周鸿祎称DeepSeek被市场严重低估
鳄鱼十三称DeepSeek，最大的价值是推动Ai普及
会不会利空英伟达的股价？先说结论:
- **单任务层面**：
DeepSeek类模型能显著降低算力需求。
- **行业整体层面**：算力需求是否下降取决于**技术优化速度**与**应用扩张速度**的竞争。当前趋势更倾向于“优化推动应用扩张，总需求仍可能增长”，但单位计算成本会持续下降。
- **关键价值**：高效模型的核心意义在于**让AI更普惠**（更低门槛、更广部署），而非单纯追求算力总量减少。
DeepSeek这类高效AI模型的设计目标之一通常是**在保持或提升性能的同时降低算力需求**，但其对整体AI算力需求的影响需要辩证看待。以下是具体分析：
---
**1. 直接降低单任务算力需求的可能**
- **模型轻量化**：
若DeepSeek通过模型剪枝、量化、蒸馏等技术减少参数量或计算复杂度，可显著降低单个任务的算力消耗。例如，将FP32精度模型量化为INT8，算力需求可能降低4倍以上。
- **推理优化**：
高效的推理框架（如TensorRT、ONNX Runtime）结合硬件加速（GPU/TPU），可进一步压缩推理时的资源占用。
- **案例支持**：
类似的高效模型（如TinyBERT、MobileNet）已在自然语言处理和视觉任务中证明，轻量化模型能在性能损失较小的情况下减少90%以上的计算量。
---
**2. 可能间接推高整体算力需求的场景**
- **应用场景扩展**：
算力需求下降可能促使AI技术更广泛落地（如部署到边缘设备或低端硬件），导致**总需求因应用数量激增而上升**。例如，手机端AI应用普及后，整体算力消耗可能不降反增。
- **模型规模持续增长**：
部分领域（如大语言模型）仍存在“越大越好”的趋势。若DeepSeek推动模型能力上限提升，可能刺激更大规模模型的研发，抵消单模型效率优化的收益。
- **训练成本居高不下**：
即使推理效率提升，训练高效模型（如DeepSeek）仍可能依赖大规模计算资源。若追求更高精度，训练阶段的算力消耗未必减少。
---
**3. 行业算力需求的长期趋势**
- **短期局部下降**：
在特定场景（如边缘计算、实时处理）中，高效模型会直接降低算力需求。
- **长期动态平衡**：
算力需求取决于**技术优化**与**应用规模扩张**的博弈。历史经验显示，硬件效率提升（如摩尔定律）常被激增的计算需求（如深度学习崛起）迅速覆盖，形成“杰文斯悖论”。
---
**4. 如何最大化降低算力成本？**
- **协同优化**：
结合高效模型（如DeepSeek）、专用硬件（TPU/ASIC）和分布式计算，实现端到端的算力节省。
- **需求分级**：
对性能要求低的场景使用轻量模型，高要求场景保留大模型，避免“一刀切”的资源浪费。
- **开源生态**：
通过社区共享优化后的模型和工具，减少重复训练和开发成本。
