尽管DeepSeek在(zai)技(ji)术上取得了巨大进步，但其在(zai)中国境外的未来发展仍面临不确定性，部分西方机构和政府已(yi)开始限(xian)制使用其服务。然而，全(quan)球人工智能领域都(dou)在(zai)密切关注DeepSeek如何以如此低的成本实现领先性能。如果DeepSeek的方法能够被(bei)广泛复制，那(na)么对(dui)于(yu)东南亚地区(qu)、澳(ao)大利亚、新西兰等中小(xiao)型国家而言，或许将有机会以更低的成本进入基础模型领域，这在(zai)过去是难以想(xiang)象的。

对(dui)于(yu)澳(ao)新地区(qu)的数据(ju)中心运营(ying)商而言，人工智能技(ji)术成本的潜在(zai)降低，无疑缓(huan)解了对(dui)外国模型安全(quan)性和可靠性风险的担忧。Macquarie Data Centres的高管David Hirst指出，人工智能行业的发展速度(du)远超以往任何技(ji)术趋势，且仍处于(yu)早期阶段。他认为，人工智能正在(zai)并将继续证(zheng)明，它是世界上发展最快的技(ji)术之一，而我们才刚刚触及(ji)人工智能所能实现的冰山一角。人工智能将从根本上改变(bian)所有行业的运作方式以及(ji)人类的潜力。以Deepseek为例，从2024年1月5日(ri)，DeepSeek发布了首(shou)个大模型DeepSeek LLM到2024年12月26日(ri)，正式上线(xian)DeepSeek-V3模型，并同(tong)步开源，标准着全(quan)球首(shou)个全(quan)开源的混(hun)合专家（MoE）模型出现，再(zai)到2025年1月20日(ri)发布的DeekSeek-R1推理大模型。从在(zai)极短的时间内，人工智能已(yi)取得显著进展。大型语言模型的快速发展，从模型的迭代、算力的更新，到训练和推理成本的下降，再(zai)到智能体(ti)的产品形态出现，人工智能正在(zai)不断提高行业效率，并最终降低成本。DeepSeek模型的创新，通过简化(hua)训练过程和更有效地利用硬件，标志着在(zai)降低人工智能训练和推理门槛方面迈出了重要一步，为更多企(qi)业应用这项技(ji)术打开了大门。

DeepSeek R1的技(ji)术特点：效率与成本优势

DeepSeek R1模型的出现之所以能引(yin)发行业震动(dong)，核心在(zai)于(yu)其在(zai)效率和成本控制上的突破(po)。DeepSeek通过一系列技(ji)术创新，实现了在(zai)相对(dui)较低的算力投入下，获得可媲美甚至超越头部模型的性能表现。这些技(ji)术特点主要包括：

•混(hun)合专家模型（Mixture-of-Experts,MoE）：MoE架构是DeepSeek R1降低算力需求的关键。与传统的稠密模型不同(tong)，MoE模型包含多个“专家”子网络，每个子网络专门处理特定类型的输入。在(zai)推理过程中，模型会根据(ju)输入内容动(dong)态选择激活部分专家网络，而非(fei)所有网络，从而大幅减少计算量，提高推理效率。DeepSeek将MoE技(ji)术与模型架构深度(du)融合，实现了性能与效率的平衡。

•多头潜注意(yi)力机制（MLA）：该技(ji)术为DeepSeek团(tuan)队(dui)独(du)创，针对(dui)传统Transformer模型的“多头注意(yi)力机制”在(zai)处理长文本时容易“分心”的问题，MLA通过压缩关键信息，让模型更聚焦核心内容这种协同(tong)优化(hua)方法，能够最大化(hua)硬件资源的利用效率，降低整体(ti)算力需求。

•PTX汇编语言优化(hua)：为了更充分地挖掘硬件潜力，DeepSeek甚至深入到硬件底层(ceng)，采用PTX汇编语言对(dui)核心计算模块进行优化(hua)。PTX汇编语言是一种针对(dui)NVIDIAGPU的底层(ceng)编程语言，通过精(jing)细的汇编级优化(hua)，可以最大限(xian)度(du)地提升代码执行效率，减少不必要的计算开销。这种极致的优化(hua)精(jing)神，体(ti)现了DeepSeek在(zai)算力效率上的极致追求。

•蒸馏技(ji)术与分布式/边缘计算架构：DeepSeek推出了一项卓越的模型蒸馏技(ji)术，该技(ji)术实现了将高性能AI模型的核心推理能力高效移植至轻量化(hua)版本中的目标。这一突破(po)不仅结合了开源与轻量化(hua)的双重优势，进一步降低了人工智能技(ji)术的应用门槛，同(tong)时也为边缘计算领域带来了前所未有的发展机遇。企(qi)业能够依据(ju)自身行业特点，在(zai)本地进行模型训练，使得原本依赖于(yu)高性能服务器和稳定网络环境的边缘设备得以焕发新生。此外，DeepSeek积极探索分布式计算与边缘计算架构的新路径，通过将计算任务分布至更靠近数据(ju)源的边缘节点，从而大幅减少对(dui)中央(yang)数据(ju)中心的依赖。这不仅有效缓(huan)解了数据(ju)传输过程中的延迟问题和带宽压力，同(tong)时优化(hua)了边缘设备算力资源的利用效率，构建了一个更加灵活高效的算力部署方案。

通过上述技(ji)术组合拳，DeepSeek R1实现了在(zai)保证(zheng)模型性能的同(tong)时，大幅降低训练和推理的算力需求和成本。这使得人工智能技(ji)术的应用门槛显著降低，为更广泛的应用场景打开了大门。

算力生态的重构与资源再(zai)分配

DeepSeek R1的出现，不仅可能引(yin)发算力需求的增(zeng)长，还将深刻地重塑全(quan)球算力生态，并导致算力资源的重新分配。

首(shou)先，分布式革命与集中霸权竞争(zheng)。传统人工智能发展模式往往依赖于(yu)“规模至上”的逻(luo)辑，追求超大规模模型和超大规模算力集群。DeepSeek R1的轻量化(hua)模型和开源策略，降低了人工智能应用的门槛，促进了中端算力设施和分布式数据(ju)中心的普及(ji)。此前，美国科技(ji)公司曾(ceng)计划建设耗(hao)电量堪比(bi)纽约市的巨型数据(ju)中心，但在(zai)DeepSeek高效模型的影响下，此类超大规模基础设施的必要性显著下降。算力生态正在(zai)从单一“超大规模中心垄断”模式转向与“分布式蜂群网络”竞争(zheng)的模式。

其次(ci)，产业链价值重新分配。在(zai)算力产业链上游，DeepSeek的出现使英伟达(da)等GPU巨头面临需求结构调整的挑战。由于(yu)DeepSeek模型对(dui)算力效率的提升，以及(ji)分布式计算的兴起，市场对(dui)高性能GPU的需求可能不再(zai)是无止境的扩张，而是更加注重能效比(bi)和定制化(hua)。与此同(tong)时，寒武纪等ASIC芯片厂商或将迎来发展机遇。ASIC芯片可以针对(dui)特定的人工智能应用进行硬件加速，在(zai)能效比(bi)和成本控制上更具(ju)优势，更符合分布式算力发展的趋势。在(zai)中游算力服务端，区(qu)域性数据(ju)中心凭借(jie)低时延和贴近应用场景的优势，开始承接制造业智能质检、金融风控等对(dui)延迟敏感的应用需求，迫使AWS、阿里(li)云等云计算巨头调整部分大型数据(ju)中心的建设投入，转而加强边缘计算和分布式算力布局。

在(zai)下游应用端，国产算力成本的下降，将驱动(dong)人工智能在(zai)制造业、金融、医(yi)疗等领域的渗(shen)透率倍增(zeng)。例如，在(zai)代码托(tuo)管平台GitHub上，已(yi)涌现出大量基于(yu)DeepSeek模型的集成应用案例（awesome deepseek integration）。同(tong)时，中国各地省市纷纷上线(xian)R1模型，加速人工智能的区(qu)域化(hua)、本地化(hua)部署。越来越形成形成“需求牵引(yin)供给”的正向循环，实现“算力+行业”的双向赋能。这种趋势正在(zai)形成“需求牵引(yin)供给”的正向循环，实现“算力+行业”的双向赋能。人工智能技(ji)术将加速渗(shen)透到各行各业，成为推动(dong)产业升级和经济(ji)发展的重要引(yin)擎。

最后(hou)，探索低碳AI发展路径，在(zai)效率提升和能源可持续性之间寻求平衡。DeepSeek通过算法架构优化(hua)和硬件能效协同(tong)，在(zai)单次(ci)运算能耗(hao)控制方面取得了突破(po)性进展。通过MLA与MoE技(ji)术融合、强化(hua)学习（RL）的深度(du)应用、稀(xi)疏化(hua)训练等核心技(ji)术，DeepSeek大幅压缩了单次(ci)计算的经济(ji)成本和能源消耗(hao)。据(ju)测算，DeepSeek模型单位计算任务的能耗(hao)较传统稠密模型下降超过50%，单位计算碳排放强度(du)降至行业平均水平的1/3。这为推进绿色数据(ju)中心建设和实现碳中和目标提供了关键的技(ji)术支撑(cheng)。

更重要的是，DeepSeek通过“低能耗(hao)+分布式”模式，显著降低了高性能AI对(dui)传统能源的依赖。分布式与边缘计算架构，将计算任务分散到靠近数据(ju)源的边缘设备处理，有效减少了对(dui)集中式数据(ju)中心的电力依赖。同(tong)时，DeepSeek的高性能模型在(zai)实现同(tong)等效果时，与清洁能源耦(ou)合的能效显著优于(yu)传统AI架构。

分布式计算与边缘节点的高效协同(tong)，不仅大幅降低了集中式数据(ju)中心对(dui)传统能源的依赖，也使AI系统能够更灵活地协调计算任务和清洁能源供给，更加适配可再(zai)生能源的波动(dong)性特点。例如，在(zai)太阳(yang)能充足的时段优先调度(du)计算任务，并借(jie)助优化(hua)算法动(dong)态匹配能源供给波动(dong)，在(zai)弃风弃光时段提升消纳(na)率20%以上，从而有效破(po)解新能源消纳(na)难题。

杰文斯悖论：效率提升与需求扩张

然而，DeepSeek R1的技(ji)术突破(po)，在(zai)降低人工智能应用门槛的同(tong)时，也可能引(yin)发“杰文斯悖论”。杰文斯悖论由19世纪经济(ji)学家William Stanley Jevons提出，他发现，随(sui)着煤炭使用效率的提高，煤炭的消耗(hao)总量反而增(zeng)加。这一悖论揭示了一个深刻的经济(ji)规律：效率的提升并不必然导致资源消耗(hao)的减少，反而可能因为成本降低和应用范围扩大，刺激需求增(zeng)长，最终导致资源消耗(hao)总量增(zeng)加。

微(wei)软CEO Satya Nadella引(yin)用杰文斯悖论来解释DeepSeek R1可能带来的影响，可谓一针见血。他认为，更实惠(hui)、更易于(yu)访问的人工智能技(ji)术，将通过更快的普及(ji)和更广泛的应用，导致需求的激增(zeng)。随(sui)着人工智能技(ji)术的门槛降低，过去由于(yu)成本限(xian)制而无法应用人工智能的领域，例如中小(xiao)企(qi)业、边缘计算场景等，将涌现出大量新的应用需求，从而导致算力调用密度(du)指数级上升。

此外，新兴应用场景的爆发，也将加速算力需求的裂变(bian)。智能驾驶、具(ju)身机器人等前沿领域对(dui)实时算力的需求极为庞大，远超DeepSeek技(ji)术优化(hua)的速度(du)。即使单任务效率提升数倍，百万级智能终端的并发需求，仍将形成巨大的算力吞噬黑(hei)洞。

更进一步，模型复杂性的提升，也可能在(zai)一定程度(du)上抵(di)消效率提升带来的节能效果。为了探索通用人工智能（AGI）等前沿方向，模型参数规模不断向万亿级跃升，数据(ju)量也以年均30%的速度(du)增(zeng)长。即使训练效率提升10倍，模型规模扩大100倍，仍然会导致算力总需求净增(zeng)10倍。DeepSeek的高效算法或许能够“追赶”数据(ju)增(zeng)长的速度(du)，但难以从根本上逆(ni)转算力需求的增(zeng)长曲线(xian)。

因此，DeepSeek R1的技(ji)术突破(po)，虽然在(zai)单位算力能耗(hao)上取得了显著降低，但从宏观层(ceng)面来看，很可能无法有效缓(huan)解人工智能发展对(dui)算力和能源的巨大需求。相反，技(ji)术普惠(hui)性引(yin)发的应用爆发，以及(ji)模型复杂性的持续提升，可能会共同(tong)推动(dong)算力需求的加速增(zeng)长，最终导致电力系统在(zai)需求激增(zeng)的压力下加速重构。

算力的尽头，依然是电力

尽管DeepSeek R1在(zai)算力效率上取得了突破(po)，并可能推动(dong)算力生态向分布式方向发展，但其技(ji)术进步并不能改变(bian)人工智能发展对(dui)能源的巨大需求。算力的尽头，依然是电力。

DeepSeek等人工智能技(ji)术的突破(po)，将不可避免地推高全(quan)球电力需求。“杰文斯悖论”的加速效应，可能使全(quan)球电力需求曲线(xian)更加陡(dou)峭。尽管DeepSeek通过优化(hua)算法、硬件适配等技(ji)术，显著提升了人工智能算力效率，降低了单次(ci)任务的能耗(hao)，打破(po)了人工智能应用的经济(ji)门槛，但这种技(ji)术跃迁预计将同(tong)步触发“杰文斯悖论”，能源消耗(hao)总量或将突破(po)线(xian)性增(zeng)长模式，形成“效率提升-应用扩张-能耗(hao)跃升”的闭环。

国际能源署（IEA）的数据(ju)显示，2022年全(quan)球数据(ju)中心耗(hao)电量已(yi)达(da)460TWh，占(zhan)全(quan)球总用电量的2%。预计到2026年，全(quan)球数据(ju)中心耗(hao)电量将扩张至620-1050TWh。这意(yi)味着，未来几年内，数据(ju)中心的能源消耗(hao)将呈现指数级增(zeng)长趋势。

面对(dui)如此巨大的能源需求，全(quan)球科技(ji)巨头们已(yi)经掀起了一场围绕电力资源的争(zheng)夺战。美国微(wei)软与OpenAI等科技(ji)巨头联合发起了“星际之门计划”，计划耗(hao)资千亿美元(yuan)，在(zai)2030年前建成全(quan)球最大的AI超算集群。“星际之门”的目标是建设5-10个数据(ju)中心园区(qu)，每个园区(qu)设计功率约为100兆瓦，总电力需求将达(da)到5GW-10GW级别。这相当于(yu)数个大型城市的用电量。

“电力缺口可能成为AI时代的卡脖(bo)子问题”，这正在(zai)成为行业共识。科技(ji)巨头对(dui)清洁能源的大规模投资和抢占(zhan)，本质上是对(dui)新一轮工业革命核心资源的争(zheng)夺。谁掌握了充足、廉价、绿色的电力资源，谁就将在(zai)人工智能时代的竞争(zheng)中占(zhan)据(ju)更有利的位置。需要举具(ju)体(ti)的案例。

四家拥有大模型业务的美国科技(ji)公司——微(wei)软、亚马逊、谷歌、Meta仍然坚持“大力出奇迹(ji)”的策略，即大规模算力投资。2024年，美国科技(ji)四巨头的资本支出均达(da)到历史最高点，总额高达(da)2431亿美元(yuan)，同(tong)比(bi)增(zeng)长63%。预计2025年，它们的资本支出总额将超过3200亿美元(yuan)，总增(zeng)速约为30%。

巨额的资本支出，主要用于(yu)购买算力设备，建设数据(ju)中心，以支撑(cheng)人工智能业务的快速发展。这些科技(ji)巨头们相信，更高的算力投入，能够带来更好的模型性能和更快的技(ji)术迭代速度(du)。在(zai)商业竞争(zheng)中，算力的质量代表的是速度(du)问题，更高算力通常带来更好的效果。短期内节省算力固然重要，但从长远来看，算力需求只会螺旋(xuan)上升，面向未来投资算力才是更重要的战略选择。英伟达(da)2025年2月6日(ri)其股价单日(ri)涨幅超5%，市值重回3万亿美元(yuan)，也回应了这个趋势，反映了市场对(dui)算力芯片（如GB200芯片）放量的预期。

这些科技(ji)巨头们之所以敢于(yu)如此大手笔地投入算力，一方面是因为它们“钱袋子”依然富余，净利润和现金流(liu)能够支撑(cheng)高强度(du)的算力投资；另一方面，巨额的算力投资也已(yi)经产生了实际回报(bao)，“云+AI”业务的收入和利润正在(zai)快速增(zeng)长，这进一步刺激了它们加大算力投资的力度(du)。谷歌、微(wei)软等巨头在(zai)2025年Q1财报(bao)中披露，AI业务资本开支同(tong)比(bi)增(zeng)35%，表明算力扩张仍在(zai)持续，电力需求韧性显现。

除去科技(ji)公司，主权国家和地区(qu)也同(tong)步进入到算力的竞赛当中。欧盟委员会于(yu)2025年2月宣(xuan)布的“Invest AI”计划，拟通过公共和私人资金调动(dong)总额2000亿欧元(yuan)，核心目标是建设4座AI超级工厂，配备约10万颗最先进AI芯片（是目前欧洲在(zai)建工厂的4倍），专注于(yu)训练复杂AI模型。其中，200亿欧元(yuan)专门用于(yu)设立欧洲基金支持这些工厂。日(ri)本、沙特、印度(du)等国家也纷纷将算力主权纳(na)入国家战略。

中国路径：效率、可持续性与分布式协同(tong)

面对(dui)全(quan)球人工智能发展的新趋势，以及(ji)算力与能源的挑战，中国需要探索一条具(ju)有自身特色的发展路径。DeepSeekR1的技(ji)术突破(po)，为我们提供了一个重要的启示：在(zai)人工智能发展中，效率和可持续性同(tong)样(yang)重要，甚至比(bi)单纯的算力堆砌更为关键。

中国在(zai)人工智能发展上，既要仰(yang)望星空(kong)，追求前沿技(ji)术的突破(po)，也要脚踏实地，注重应用场景的落地。DeepSeek R1和V3的出现，代表了一种相对(dui)低算力、高表现的技(ji)术路线(xian)，这符合中国国情(qing)和发展阶段的实际需求。对(dui)于(yu)中国而言，在(zai)算力资源相对(dui)紧张的情(qing)况下，更应该注重效率优化(hua)，通过技(ji)术创新，提升单位算力的价值，降低对(dui)能源的消耗(hao)。

同(tong)时，中国也要清醒地认识到，优秀的硬件在(zai)人工智能发展过程中仍然不可替代。算法的优化(hua)固然重要，但更好的硬件意(yi)味着更低的训练时间和更高的效率。尤其是在(zai)人工智能前沿研究领域，例如AI for Science，仍然需要足够的算力进行支持。因此，中国在(zai)发展高效算法的同(tong)时，也要加强在(zai)算力基础设施领域的投入，构建自主可控的算力底座。

未来，人工智能领域的竞争(zheng)，将是前沿技(ji)术创新和应用场景落地的双线(xian)竞争(zheng)。既要“卷前沿”，在(zai)基础理论和核心技(ji)术上取得突破(po)，也要“卷应用”，将人工智能技(ji)术广泛应用到各行各业，创造实际价值。有能力的企(qi)业，必然是“两手都(dou)要抓(zhua)，两手都(dou)要硬”，既要布局前沿技(ji)术，也要深耕应用场景。

在(zai)能源战略上，中国应坚持效率优先、绿色发展的原则，在(zai)效率与可持续性之间寻找平衡。DeepSeek的分布式算力架构，为我们提供了一个重要的方向：通过分布式革命，瓦解算力集中垄断的格局，构建更加灵活、高效、绿色的算力网络。

更进一步，算力分布式革命，应与分布式能源革命协同(tong)推进。通过将算力设施与分布式能源（如光伏、风电）相结合，构建“源-荷-储-算”协同(tong)的新型电力系统。分布式算力可以作为新型电力系统的“荷”，通过智能调度(du)算法，与分布式能源的波动(dong)性出力相匹配，实现“电-算协同(tong)”，提升清洁能源的消纳(na)能力，降低电力系统的风险。

分布式算力革命与分布式能源革命的协同(tong)发展，将倒逼电网进化(hua)，加速传统电网向智能电网转型。智能电网需要具(ju)备动(dong)态负(fu)荷优化(hua)分配、实时响应能力，以适应分布式能源和分布式算力的需求。这将推动(dong)电力系统从传统的“单向传输”模式，向“双向互动(dong)”、“源网荷储”协同(tong)优化(hua)的模式转变(bian)，构建更加清洁、高效、安全(quan)、可靠的现代能源体(ti)系。

结论：展望人工智能、算力与能源的未来

DeepSeek R1的出现，标志着人工智能技(ji)术发展进入了一个新的阶段。效率优化(hua)和成本控制，成为人工智能技(ji)术发展的重要驱动(dong)力。然而，技(ji)术进步并不能改变(bian)人工智能对(dui)算力和能源的巨大需求。杰文斯悖论提醒我们，效率提升并不必然导致资源消耗(hao)的减少，反而可能刺激需求增(zeng)长，最终导致资源消耗(hao)总量增(zeng)加。

面对(dui)人工智能发展带来的算力与能源挑战，全(quan)球科技(ji)界和能源界需要携手合作，共同(tong)探索可持续发展之路。一方面，要继续加强技(ji)术创新，提升算力效率，降低单位算力能耗(hao)；另一方面，要大力发展清洁能源，构建绿色算力基础设施，推动(dong)能源结构的转型升级。

在(zai)中国，我们应坚持效率优先、绿色发展的原则，探索具(ju)有中国特色的AI发展路径。通过技(ji)术创新、模式创新和政策引(yin)导，在(zai)效率与可持续性之间找到最佳平衡点，实现人工智能与经济(ji)社会、生态环境的和谐共生。算力分布式革命与分布式能源革命的协同(tong)推进，将为中国构建绿色、高效、智能的未来能源体(ti)系，赢得人工智能时代的竞争(zheng)优势，提供强劲的动(dong)力。

作者信息

刘少轩

上海交通大学安泰经济(ji)与管理学院副院长

上海交通大学中银科技(ji)金融学院执行院长

陈(chen)钰什(shi)

New Energy Nexus中国首(shou)席研究员，上海交通大学中银科技(ji)金融学院博士后(hou)

每日(ri)经济(ji)新闻