Deepseek也引起了(le)对美国科技股和能源股短期剧烈(lie)震荡。英伟达单日跌幅最高达17%，创美股历史最大单日市值蒸发纪录(lu)（约6000亿美元(yuan)），博通、AMD、台积电等芯片股同步重挫。纳斯达克指数下跌3.1%，标普500指数下跌1.5%，市场对美国科技巨头的高估值（如美股七巨头中，英伟达的市盈率在46倍左右，苹果(guo)的市盈率在36倍左右，特斯拉183倍市盈率。如今，七巨头的平均市盈率接近50倍，市值占(zhan)美股总市值28%左右。）产生质疑。此(ci)外(wai)，由于R1通过算法优化显著降低模型(xing)能耗（内存使用减少50%以上），市场担忧(you)AI对电力需求(qiu)的增长预期被打破(po)，导致美国联合能源、Vistra等能源公司股价(jia)暴(bao)跌21%-29%。

尽管DeepSeek在技术(shu)上取得了(le)巨大进步，但其在中国境外(wai)的未来发展仍面(mian)临不确定(ding)性，部分西方(fang)机(ji)构和政府已开始限(xian)制使用其服务(wu)。然而(er)，全球人工智能领(ling)域都在密切关注DeepSeek如何以如此(ci)低的成本实现(xian)领(ling)先性能。如果(guo)DeepSeek的方(fang)法能够被广(guang)泛复(fu)制，那么对于东南亚地区、澳大利亚、新西兰等中小型(xing)国家而(er)言，或许将有机(ji)会以更低的成本进入基础模型(xing)领(ling)域，这在过去是难以想象的。

对于澳新地区的数据中心运营商而(er)言，人工智能技术(shu)成本的潜在降低，无(wu)疑缓解了(le)对外(wai)国模型(xing)安(an)全性和可(ke)靠性风险(xian)的担忧(you)。Macquarie Data Centres的高管David Hirst指出，人工智能行业的发展速度远超以往任何技术(shu)趋势，且仍处于早期阶段。他认(ren)为(wei)，人工智能正在并(bing)将继续证明，它是世界上发展最快的技术(shu)之一，而(er)我们才刚刚触及人工智能所能实现(xian)的冰山一角。人工智能将从根本上改变所有行业的运作(zuo)方(fang)式以及人类的潜力。以Deepseek为(wei)例，从2024年1月5日，DeepSeek发布了(le)首个大模型(xing)DeepSeek LLM到2024年12月26日，正式上线DeepSeek-V3模型(xing)，并(bing)同步开源，标准着全球首个全开源的混合专家（MoE）模型(xing)出现(xian)，再到2025年1月20日发布的DeekSeek-R1推理大模型(xing)。从在极短的时间(jian)内，人工智能已取得显著进展。大型(xing)语言模型(xing)的快速发展，从模型(xing)的迭代、算力的更新，到训练和推理成本的下降，再到智能体的产品形态出现(xian)，人工智能正在不断提高行业效率，并(bing)最终降低成本。DeepSeek模型(xing)的创新，通过简化训练过程和更有效地利用硬件，标志着在降低人工智能训练和推理门槛方(fang)面(mian)迈出了(le)重要一步，为(wei)更多企(qi)业应用这项技术(shu)打开了(le)大门。

DeepSeek R1 的技术(shu)特点(dian)：效率与成本优势

DeepSeek R1 模型(xing)的出现(xian)之所以能引发行业震动，核(he)心在于其在效率和成本控制上的突破(po)。DeepSeek 通过一系列技术(shu)创新，实现(xian)了(le)在相对较低的算力投入下，获得可(ke)媲美甚至(zhi)超越头部模型(xing)的性能表现(xian)。这些技术(shu)特点(dian)主要包括：

混合专家模型(xing)（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低算力需求(qiu)的关键。与传(chuan)统的稠密模型(xing)不同，MoE模型(xing)包含多个“专家”子网络，每个子网络专门处理特定(ding)类型(xing)的输入。在推理过程中，模型(xing)会根据输入内容动态选择激活部分专家网络，而(er)非所有网络，从而(er)大幅减少计算量，提高推理效率。DeepSeek将MoE技术(shu)与模型(xing)架构深(shen)度融合，实现(xian)了(le)性能与效率的平衡。

多头潜注意力机(ji)制（MLA）：该(gai)技术(shu)为(wei)DeepSeek团队独创，针对传(chuan)统Transformer模型(xing)的“多头注意力机(ji)制”在处理长文本时容易“分心”的问题(ti)，MLA通过压缩(suo)关键信息，让模型(xing)更聚焦核(he)心内容这种协同优化方(fang)法，能够最大化硬件资源的利用效率，降低整体算力需求(qiu)。

PTX汇编语言优化：为(wei)了(le)更充分地挖掘硬件潜力，DeepSeek甚至(zhi)深(shen)入到硬件底层，采用PTX汇编语言对核(he)心计算模块进行优化。PTX汇编语言是一种针对NVIDIAGPU的底层编程语言，通过精细(xi)的汇编级优化，可(ke)以最大限(xian)度地提升(sheng)代码执(zhi)行效率，减少不必要的计算开销。这种极致的优化精神，体现(xian)了(le)DeepSeek在算力效率上的极致追求(qiu)。

蒸馏技术(shu)与分布式/边缘计算架构:DeepSeek推出了(le)一项卓越的模型(xing)蒸馏技术(shu)，该(gai)技术(shu)实现(xian)了(le)将高性能AI模型(xing)的核(he)心推理能力高效移植至(zhi)轻量化版本中的目标。这一突破(po)不仅(jin)结合了(le)开源与轻量化的双重优势，进一步降低了(le)人工智能技术(shu)的应用门槛，同时也为(wei)边缘计算领(ling)域带(dai)来了(le)前所未有的发展机(ji)遇。企(qi)业能够依据自身(shen)行业特点(dian)，在本地进行模型(xing)训练，使得原本依赖于高性能服务(wu)器和稳定(ding)网络环(huan)境的边缘设(she)备得以焕(huan)发新生。此(ci)外(wai)，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(wu)分布至(zhi)更靠近数据源的边缘节点(dian)，从而(er)大幅减少对中央数据中心的依赖。这不仅(jin)有效缓解了(le)数据传(chuan)输过程中的延迟问题(ti)和带(dai)宽压力，同时优化了(le)边缘设(she)备算力资源的利用效率，构建(jian)了(le)一个更加(jia)灵(ling)活高效的算力部署方(fang)案。

通过上述技术(shu)组(zu)合拳，DeepSeek R1实现(xian)了(le)在保证模型(xing)性能的同时，大幅降低训练和推理的算力需求(qiu)和成本。这使得人工智能技术(shu)的应用门槛显著降低，为(wei)更广(guang)泛的应用场景打开了(le)大门。

算力生态的重构与资源再分配

DeepSeek R1的出现(xian)，不仅(jin)可(ke)能引发算力需求(qiu)的增长，还将深(shen)刻地重塑全球算力生态，并(bing)导致算力资源的重新分配。

首先，分布式革命与集中霸(ba)权(quan)竞争。传(chuan)统人工智能发展模式往往依赖于“规(gui)模至(zhi)上”的逻(luo)辑，追求(qiu)超大规(gui)模模型(xing)和超大规(gui)模算力集群。DeepSeek R1的轻量化模型(xing)和开源策略，降低了(le)人工智能应用的门槛，促进了(le)中端算力设(she)施和分布式数据中心的普及。此(ci)前，美国科技公司曾计划(hua)建(jian)设(she)耗电量堪比纽约市的巨型(xing)数据中心，但在DeepSeek高效模型(xing)的影响下，此(ci)类超大规(gui)模基础设(she)施的必要性显著下降。算力生态正在从单一“超大规(gui)模中心垄断”模式转向与“分布式蜂群网络”竞争的模式。

其次，产业链价(jia)值重新分配。在算力产业链上游(you)，DeepSeek的出现(xian)使英伟达等GPU巨头面(mian)临需求(qiu)结构调整的挑战。由于DeepSeek模型(xing)对算力效率的提升(sheng)，以及分布式计算的兴起，市场对高性能GPU的需求(qiu)可(ke)能不再是无(wu)止境的扩张，而(er)是更加(jia)注重能效比和定(ding)制化。与此(ci)同时，寒武(wu)纪等ASIC芯片厂商或将迎来发展机(ji)遇。ASIC芯片可(ke)以针对特定(ding)的人工智能应用进行硬件加(jia)速，在能效比和成本控制上更具优势，更符(fu)合分布式算力发展的趋势。在中游(you)算力服务(wu)端，区域性数据中心凭借低时延和贴近应用场景的优势，开始承接制造业智能质检(jian)、金融风控等对延迟敏感的应用需求(qiu)，迫使AWS、阿里云等云计算巨头调整部分大型(xing)数据中心的建(jian)设(she)投入，转而(er)加(jia)强边缘计算和分布式算力布局。

在下游(you)应用端，国产算力成本的下降，将驱动人工智能在制造业、金融、医疗(liao)等领(ling)域的渗透率倍增。例如，在代码托管平台GitHub上，已涌现(xian)出大量基于DeepSeek模型(xing)的集成应用案例（awesome deepseek integration）。同时，中国各地省市纷纷上线R1模型(xing)，加(jia)速人工智能的区域化、本地化部署。越来越形成形成“需求(qiu)牵引供给”的正向循环(huan)，实现(xian)“算力+行业”的双向赋能。这种趋势正在形成“需求(qiu)牵引供给”的正向循环(huan)，实现(xian)“算力+行业”的双向赋能。人工智能技术(shu)将加(jia)速渗透到各行各业，成为(wei)推动产业升(sheng)级和经济发展的重要引擎。

最后，探索低碳AI发展路径，在效率提升(sheng)和能源可(ke)持续性之间(jian)寻求(qiu)平衡。DeepSeek通过算法架构优化和硬件能效协同，在单次运算能耗控制方(fang)面(mian)取得了(le)突破(po)性进展。通过MLA与MoE技术(shu)融合、强化学习（RL）的深(shen)度应用、稀疏化训练等核(he)心技术(shu)，DeepSeek大幅压缩(suo)了(le)单次计算的经济成本和能源消耗。据测算，DeepSeek模型(xing)单位计算任务(wu)的能耗较传(chuan)统稠密模型(xing)下降超过50%，单位计算碳排放(fang)强度降至(zhi)行业平均水平的1/3。这为(wei)推进绿色数据中心建(jian)设(she)和实现(xian)碳中和目标提供了(le)关键的技术(shu)支撑。

更重要的是，DeepSeek通过“低能耗+分布式”模式，显著降低了(le)高性能AI对传(chuan)统能源的依赖。分布式与边缘计算架构，将计算任务(wu)分散到靠近数据源的边缘设(she)备处理，有效减少了(le)对集中式数据中心的电力依赖。同时，DeepSeek的高性能模型(xing)在实现(xian)同等效果(guo)时，与清洁能源耦合的能效显著优于传(chuan)统AI架构。

分布式计算与边缘节点(dian)的高效协同，不仅(jin)大幅降低了(le)集中式数据中心对传(chuan)统能源的依赖，也使AI系统能够更灵(ling)活地协调计算任务(wu)和清洁能源供给，更加(jia)适配可(ke)再生能源的波动性特点(dian)。例如，在太阳能充足的时段优先调度计算任务(wu)，并(bing)借助优化算法动态匹配能源供给波动，在弃风弃光时段提升(sheng)消纳率20%以上，从而(er)有效破(po)解新能源消纳难题(ti)。

杰文斯悖论：效率提升(sheng)与需求(qiu)扩张

然而(er)，DeepSeek R1的技术(shu)突破(po)，在降低人工智能应用门槛的同时，也可(ke)能引发“杰文斯悖论”。杰文斯悖论由19世纪经济学家 William Stanley Jevons提出，他发现(xian)，随着煤炭使用效率的提高，煤炭的消耗总量反而(er)增加(jia)。这一悖论揭示了(le)一个深(shen)刻的经济规(gui)律：效率的提升(sheng)并(bing)不必然导致资源消耗的减少，反而(er)可(ke)能因为(wei)成本降低和应用范围扩大，刺激需求(qiu)增长，最终导致资源消耗总量增加(jia)。

微软 CEO Satya Nadella引用杰文斯悖论来解释DeepSeek R1可(ke)能带(dai)来的影响，可(ke)谓(wei)一针见血。他认(ren)为(wei)，更实惠、更易于访问的人工智能技术(shu)，将通过更快的普及和更广(guang)泛的应用，导致需求(qiu)的激增。随着人工智能技术(shu)的门槛降低，过去由于成本限(xian)制而(er)无(wu)法应用人工智能的领(ling)域，例如中小企(qi)业、边缘计算场景等，将涌现(xian)出大量新的应用需求(qiu)，从而(er)导致算力调用密度指数级上升(sheng)。

此(ci)外(wai)，新兴应用场景的爆发，也将加(jia)速算力需求(qiu)的裂变。智能驾驶、具身(shen)机(ji)器人等前沿领(ling)域对实时算力的需求(qiu)极为(wei)庞大，远超DeepSeek技术(shu)优化的速度。即使单任务(wu)效率提升(sheng)数倍，百万级智能终端的并(bing)发需求(qiu)，仍将形成巨大的算力吞噬黑洞(dong)。

更进一步，模型(xing)复(fu)杂性的提升(sheng)，也可(ke)能在一定(ding)程度上抵消效率提升(sheng)带(dai)来的节能效果(guo)。为(wei)了(le)探索通用人工智能（AGI）等前沿方(fang)向，模型(xing)参数规(gui)模不断向万亿级跃升(sheng)，数据量也以年均30%的速度增长。即使训练效率提升(sheng)10倍，模型(xing)规(gui)模扩大100倍，仍然会导致算力总需求(qiu)净增10倍。DeepSeek的高效算法或许能够“追赶”数据增长的速度，但难以从根本上逆转算力需求(qiu)的增长曲线。

因此(ci)，DeepSeek R1的技术(shu)突破(po)，虽(sui)然在单位算力能耗上取得了(le)显著降低，但从宏(hong)观层面(mian)来看，很可(ke)能无(wu)法有效缓解人工智能发展对算力和能源的巨大需求(qiu)。相反，技术(shu)普惠性引发的应用爆发，以及模型(xing)复(fu)杂性的持续提升(sheng)，可(ke)能会共同推动算力需求(qiu)的加(jia)速增长，最终导致电力系统在需求(qiu)激增的压力下加(jia)速重构。

算力的尽头，依然是电力

尽管DeepSeek R1在算力效率上取得了(le)突破(po)，并(bing)可(ke)能推动算力生态向分布式方(fang)向发展，但其技术(shu)进步并(bing)不能改变人工智能发展对能源的巨大需求(qiu)。算力的尽头，依然是电力。

DeepSeek等人工智能技术(shu)的突破(po)，将不可(ke)避免(mian)地推高全球电力需求(qiu)。“杰文斯悖论”的加(jia)速效应，可(ke)能使全球电力需求(qiu)曲线更加(jia)陡峭。尽管DeepSeek通过优化算法、硬件适配等技术(shu)，显著提升(sheng)了(le)人工智能算力效率，降低了(le)单次任务(wu)的能耗，打破(po)了(le)人工智能应用的经济门槛，但这种技术(shu)跃迁预计将同步触发“杰文斯悖论”，能源消耗总量或将突破(po)线性增长模式，形成“效率提升(sheng)-应用扩张-能耗跃升(sheng)”的闭环(huan)。

国际能源署（IEA）的数据显示，2022年全球数据中心耗电量已达460TWh，占(zhan)全球总用电量的2%。预计到2026年，全球数据中心耗电量将扩张至(zhi)620-1050TWh。这意味着，未来几年内，数据中心的能源消耗将呈现(xian)指数级增长趋势。

面(mian)对如此(ci)巨大的能源需求(qiu)，全球科技巨头们已经掀起了(le)一场围绕电力资源的争夺(duo)战。美国微软与OpenAI等科技巨头联合发起了(le)“星际之门计划(hua)”，计划(hua)耗资千亿美元(yuan)，在2030年前建(jian)成全球最大的AI超算集群。“星际之门”的目标是建(jian)设(she)5-10个数据中心园(yuan)区，每个园(yuan)区设(she)计功率约为(wei)100兆瓦，总电力需求(qiu)将达到5GW-10GW级别。这相当于数个大型(xing)城(cheng)市的用电量。

“电力缺口可(ke)能成为(wei)AI时代的卡脖(bo)子问题(ti)”，这正在成为(wei)行业共识。科技巨头对清洁能源的大规(gui)模投资和抢占(zhan)，本质上是对新一轮工业革命核(he)心资源的争夺(duo)。谁掌握了(le)充足、廉价(jia)、绿色的电力资源，谁就将在人工智能时代的竞争中占(zhan)据更有利的位置。需要举具体的案例。

四家拥有大模型(xing)业务(wu)的美国科技公司——微软、亚马逊、谷歌、Meta仍然坚持“大力出奇迹”的策略，即大规(gui)模算力投资。2024年，美国科技四巨头的资本支出均达到历史最高点(dian)，总额高达2431亿美元(yuan)，同比增长63%。预计2025年，它们的资本支出总额将超过3200亿美元(yuan)，总增速约为(wei)30%。

巨额的资本支出，主要用于购买算力设(she)备，建(jian)设(she)数据中心，以支撑人工智能业务(wu)的快速发展。这些科技巨头们相信，更高的算力投入，能够带(dai)来更好的模型(xing)性能和更快的技术(shu)迭代速度。在商业竞争中，算力的质量代表的是速度问题(ti)，更高算力通常带(dai)来更好的效果(guo)。短期内节省算力固然重要，但从长远来看，算力需求(qiu)只会螺(luo)旋上升(sheng)，面(mian)向未来投资算力才是更重要的战略选择。英伟达2025年2月6日其股价(jia)单日涨幅超5%，市值重回3万亿美元(yuan)，也回应了(le)这个趋势，反映了(le)市场对算力芯片（如GB200芯片）放(fang)量的预期。

这些科技巨头们之所以敢于如此(ci)大手笔地投入算力，一方(fang)面(mian)是因为(wei)它们“钱袋子”依然富余，净利润和现(xian)金流(liu)能够支撑高强度的算力投资；另一方(fang)面(mian)，巨额的算力投资也已经产生了(le)实际回报，“云+AI”业务(wu)的收(shou)入和利润正在快速增长，这进一步刺激了(le)它们加(jia)大算力投资的力度。谷歌、微软等巨头在2025年Q1财报中披露，AI业务(wu)资本开支同比增35%，表明算力扩张仍在持续，电力需求(qiu)韧性显现(xian)。

除去科技公司，主权(quan)国家和地区也同步进入到算力的竞赛(sai)当中。欧盟(meng)委员会于2025年2月宣(xuan)布的“Invest AI”计划(hua)，拟通过公共和私人资金调动总额2000亿欧元(yuan)，核(he)心目标是建(jian)设(she)4座AI超级工厂，配备约10万颗最先进AI芯片（是目前欧洲(zhou)在建(jian)工厂的4倍），专注于训练复(fu)杂AI模型(xing)。其中，200亿欧元(yuan)专门用于设(she)立欧洲(zhou)基金支持这些工厂。日本、沙特、印度等国家也纷纷将算力主权(quan)纳入国家战略。

中国路径：效率、可(ke)持续性与分布式协同

面(mian)对全球人工智能发展的新趋势，以及算力与能源的挑战，中国需要探索一条具有自身(shen)特色的发展路径。DeepSeekR1的技术(shu)突破(po)，为(wei)我们提供了(le)一个重要的启示：在人工智能发展中，效率和可(ke)持续性同样重要，甚至(zhi)比单纯的算力堆(dui)砌更为(wei)关键。

中国在人工智能发展上，既要仰望星空，追求(qiu)前沿技术(shu)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(xian)，代表了(le)一种相对低算力、高表现(xian)的技术(shu)路线，这符(fu)合中国国情和发展阶段的实际需求(qiu)。对于中国而(er)言，在算力资源相对紧张的情况下，更应该(gai)注重效率优化，通过技术(shu)创新，提升(sheng)单位算力的价(jia)值，降低对能源的消耗。

同时，中国也要清醒地认(ren)识到，优秀的硬件在人工智能发展过程中仍然不可(ke)替代。算法的优化固然重要，但更好的硬件意味着更低的训练时间(jian)和更高的效率。尤其是在人工智能前沿研究领(ling)域，例如AI for Science，仍然需要足够的算力进行支持。因此(ci)，中国在发展高效算法的同时，也要加(jia)强在算力基础设(she)施领(ling)域的投入，构建(jian)自主可(ke)控的算力底座。

未来，人工智能领(ling)域的竞争，将是前沿技术(shu)创新和应用场景落地的双线竞争。既要“卷前沿”，在基础理论和核(he)心技术(shu)上取得突破(po)，也要“卷应用”，将人工智能技术(shu)广(guang)泛应用到各行各业，创造实际价(jia)值。有能力的企(qi)业，必然是“两手都要抓，两手都要硬”，既要布局前沿技术(shu)，也要深(shen)耕应用场景。

在能源战略上，中国应坚持效率优先、绿色发展的原则，在效率与可(ke)持续性之间(jian)寻找平衡。DeepSeek 的分布式算力架构，为(wei)我们提供了(le)一个重要的方(fang)向：通过分布式革命，瓦解算力集中垄断的格局，构建(jian)更加(jia)灵(ling)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推进。通过将算力设(she)施与分布式能源（如光伏、风电）相结合，构建(jian)“源-荷-储-算”协同的新型(xing)电力系统。分布式算力可(ke)以作(zuo)为(wei)新型(xing)电力系统的“荷”，通过智能调度算法，与分布式能源的波动性出力相匹配，实现(xian)“电-算协同”，提升(sheng)清洁能源的消纳能力，降低电力系统的风险(xian)。

分布式算力革命与分布式能源革命的协同发展，将倒逼电网进化，加(jia)速传(chuan)统电网向智能电网转型(xing)。智能电网需要具备动态负荷优化分配、实时响应能力，以适应分布式能源和分布式算力的需求(qiu)。这将推动电力系统从传(chuan)统的“单向传(chuan)输”模式，向“双向互(hu)动”、“源网荷储”协同优化的模式转变，构建(jian)更加(jia)清洁、高效、安(an)全、可(ke)靠的现(xian)代能源体系。

结论：展望人工智能、算力与能源的未来

DeepSeek R1的出现(xian)，标志着人工智能技术(shu)发展进入了(le)一个新的阶段。效率优化和成本控制，成为(wei)人工智能技术(shu)发展的重要驱动力。然而(er)，技术(shu)进步并(bing)不能改变人工智能对算力和能源的巨大需求(qiu)。杰文斯悖论提醒我们，效率提升(sheng)并(bing)不必然导致资源消耗的减少，反而(er)可(ke)能刺激需求(qiu)增长，最终导致资源消耗总量增加(jia)。

面(mian)对人工智能发展带(dai)来的算力与能源挑战，全球科技界和能源界需要携手合作(zuo)，共同探索可(ke)持续发展之路。一方(fang)面(mian)，要继续加(jia)强技术(shu)创新，提升(sheng)算力效率，降低单位算力能耗；另一方(fang)面(mian)，要大力发展清洁能源，构建(jian)绿色算力基础设(she)施，推动能源结构的转型(xing)升(sheng)级。

在中国，我们应坚持效率优先、绿色发展的原则，探索具有中国特色的AI发展路径。通过技术(shu)创新、模式创新和政策引导，在效率与可(ke)持续性之间(jian)找到最佳平衡点(dian)，实现(xian)人工智能与经济社会、生态环(huan)境的和谐共生。算力分布式革命与分布式能源革命的协同推进，将为(wei)中国构建(jian)绿色、高效、智能的未来能源体系，赢(ying)得人工智能时代的竞争优势，提供强劲的动力。

作(zuo)者信息

刘少轩(xuan)：

上海交通大学安(an)泰经济与管理学院副院长

上海交通大学中银科技金融学院执(zhi)行院长

陈钰什：

New Energy Nexus中国首席研究员，上海交通大学中银科技金融学院博士后