“新春紅包”：
1、大模型架構演進是否到了盡頭？DeepSeek R1反而說明架構演進創新正在持續，尤其在多模態、世界模型等領域，更多架構演進與創新正在進行；
2、大模型的性能目標是否已經達到？目前大模型距離AGI甚至ASI仍然有很長的路要走，強化學習本質上就是用算力完成數據自循環，需要更多更強的算力；
3、大模型的算力需求是否已經飽和？DeepSeek的目標是做開源的AGI，實現這一目標，降低大眾獲得AGI的門檻，無處不在訓練與部署AGI的算力需求是我們今天所不可想象的，那是真正的“星辰大海”。
通往AGI之路仍然漫長，我們堅信像DeepSeek一樣的玩家會越來越多，大家對中國AI產業的信心會越來越強，我們也將真正進入AI應用繁榮的起點。民生計算機
