DeepSeek為什么能辦到,？

　　最近，一家名不見(jiàn)經(jīng)傳的AI企業(yè)突然搞出了一個(gè)震驚AI圈的大新聞,。12月26日晚間,，杭州深度求索人工智能基礎(chǔ)技術(shù)研究有限公司（以下簡(jiǎn)稱(chēng)“深度求索”）發(fā)布了其全新系列模型DeepSeek-V3的首個(gè)版本，并同步對(duì)模型進(jìn)行了開(kāi)源,。

　　根據(jù)“深度求索”方面公布的信息,，DeepSeek-V3在知識(shí)類(lèi)任務(wù)（MMLU、MMLU-Pro,、GPQA,、SimpleQA）上的水平相比前代DeepSeek-V2.5有顯著提升，接近當(dāng)前表現(xiàn)最好的模型——An－thropic公司于10月發(fā)布的Claude-3.5-Sonnet-1022,。在2024年的美國(guó)數(shù)學(xué)邀請(qǐng)賽（AIME）和全國(guó)高中數(shù)學(xué)聯(lián)賽（CNMO）等比賽中,，DeepSeek-V3的表現(xiàn)顯著優(yōu)于其他所有開(kāi)源和閉源模型。另外,，在生成速度上,，DeepSeek-V3的生成吐字速度從20TPS（TransactionsPerSecond，每秒事務(wù)數(shù)量）大幅提高至60TPS,，相比V2.5模型實(shí)現(xiàn)了3倍的提升,，給用戶帶來(lái)了更為流暢的使用體驗(yàn)。

　　本來(lái),，在AI大模型如過(guò)江之鯽的今天,，一個(gè)新模型的發(fā)布已經(jīng)很難成為一樁新聞。雖然從披露的信息看,，DeepSeek-V3確實(shí)可圈可點(diǎn)，但在GPT-o1、Claude-3.5-Sonnet等競(jìng)品面前,，它也很難給人留下深刻的印象,。然而，當(dāng)另一個(gè)數(shù)據(jù)公布之后,，整個(gè)AI圈卻不約而同地為之側(cè)目,。根據(jù)模型附帶的技術(shù)論文，DeepSeek-V3的訓(xùn)練僅使用了278.8萬(wàn)個(gè)H800GPU小時(shí),。按照H800GPU每GPU小時(shí)租金2美元計(jì)算,，其總訓(xùn)練成本僅為557.6萬(wàn)美元。而對(duì)比之下,，和它類(lèi)似體量的Llama3模型的訓(xùn)練則用了3930萬(wàn)H100GPU小時(shí),。按算力計(jì)算，這大約夠訓(xùn)練DeepSeek-V3模型十五次,?？紤]到H100GPU的租金價(jià)格要比 H800GPU更高，DeepSeek-V3的訓(xùn)練成本大約僅有Llama3模型的二十分之一,，而其在性能方面毫不遜于后者,，甚至有所超越。

　　既然訓(xùn)練成本降下來(lái)了,，模型的使用成本自然也就隨之降低,。目前,，DeepSeek-V3模型API服務(wù)的價(jià)格為每百萬(wàn)輸入詞元（token）0.15美元，每百萬(wàn)輸出詞元0.3美元,；對(duì)比之下,，GPT-o1模型的價(jià)格為每百萬(wàn)輸入詞元2.5美元，每百萬(wàn)輸出詞元10美元,；Claude-3.5-Sonnet模型的價(jià)格為每百萬(wàn)輸入詞元3美元,，每百萬(wàn)輸出詞元15美元。也就是說(shuō),，DeepSeek-V3已經(jīng)成功將價(jià)格降到了主要對(duì)手的十分之一以下,。

　　在DeepSeek-V3模型發(fā)布之后，筆者也第一時(shí)間體驗(yàn)了一下這款新模型,?？陀^地說(shuō)，如果與GPT-o1等閉源模型相比,，DeepSeek-V3在總體表現(xiàn)上依然稍顯遜色,。不過(guò)，考慮到它低廉的成本,，其性價(jià)比優(yōu)勢(shì)可謂彰顯無(wú)遺,。業(yè)界一直戲稱(chēng)DeepSeek模型為“AI界的拼多多”，此言確實(shí)不虛,！

　　長(zhǎng)期以來(lái),，大模型的訓(xùn)練一直以耗費(fèi)算力、成本高昂著稱(chēng),。那么,，DeepSeek-V3究竟為什么可以以如此低廉的價(jià)格成功完成訓(xùn)練？其中的奧秘,，很大程度上來(lái)自該模型使用的“混合專(zhuān)家模型”（MixtureofExperts,，簡(jiǎn)稱(chēng)MoE）架構(gòu)。

　　MoE的思想最早可以追溯到上世紀(jì)90年代初,。根據(jù)這一思想,，可以通過(guò)將多個(gè)實(shí)現(xiàn)專(zhuān)門(mén)功能的網(wǎng)絡(luò)組合在一起，構(gòu)成一個(gè)應(yīng)對(duì)多樣化任務(wù)的網(wǎng)絡(luò),。每一個(gè)子網(wǎng)絡(luò)被稱(chēng)為一個(gè)“專(zhuān)家”,，而由它們構(gòu)成的組合則被稱(chēng)為一個(gè)“專(zhuān)家組”。為了讓這些“專(zhuān)家”更好地協(xié)調(diào),，網(wǎng)絡(luò)中會(huì)安排一個(gè)協(xié)調(diào)者,。當(dāng)面對(duì)任務(wù)時(shí)，這個(gè)協(xié)調(diào)者負(fù)責(zé)將任務(wù)拆分和歸類(lèi)，并分配到最對(duì)口的“專(zhuān)家”那里,。如此一來(lái),，整個(gè)“專(zhuān)家組”結(jié)合在一起，就可以處理各種復(fù)雜任務(wù),。2021年,，谷歌的工程師發(fā)現(xiàn)了MoE架構(gòu)在大模型訓(xùn)練上的價(jià)值。他們指出,，這種架構(gòu)可以將原本訓(xùn)練整個(gè)大模型的任務(wù)分解為訓(xùn)練多個(gè)“專(zhuān)家”模型。由于每個(gè)“專(zhuān)家”模型比整個(gè)大模型小得多,，其訓(xùn)練對(duì)算力的要求也大幅降低,。不僅如此，在MoE架構(gòu)下,，不同“專(zhuān)家”可以并行訓(xùn)練,，訓(xùn)練時(shí)長(zhǎng)也隨之縮短，從而顯著提高訓(xùn)練效率,。

　　為了幫助讀者更直觀地理解MoE架構(gòu),，我們不妨來(lái)看金庸小說(shuō)《天龍八部》中的一段情節(jié)。在小說(shuō)第十回《劍氣碧煙橫》中,，吐蕃國(guó)師鳩摩智要求大理天龍寺限期交出《六脈神劍劍譜》,。天龍寺的枯榮大師不愿就范，希望與幾位高僧一起緊急修煉六脈神劍以拒敵,。不幸的是,，這幾位高僧的武學(xué)資質(zhì)較為平庸，難以單獨(dú)練成這門(mén)絕世武功,。情急之下,，枯榮大師想出了一個(gè)辦法：讓六位高僧分別修煉“六脈”中的一脈。通過(guò)分工,，六位高僧終于在有限時(shí)間內(nèi)各自練成一脈神劍,。在對(duì)戰(zhàn)鳩摩智時(shí)，六位高僧組成“六脈劍陣”,，在枯榮大師的指揮下成功與鳩摩智周旋,。

　　這段劇情很好地說(shuō)明了MoE的本質(zhì)。如果將六脈神劍中的每一脈視為一個(gè)任務(wù),，六脈神劍便是一個(gè)多任務(wù)的大模型,。故事中，練習(xí)六脈神劍需要強(qiáng)大資質(zhì),，如同現(xiàn)實(shí)中大模型訓(xùn)練對(duì)算力的高要求,。而枯榮大師讓高僧們各修一脈的做法，相當(dāng)于將模型拆分為六個(gè)“專(zhuān)家”,。通過(guò)這樣的任務(wù)分解,，本身資質(zhì)有限的高僧們得以速成六分之一的武功,，并通過(guò)組合達(dá)成類(lèi)似完整版六脈神劍的效果。類(lèi)似地,，幾個(gè)訓(xùn)練好的“專(zhuān)家”模型經(jīng)過(guò)加總與協(xié)調(diào),，也可實(shí)現(xiàn)完整模型的功能，同時(shí)訓(xùn)練門(mén)檻和總成本遠(yuǎn)低于直接訓(xùn)練整個(gè)大模型,。

　　當(dāng)然,，相比完整訓(xùn)練的模型，用MoE架構(gòu)訓(xùn)練的模型也存在弊端,。例如小說(shuō)中,，鳩摩智趁人不備偷襲劍陣成員之一保定帝，導(dǎo)致劍陣失去威力,。如果保定帝修煉的是完整的六脈神劍,，鳩摩智或許難以輕易得手。同樣,，由于MoE模型的“專(zhuān)家”是分別訓(xùn)練的,，其通用性較差，對(duì)復(fù)雜任務(wù)的完成高度依賴協(xié)調(diào)系統(tǒng),。如果協(xié)調(diào)模塊出現(xiàn)問(wèn)題,，模型能力將大打折扣。

　　盡管如此,，MoE架構(gòu)在降低模型訓(xùn)練門(mén)檻,、減少訓(xùn)練成本方面的貢獻(xiàn)無(wú)可否認(rèn)。這次DeepSeek-V3的爆冷成功,，充分說(shuō)明了這一技術(shù)路線的價(jià)值,。可以預(yù)見(jiàn),，隨著MoE及其他技術(shù)路線（如模型剪枝,、知識(shí)蒸餾、稀疏性等）的逐步成熟,，AI模型訓(xùn)練將迎來(lái)一個(gè)低成本的新時(shí)代,。那么，接下來(lái)會(huì)發(fā)生什么呢,？

　　算力不重要了嗎,？

　　DeepSeek-V3問(wèn)世后，不少人預(yù)測(cè),，這將導(dǎo)致AI行業(yè)對(duì)算力需求的大幅回落,，其后果是，以英偉達(dá)為代表的一批算力企業(yè)的業(yè)績(jī)和市值將受到重創(chuàng)。這種觀點(diǎn)頗具影響力,。事實(shí)上,，就在DeepSeek-V3發(fā)布之后，A股算力板塊經(jīng)歷了一輪集體下跌,，一些專(zhuān)家認(rèn)為,，這是對(duì)算力需求預(yù)期回落的直接反應(yīng)。那么,，情況真的會(huì)這樣嗎,？在回答這一問(wèn)題前，我們不妨回顧一段歷史,。

　　19世紀(jì)中期,，英國(guó)正處于工業(yè)革命高峰期，煤炭作為主要能源,，支撐了蒸汽機(jī)、鋼鐵工業(yè)和交通運(yùn)輸?shù)阮I(lǐng)域的快速發(fā)展,。煤炭的廣泛使用促進(jìn)了工業(yè)化和經(jīng)濟(jì)增長(zhǎng),，但也導(dǎo)致了對(duì)煤炭的過(guò)分依賴和過(guò)度消耗。在這樣的背景下,，許多學(xué)者開(kāi)始反思煤炭使用的可持續(xù)性問(wèn)題,。

　　英國(guó)經(jīng)濟(jì)學(xué)家威廉·斯坦利·杰文斯（WilliamStanleyJevons）是其中的代表人物之一。熟悉經(jīng)濟(jì)思想史的人對(duì)杰文斯不會(huì)陌生,。他與卡爾·門(mén)格爾（CarlMenger）,、萊昂·瓦爾拉斯（LéonWalras）并稱(chēng)“邊際革命三杰”，推動(dòng)了經(jīng)濟(jì)學(xué)研究范式從古典向新古典的轉(zhuǎn)變,。杰文斯在應(yīng)用經(jīng)濟(jì)學(xué)領(lǐng)域也有諸多貢獻(xiàn),，其中之一便是他提出的“杰文斯悖論”（JevonsParadox）。

　　1865年,，杰文斯在著作《煤炭問(wèn)題》（TheCoalQuestion）中分析了英國(guó)煤炭使用和開(kāi)采的趨勢(shì),，得出一個(gè)令人憂慮的結(jié)論：隨著經(jīng)濟(jì)發(fā)展，煤炭供給將難以滿足需求,，若該趨勢(shì)持續(xù),，煤炭資源將枯竭，英國(guó)經(jīng)濟(jì)將遭受重創(chuàng),。他還反駁了“能源使用效率提升能緩解資源枯竭”這一流行觀點(diǎn),。他寫(xiě)道：“認(rèn)為燃料的節(jié)約使用等于消費(fèi)的減少，這是一個(gè)誤導(dǎo)人的觀點(diǎn),。事實(shí)上,，新的經(jīng)濟(jì)模式反而會(huì)導(dǎo)致消費(fèi)的增加。”杰文斯認(rèn)為,，更高的煤炭使用效率提高了煤炭的性價(jià)比,，刺激了更多人使用煤炭，最終使煤炭總消耗增加,。這一效率與總量之間的矛盾即為“杰文斯悖論”,。

　　盡管杰文斯對(duì)煤炭枯竭的預(yù)測(cè)未成現(xiàn)實(shí)，《煤炭問(wèn)題》并未廣為人知,，但“杰文斯悖論”卻在后續(xù)研究中被多次驗(yàn)證,。例如，歐美交通行業(yè)的研究表明,，雖然汽車(chē)燃油效率不斷提高,，但汽車(chē)保有量和使用量的增長(zhǎng)使能源總消耗未顯著減少。同樣,，在日,、德等國(guó)家的家庭用電研究中，節(jié)能電器的引入并未帶來(lái)預(yù)期的能源需求下降,。

　　將模型訓(xùn)練算力需求下降與這一歷史對(duì)比,，不難發(fā)現(xiàn)兩者間存在諸多相似點(diǎn)。因此,，有理由推測(cè),，“杰文斯悖論”可能在算力領(lǐng)域再次上演。也就是說(shuō),，模型訓(xùn)練所需算力的下降,，可能非但不會(huì)讓市場(chǎng)上對(duì)算力的總需求下降，反而可能激發(fā)對(duì)算力總需求的增長(zhǎng),。具體來(lái)說(shuō),，目前有如下幾股力量可能導(dǎo)致這一現(xiàn)象的出現(xiàn)：

　　首先，隨著訓(xùn)練模型需要的算力減少,，大量算力資源可能會(huì)被轉(zhuǎn)投入推理端,。從目前算力市場(chǎng)的需求結(jié)構(gòu)來(lái)看，訓(xùn)練和推理的比例大約是7：3,。換言之,，當(dāng)前約有70%的算力用于模型訓(xùn)練，僅30%用于推理,。然而,，這并不意味著推理端的算力需求較少。事實(shí)上,，當(dāng)前各大AI供應(yīng)商的推理算力普遍不足,。以O(shè)penAI為例,，近期不少用戶反映，其旗下的GPT-4o和GPT-4出現(xiàn)了較為明顯的“降智”現(xiàn)象,，而這正是由于推理算力不足所導(dǎo)致的算力使用總體控制問(wèn)題,。即便是像OpenAI這樣資源雄厚的企業(yè)尚且如此，推理算力的稀缺性也可見(jiàn)一斑?，F(xiàn)階段,，多數(shù)AI企業(yè)將大量算力配置于訓(xùn)練端，主要是因?yàn)橛?xùn)練的重要性更高——如果模型本身不夠優(yōu)秀,，后續(xù)推理環(huán)節(jié)便無(wú)從談起,。因此，即使訓(xùn)練算力需求下降,，短期內(nèi)節(jié)省的算力資源也會(huì)迅速被轉(zhuǎn)用于推理端,，從而導(dǎo)致算力總需求難以顯著下降。

　　其次,，隨著模型訓(xùn)練算力需求的減少,，AI企業(yè)可能會(huì)選擇開(kāi)發(fā)更多、更優(yōu)秀的模型,，從而顯著提升算力總需求,。當(dāng)前，AI大模型賽道內(nèi)卷嚴(yán)重,，每家企業(yè)為了在競(jìng)爭(zhēng)中占據(jù)一席之地,，往往會(huì)選擇在既有算力資源下開(kāi)發(fā)更多的模型,，或?qū)①Y源集中于少數(shù)重點(diǎn)模型的訓(xùn)練中,。無(wú)論采用哪種策略，激烈的競(jìng)爭(zhēng)都將促使企業(yè)最大化利用其可支配的算力,。換言之,，單個(gè)模型訓(xùn)練算力需求的下降，只是放寬了企業(yè)的選擇空間,，而企業(yè)依然會(huì)耗盡其手中所有算力,。

　　再次，模型訓(xùn)練算力需求的下降可能會(huì)降低行業(yè)門(mén)檻,，吸引更多新企業(yè)進(jìn)入市場(chǎng),，從而顯著提升算力總需求。以往,，模型訓(xùn)練所需的高昂算力成本是進(jìn)入AI市場(chǎng)的主要門(mén)檻,，阻擋了許多創(chuàng)業(yè)者。然而,，隨著訓(xùn)練算力成本的下降,，這些創(chuàng)業(yè)者中的一部分將能夠進(jìn)入市場(chǎng),，創(chuàng)立自己的AI企業(yè)，進(jìn)而創(chuàng)造出新的算力需求,。這種新增需求可能是極為龐大的,。

　　最后，隨著模型訓(xùn)練成本的下降,，模型使用成本也將降低,，從而吸引更多用戶采用大模型，進(jìn)一步推動(dòng)算力需求的增長(zhǎng),。這種情況類(lèi)似于福特T型車(chē)的故事,。20世紀(jì)初，汽車(chē)的平均售價(jià)約為4700美元,，高昂的價(jià)格讓大部分家庭望而卻步,，導(dǎo)致汽車(chē)市場(chǎng)規(guī)模難以擴(kuò)張。亨利·福特在1903年創(chuàng)立公司后,，通過(guò)改進(jìn)制造工藝,、引入流水線技術(shù)等手段，將福特T型車(chē)的生產(chǎn)成本降至800美元,，售價(jià)壓低到850美元,，使得更多家庭能夠負(fù)擔(dān)得起汽車(chē)。這一改變不僅擴(kuò)大了汽車(chē)市場(chǎng)需求,，還推動(dòng)了福特公司的產(chǎn)能增長(zhǎng),，最終實(shí)現(xiàn)了規(guī)模經(jīng)濟(jì)。到1914年,，福特T型車(chē)的生產(chǎn)成本進(jìn)一步降至200美元,，售價(jià)僅為260美元。盡管單車(chē)價(jià)格降至原來(lái)的十分之一,，整個(gè)汽車(chē)市場(chǎng)的規(guī)模卻增長(zhǎng)了許多倍,。在我看來(lái)，如今的大模型市場(chǎng)可能正在復(fù)制這一百年前的故事,。

　　綜合以上分析,，DeepSeek-V3引發(fā)的訓(xùn)練成本下降可能成為“杰文斯悖論”的又一例證?？傮w來(lái)看,，算力需求不僅不會(huì)減少，反而可能因此顯著增加,。

　　算力門(mén)檻降低是一連串的事件

　　需要指出的是,，雖然在我看來(lái)，DeepSeek-V3的成功不會(huì)降低AI對(duì)算力的總需求,，但這并不意味著這個(gè)事件本身并不重要,。事實(shí)上,，在我看來(lái)，這一事件的影響十分深遠(yuǎn),，從某種意義上講,，它甚至?xí)淖冋麄€(gè)AI市場(chǎng)的競(jìng)爭(zhēng)格局。要說(shuō)明這一點(diǎn),，我們需要先對(duì)AI市場(chǎng)的結(jié)構(gòu)有一個(gè)基本的了解,。

　　當(dāng)我們提到AI市場(chǎng)時(shí)，實(shí)際上是在討論一個(gè)多層次的市場(chǎng)：

　　底層是基礎(chǔ)支持層,，包括訓(xùn)練和開(kāi)發(fā)AI所需的軟硬件,。在這一層中，GPU市場(chǎng)是最核心,、最受關(guān)注的部分,。眾所周知，目前在這一市場(chǎng)上,，英偉達(dá)可謂一家獨(dú)大,。根據(jù)咨詢機(jī)構(gòu)Techsight發(fā)布的數(shù)據(jù)，2023年全球數(shù)據(jù)中心GPU出貨量為385萬(wàn)顆,，其中英偉達(dá)的市場(chǎng)份額高達(dá)98%,，第二名AMD僅占1.2%，英特爾不足1%,。英偉達(dá)能夠取得這樣的市場(chǎng)地位,，很大程度上依賴于大模型訓(xùn)練對(duì)算力的高要求。在訓(xùn)練過(guò)程中,，數(shù)以萬(wàn)計(jì)的GPU需要高效協(xié)同,，而英偉達(dá)在GPU協(xié)同性能方面表現(xiàn)尤為出色。正因如此,，各大AI企業(yè)即使面對(duì)英偉達(dá)的高價(jià)策略,，也不得不被動(dòng)接受——用經(jīng)濟(jì)學(xué)的術(shù)語(yǔ)來(lái)說(shuō),，英偉達(dá)利用了其技術(shù)上的獨(dú)特優(yōu)勢(shì),，成功獲取了高于市場(chǎng)價(jià)的“租”（rent）。

　　中間層是基礎(chǔ)模型層,，主要參與者是開(kāi)發(fā)和提供基礎(chǔ)大模型的AI企業(yè),。過(guò)去幾年中，這一層的競(jìng)爭(zhēng)最為激烈,。為了爭(zhēng)奪市場(chǎng),，數(shù)百家AI企業(yè)紛紛使出渾身解數(shù)。在“百模大戰(zhàn)”后,，市場(chǎng)逐漸由幾家互聯(lián)網(wǎng)巨頭和少數(shù)新崛起的AI企業(yè)主導(dǎo),，其他眾多參與者則陸續(xù)退出市場(chǎng),。在這一過(guò)程中，有兩點(diǎn)值得注意：首先,，一些失敗的企業(yè)盡管技術(shù)能力優(yōu)秀,，卻因難以負(fù)擔(dān)巨大的算力成本而不得不退出，這無(wú)疑限制了市場(chǎng)的多樣性和可能性,；其次,，即便是那些在“百模大戰(zhàn)”中獲勝的企業(yè)，從成本收益的角度來(lái)看,，也未必是真正的贏家,。雖然部分企業(yè)實(shí)現(xiàn)了可觀營(yíng)收，但大部分收入轉(zhuǎn)手支付給了英偉達(dá)等算力供應(yīng)商,。從整體來(lái)看,，大模型企業(yè)普遍難以實(shí)現(xiàn)盈利。

　　最上層是AI的應(yīng)用層,，即將基礎(chǔ)AI模型與各行業(yè)實(shí)踐相結(jié)合的領(lǐng)域,。最值得關(guān)注的是各種“AI智能體”（AIAgent）。許多專(zhuān)家預(yù)測(cè),，在未來(lái)幾年,，AI智能體將成為AI應(yīng)用的核心。例如,，巴克萊資本公司的一份報(bào)告預(yù)計(jì),，到2026年，消費(fèi)端AI智能體的日活躍用戶將突破10億,，企業(yè)端AI智能體的采用率也可能覆蓋全球70億軟件任務(wù)的5%,。然而，這一趨勢(shì)同樣需要大量算力支持,。巴克萊的報(bào)告指出,，為滿足如此龐大的算力需求，行業(yè)GPU支出需增加4000億美元,，而這筆巨額支出最終將成為新的“租”,，流入英偉達(dá)等GPU供應(yīng)商的口袋。

　　DeepSeek-V3的成功及其引發(fā)的訓(xùn)練成本大幅下降,，可能對(duì)上述各層市場(chǎng)的競(jìng)爭(zhēng)格局產(chǎn)生深遠(yuǎn)影響,。

　　基礎(chǔ)支持層的格局可能迎來(lái)巨變。盡管英偉達(dá)仍可憑借既有優(yōu)勢(shì)占據(jù)大部分市場(chǎng)份額,，但其一家獨(dú)大的局面可能被打破,。隨著訓(xùn)練算力門(mén)檻降低，一些企業(yè)或許會(huì)放棄“萬(wàn)卡集群”,，轉(zhuǎn)而選擇更小規(guī)模的GPU集群進(jìn)行模型訓(xùn)練,，對(duì)GPU協(xié)同性能的需求也隨之降低,，從而削弱英偉達(dá)的傳統(tǒng)優(yōu)勢(shì)。這為AMD,、英特爾等競(jìng)爭(zhēng)者提供了機(jī)會(huì),，其他潛在的市場(chǎng)進(jìn)入者也可能因此獲益。市場(chǎng)競(jìng)爭(zhēng)的加劇將削弱英偉達(dá)的議價(jià)權(quán),，讓AI模型企業(yè)保留更多利潤(rùn),。

　　基礎(chǔ)模型市場(chǎng)的競(jìng)爭(zhēng)可能重新變得激烈。一些意外的“顛覆式創(chuàng)新”也可能隨之出現(xiàn),。如前所述,，在“百模大戰(zhàn)”中，有不少企業(yè)原本具備較好的技術(shù)能力,，卻因難以負(fù)擔(dān)巨大的算力成本而被迫退出市場(chǎng),。可以預(yù)料的是,，隨著算力成本變得更加可控,，其中一部分企業(yè)將重新進(jìn)入市場(chǎng)。再加上一些新競(jìng)爭(zhēng)者的加入,，整個(gè)市場(chǎng)的競(jìng)爭(zhēng)程度可能會(huì)顯著提升,。

　　需要指出的是，訓(xùn)練成本降低對(duì)基礎(chǔ)模型市場(chǎng)競(jìng)爭(zhēng)格局的改變,，可能不僅體現(xiàn)在“量”的層面,，還會(huì)在“質(zhì)”上產(chǎn)生深遠(yuǎn)影響,。著名戰(zhàn)略學(xué)家克里斯藤森（ClaytonChristensen）提出了“顛覆式創(chuàng)新”（DisruptiveInnovation）的概念。這類(lèi)創(chuàng)新的特點(diǎn)是,，創(chuàng)新者的產(chǎn)品在初期性能通常較差，難以吸引高端用戶群體,。但它們往往以高性價(jià)比為切入點(diǎn),，先從中低端用戶群體中獲得突破，逐步擴(kuò)大市場(chǎng)份額,。在此過(guò)程中,，產(chǎn)品會(huì)快速迭代,，性能持續(xù)提升,，最終可能超越市場(chǎng)上的主流產(chǎn)品，成為新的主流,。

　　以此為標(biāo)準(zhǔn)觀察AI大模型市場(chǎng),，已經(jīng)有不少企業(yè)在嘗試走“顛覆式創(chuàng)新”的路線,。雖然它們的性能確實(shí)不及GPT、Claude等頭部大模型,，但它們已經(jīng)能夠滿足用戶的基本需求,。而且，這些企業(yè)在實(shí)踐中表現(xiàn)出較快的產(chǎn)品迭代速度,，產(chǎn)品特征也在迭代過(guò)程中日益顯著,。可以說(shuō),，如果給它們足夠的時(shí)間,，即使它們無(wú)法徹底顛覆GPT，也至少有可能開(kāi)發(fā)出與GPT存在明顯差異化的產(chǎn)品,，并在市場(chǎng)上占據(jù)一席之地,。

　　然而，受限于高昂的訓(xùn)練成本,，這些企業(yè)的創(chuàng)新頻率被嚴(yán)重抑制,，缺乏盈利能力也容易讓投資者喪失耐心。在這種重重壓力下,，能夠堅(jiān)持到開(kāi)發(fā)出符合市場(chǎng)需求產(chǎn)品的企業(yè)可謂鳳毛麟角,。而當(dāng)模型訓(xùn)練成本大幅降低后，這些企業(yè)將迎來(lái)全新的機(jī)會(huì),。相比過(guò)去,，同樣的一筆投資能夠支撐它們更長(zhǎng)時(shí)間，從而顯著提高其實(shí)現(xiàn)“顛覆式創(chuàng)新”的可能性,。

　　AI應(yīng)用市場(chǎng)可能因此更加繁榮,。訓(xùn)練成本下降后，AI企業(yè)將有更多自由度選擇將算力用于訓(xùn)練還是推理,。許多企業(yè)可能會(huì)選擇在推理端投入更多算力,，從而推動(dòng)AI應(yīng)用生態(tài)的發(fā)展。與基礎(chǔ)支持層和基礎(chǔ)模型層不同,，應(yīng)用層直接面向C端用戶,。當(dāng)這個(gè)市場(chǎng)進(jìn)一步發(fā)展時(shí)，反過(guò)來(lái)將對(duì)基礎(chǔ)支持層和模型層形成有力推動(dòng),，實(shí)現(xiàn)整個(gè)AI市場(chǎng)的良性循環(huán),。

　　綜上所述，模型訓(xùn)練算力需求的下降可能是整個(gè)AI行業(yè)的一個(gè)轉(zhuǎn)折點(diǎn),。它引發(fā)的一系列連鎖效應(yīng)有望在未來(lái)幾年改變市場(chǎng)的基本面貌,。

　　一些隨想

　　本來(lái)，暢想完DeepSeek-V3可能給整個(gè)行業(yè)帶來(lái)的影響后，本文也該結(jié)束了,。但在擱筆之前,，筆者還是想再說(shuō)幾句隨想。

　　就在幾天前,，DeepSeek-V3的發(fā)布者——“深度求索”這個(gè)名字,，還幾乎無(wú)人知曉。甚至有幾位業(yè)內(nèi)人士在聽(tīng)到DeepSeek-V3后,，特地來(lái)問(wèn)我,，這家公司到底是何方神圣。這其實(shí)并不奇怪,。畢竟從理論上講,，“深度求索”成立才一年多時(shí)間，在強(qiáng)敵林立的大模型賽道上,，它并不算出名,。事實(shí)上，在此次因DeepSeek-V3一舉出圈之前,，關(guān)于它的最大新聞還是其上一款 AI模型DeepSeek-V2曾將大模型的使用價(jià)格“砍”掉了90%以上,，從而帶頭挑起了大模型的價(jià)格戰(zhàn)。然而,，沒(méi)過(guò)多久,，騰訊、字節(jié)跳動(dòng),、阿里巴巴等巨頭紛紛加入了這場(chǎng)價(jià)格戰(zhàn),，結(jié)果，最初的帶頭人反而被遺忘了,。

　　盡管“深度求索”本身并不出名,，但其母公司——幻方量化的知名度卻要高得多。早在去年,，就有媒體曝出,，國(guó)內(nèi)GPU數(shù)量最多的企業(yè)并非AI公司，而是這家從事量化投資的金融公司,。更令人驚訝的是,，在眾多AI公司意識(shí)到算力的重要性之前，幻方量化早已悄悄囤積了1.1萬(wàn)張GPU顯卡,。當(dāng)時(shí),，許多人好奇地問(wèn)：一家金融公司究竟需要這么多GPU做什么？而隨著DeepSeek-V3的成功,，這個(gè)問(wèn)題似乎已經(jīng)得到了完美的回答,。

　　有意思的是,，盡管幻方量化手握上萬(wàn)張顯卡，但它并未像許多AI企業(yè)那樣,，通過(guò)“堆算力”的方式訓(xùn)練模型,。相反,，它選擇了“過(guò)緊日子”,，積極探索如何降低模型訓(xùn)練的成本。精打細(xì)算,，這或許正是金融人和技術(shù)人在思維上的根本區(qū)別吧,！

　　這一次，AI市場(chǎng)或許將因?yàn)檫@種金融思維而發(fā)生不同尋常的變化,。