Deepseek也引(yin)起了对美国科技股和能源股短(duan)期剧烈震荡。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(ji)录（约6000亿美元），博通、AMD、台积电等(deng)芯片股同步重挫(cuo)。纳斯达克指数下跌3.1%，标(biao)普500指数下跌1.5%，市场(chang)对美国科技巨头的高估值（如美股七(qi)巨头中，英伟达的市盈率在46倍左右，苹果的市盈率在36倍左右，特斯拉183倍市盈率。如今，七(qi)巨头的平均市盈率接近50倍，市值占美股总市值28%左右。）产生(sheng)质疑。此外(wai)，由于R1通过(guo)算法优化显著降低模(mo)型能耗(hao)（内存使用减少50%以上），市场(chang)担忧AI对电力需求的增长预期被打破，导致美国联合能源、Vistra等(deng)能源公司股价暴跌21%-29%。

尽管DeepSeek在技术上取得了巨大进(jin)步，但其在中国境外(wai)的未(wei)来发展仍面临不确定性，部分西方机构和政府已开始限制使用其服务。然而，全球人工智能领域都在密切(qie)关注DeepSeek如何以如此低的成本实现领先性能。如果DeepSeek的方法能够被广泛复制，那么对于东(dong)南亚地区、澳大利亚、新西兰(lan)等(deng)中小型国家而言，或许将有机会以更低的成本进(jin)入基(ji)础模(mo)型领域，这在过(guo)去是难以想象的。

对于澳新地区的数据中心运营商而言，人工智能技术成本的潜在降低，无疑缓解了对外(wai)国模(mo)型安(an)全性和可(ke)靠性风险的担忧。Macquarie Data Centres的高管David Hirst指出，人工智能行(xing)业的发展速(su)度远超以往任何技术趋势，且仍处(chu)于早期阶段。他认为，人工智能正(zheng)在并将继续证(zheng)明，它是世界上发展最快的技术之一，而我们才刚刚触及人工智能所能实现的冰山一角。人工智能将从根本上改(gai)变所有行(xing)业的运作方式(shi)以及人类的潜力。以Deepseek为例，从2024年(nian)1月5日，DeepSeek发布了首个大模(mo)型DeepSeek LLM到2024年(nian)12月26日，正(zheng)式(shi)上线DeepSeek-V3模(mo)型，并同步开源，标(biao)准着全球首个全开源的混(hun)合专家（MoE）模(mo)型出现，再到2025年(nian)1月20日发布的DeekSeek-R1推理大模(mo)型。从在极短(duan)的时间内，人工智能已取得显著进(jin)展。大型语言模(mo)型的快速(su)发展，从模(mo)型的迭代、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(xing)态出现，人工智能正(zheng)在不断提高行(xing)业效率，并最终(zhong)降低成本。DeepSeek模(mo)型的创新，通过(guo)简化训练过(guo)程和更有效地利用硬件，标(biao)志着在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(duo)企业应(ying)用这项(xiang)技术打开了大门。

DeepSeek R1 的技术特点：效率与成本优势

DeepSeek R1 模(mo)型的出现之所以能引(yin)发行(xing)业震动，核心在于其在效率和成本控制上的突破。DeepSeek 通过(guo)一系列(lie)技术创新，实现了在相对较低的算力投入下，获得可(ke)媲美甚至超越(yue)头部模(mo)型的性能表现。这些技术特点主要包括(kuo)：

混(hun)合专家模(mo)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(mo)型不同，MoE模(mo)型包含多(duo)个“专家”子网络(luo)，每(mei)个子网络(luo)专门处(chu)理特定类型的输入。在推理过(guo)程中，模(mo)型会根据输入内容动态选择激活部分专家网络(luo)，而非所有网络(luo)，从而大幅减少计算量，提高推理效率。DeepSeek将MoE技术与模(mo)型架构深度融合，实现了性能与效率的平衡。

多(duo)头潜注意力机制（MLA）：该技术为DeepSeek团队独创，针对传统Transformer模(mo)型的“多(duo)头注意力机制”在处(chu)理长文本时容易“分心”的问题，MLA通过(guo)压缩关键信息，让模(mo)型更聚(ju)焦核心内容这种协同优化方法，能够最大化硬件资源的利用效率，降低整体算力需求。

PTX汇编语言优化：为了更充分地挖掘硬件潜力，DeepSeek甚至深入到硬件底(di)层，采用PTX汇编语言对核心计算模(mo)块进(jin)行(xing)优化。PTX汇编语言是一种针对NVIDIAGPU的底(di)层编程语言，通过(guo)精细(xi)的汇编级优化，可(ke)以最大限度地提升代码执(zhi)行(xing)效率，减少不必(bi)要的计算开销。这种极致的优化精神，体现了DeepSeek在算力效率上的极致追求。

蒸馏技术与分布式(shi)/边缘计算架构:DeepSeek推出了一项(xiang)卓越(yue)的模(mo)型蒸馏技术，该技术实现了将高性能AI模(mo)型的核心推理能力高效移植至轻量化版(ban)本中的目标(biao)。这一突破不仅结合了开源与轻量化的双(shuang)重优势，进(jin)一步降低了人工智能技术的应(ying)用门槛，同时也为边缘计算领域带(dai)来了前所未(wei)有的发展机遇。企业能够依据自身行(xing)业特点，在本地进(jin)行(xing)模(mo)型训练，使得原本依赖于高性能服务器和稳定网络(luo)环境的边缘设备得以焕发新生(sheng)。此外(wai)，DeepSeek积极探(tan)索分布式(shi)计算与边缘计算架构的新路径，通过(guo)将计算任务分布至更靠近数据源的边缘节点，从而大幅减少对中央数据中心的依赖。这不仅有效缓解了数据传输过(guo)程中的延迟问题和带(dai)宽压力，同时优化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(guo)上述技术组合拳，DeepSeek R1实现了在保证(zheng)模(mo)型性能的同时，大幅降低训练和推理的算力需求和成本。这使得人工智能技术的应(ying)用门槛显著降低，为更广泛的应(ying)用场(chang)景打开了大门。

算力生(sheng)态的重构与资源再分配

DeepSeek R1的出现，不仅可(ke)能引(yin)发算力需求的增长，还将深刻(ke)地重塑全球算力生(sheng)态，并导致算力资源的重新分配。

首先，分布式(shi)革命与集中霸权竞争。传统人工智能发展模(mo)式(shi)往往依赖于“规模(mo)至上”的逻辑，追求超大规模(mo)模(mo)型和超大规模(mo)算力集群。DeepSeek R1的轻量化模(mo)型和开源策略，降低了人工智能应(ying)用的门槛，促进(jin)了中端算力设施和分布式(shi)数据中心的普及。此前，美国科技公司曾计划建设耗(hao)电量堪(kan)比(bi)纽约市的巨型数据中心，但在DeepSeek高效模(mo)型的影响(xiang)下，此类超大规模(mo)基(ji)础设施的必(bi)要性显著下降。算力生(sheng)态正(zheng)在从单一“超大规模(mo)中心垄断”模(mo)式(shi)转向与“分布式(shi)蜂群网络(luo)”竞争的模(mo)式(shi)。

其次，产业链(lian)价值重新分配。在算力产业链(lian)上游，DeepSeek的出现使英伟达等(deng)GPU巨头面临需求结构调整的挑战。由于DeepSeek模(mo)型对算力效率的提升，以及分布式(shi)计算的兴起，市场(chang)对高性能GPU的需求可(ke)能不再是无止境的扩张，而是更加注重能效比(bi)和定制化。与此同时，寒武纪(ji)等(deng)ASIC芯片厂商或将迎来发展机遇。ASIC芯片可(ke)以针对特定的人工智能应(ying)用进(jin)行(xing)硬件加速(su)，在能效比(bi)和成本控制上更具优势，更符合分布式(shi)算力发展的趋势。在中游算力服务端，区域性数据中心凭借低时延和贴近应(ying)用场(chang)景的优势，开始承(cheng)接制造业智能质检、金融风控等(deng)对延迟敏(min)感的应(ying)用需求，迫(po)使AWS、阿里云等(deng)云计算巨头调整部分大型数据中心的建设投入，转而加强边缘计算和分布式(shi)算力布局。

在下游应(ying)用端，国产算力成本的下降，将驱(qu)动人工智能在制造业、金融、医疗等(deng)领域的渗透率倍增。例如，在代码托管平台GitHub上，已涌现出大量基(ji)于DeepSeek模(mo)型的集成应(ying)用案例（awesome deepseek integration）。同时，中国各地省市纷纷上线R1模(mo)型，加速(su)人工智能的区域化、本地化部署。越(yue)来越(yue)形(xing)成形(xing)成“需求牵引(yin)供给(gei)”的正(zheng)向循环，实现“算力+行(xing)业”的双(shuang)向赋(fu)能。这种趋势正(zheng)在形(xing)成“需求牵引(yin)供给(gei)”的正(zheng)向循环，实现“算力+行(xing)业”的双(shuang)向赋(fu)能。人工智能技术将加速(su)渗透到各行(xing)各业，成为推动产业升级和经济发展的重要引(yin)擎。

最后，探(tan)索低碳AI发展路径，在效率提升和能源可(ke)持续性之间寻求平衡。DeepSeek通过(guo)算法架构优化和硬件能效协同，在单次运算能耗(hao)控制方面取得了突破性进(jin)展。通过(guo)MLA与MoE技术融合、强化学习（RL）的深度应(ying)用、稀疏化训练等(deng)核心技术，DeepSeek大幅压缩了单次计算的经济成本和能源消(xiao)耗(hao)。据测算，DeepSeek模(mo)型单位计算任务的能耗(hao)较传统稠密模(mo)型下降超过(guo)50%，单位计算碳排放(fang)强度降至行(xing)业平均水平的1/3。这为推进(jin)绿色数据中心建设和实现碳中和目标(biao)提供了关键的技术支撑。

更重要的是，DeepSeek通过(guo)“低能耗(hao)+分布式(shi)”模(mo)式(shi)，显著降低了高性能AI对传统能源的依赖。分布式(shi)与边缘计算架构，将计算任务分散到靠近数据源的边缘设备处(chu)理，有效减少了对集中式(shi)数据中心的电力依赖。同时，DeepSeek的高性能模(mo)型在实现同等(deng)效果时，与清洁能源耦合的能效显著优于传统AI架构。

分布式(shi)计算与边缘节点的高效协同，不仅大幅降低了集中式(shi)数据中心对传统能源的依赖，也使AI系统能够更灵活地协调计算任务和清洁能源供给(gei)，更加适配可(ke)再生(sheng)能源的波动性特点。例如，在太阳能充足(zu)的时段优先调度计算任务，并借助优化算法动态匹配能源供给(gei)波动，在弃风弃光(guang)时段提升消(xiao)纳率20%以上，从而有效破解新能源消(xiao)纳难题。

杰(jie)文斯悖论：效率提升与需求扩张

然而，DeepSeek R1的技术突破，在降低人工智能应(ying)用门槛的同时，也可(ke)能引(yin)发“杰(jie)文斯悖论”。杰(jie)文斯悖论由19世纪(ji)经济学家 William Stanley Jevons提出，他发现，随着煤炭使用效率的提高，煤炭的消(xiao)耗(hao)总量反而增加。这一悖论揭示了一个深刻(ke)的经济规律：效率的提升并不必(bi)然导致资源消(xiao)耗(hao)的减少，反而可(ke)能因为成本降低和应(ying)用范围扩大，刺激需求增长，最终(zhong)导致资源消(xiao)耗(hao)总量增加。

微软 CEO Satya Nadella引(yin)用杰(jie)文斯悖论来解释DeepSeek R1可(ke)能带(dai)来的影响(xiang)，可(ke)谓一针见血。他认为，更实惠、更易于访问的人工智能技术，将通过(guo)更快的普及和更广泛的应(ying)用，导致需求的激增。随着人工智能技术的门槛降低，过(guo)去由于成本限制而无法应(ying)用人工智能的领域，例如中小企业、边缘计算场(chang)景等(deng)，将涌现出大量新的应(ying)用需求，从而导致算力调用密度指数级上升。

此外(wai)，新兴应(ying)用场(chang)景的爆(bao)发，也将加速(su)算力需求的裂变。智能驾(jia)驶、具身机器人等(deng)前沿(yan)领域对实时算力的需求极为庞大，远超DeepSeek技术优化的速(su)度。即使单任务效率提升数倍，百万级智能终(zhong)端的并发需求，仍将形(xing)成巨大的算力吞噬黑洞。

更进(jin)一步，模(mo)型复杂性的提升，也可(ke)能在一定程度上抵消(xiao)效率提升带(dai)来的节能效果。为了探(tan)索通用人工智能（AGI）等(deng)前沿(yan)方向，模(mo)型参数规模(mo)不断向万亿级跃升，数据量也以年(nian)均30%的速(su)度增长。即使训练效率提升10倍，模(mo)型规模(mo)扩大100倍，仍然会导致算力总需求净增10倍。DeepSeek的高效算法或许能够“追赶(gan)”数据增长的速(su)度，但难以从根本上逆转算力需求的增长曲线。

因此，DeepSeek R1的技术突破，虽(sui)然在单位算力能耗(hao)上取得了显著降低，但从宏观层面来看(kan)，很可(ke)能无法有效缓解人工智能发展对算力和能源的巨大需求。相反，技术普惠性引(yin)发的应(ying)用爆(bao)发，以及模(mo)型复杂性的持续提升，可(ke)能会共同推动算力需求的加速(su)增长，最终(zhong)导致电力系统在需求激增的压力下加速(su)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突破，并可(ke)能推动算力生(sheng)态向分布式(shi)方向发展，但其技术进(jin)步并不能改(gai)变人工智能发展对能源的巨大需求。算力的尽头，依然是电力。

DeepSeek等(deng)人工智能技术的突破，将不可(ke)避免地推高全球电力需求。“杰(jie)文斯悖论”的加速(su)效应(ying)，可(ke)能使全球电力需求曲线更加陡峭。尽管DeepSeek通过(guo)优化算法、硬件适配等(deng)技术，显著提升了人工智能算力效率，降低了单次任务的能耗(hao)，打破了人工智能应(ying)用的经济门槛，但这种技术跃迁预计将同步触发“杰(jie)文斯悖论”，能源消(xiao)耗(hao)总量或将突破线性增长模(mo)式(shi)，形(xing)成“效率提升-应(ying)用扩张-能耗(hao)跃升”的闭(bi)环。

国际能源署（IEA）的数据显示，2022年(nian)全球数据中心耗(hao)电量已达460TWh，占全球总用电量的2%。预计到2026年(nian)，全球数据中心耗(hao)电量将扩张至620-1050TWh。这意味着，未(wei)来几年(nian)内，数据中心的能源消(xiao)耗(hao)将呈(cheng)现指数级增长趋势。

面对如此巨大的能源需求，全球科技巨头们已经掀起了一场(chang)围绕电力资源的争夺战。美国微软与OpenAI等(deng)科技巨头联合发起了“星(xing)际之门计划”，计划耗(hao)资千亿美元，在2030年(nian)前建成全球最大的AI超算集群。“星(xing)际之门”的目标(biao)是建设5-10个数据中心园(yuan)区，每(mei)个园(yuan)区设计功率约为100兆瓦(wa)，总电力需求将达到5GW-10GW级别。这相当于数个大型城市的用电量。

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

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

巨额的资本支出，主要用于购买算力设备，建设数据中心，以支撑人工智能业务的快速(su)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(mo)型性能和更快的技术迭代速(su)度。在商业竞争中，算力的质量代表的是速(su)度问题，更高算力通常带(dai)来更好的效果。短(duan)期内节省算力固然重要，但从长远来看(kan)，算力需求只(zhi)会螺旋上升，面向未(wei)来投资算力才是更重要的战略选择。英伟达2025年(nian)2月6日其股价单日涨(zhang)幅超5%，市值重回3万亿美元，也回应(ying)了这个趋势，反映了市场(chang)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)能够支撑高强度的算力投资；另一方面，巨额的算力投资也已经产生(sheng)了实际回报，“云+AI”业务的收(shou)入和利润正(zheng)在快速(su)增长，这进(jin)一步刺激了它们加大算力投资的力度。谷歌(ge)、微软等(deng)巨头在2025年(nian)Q1财报中披露，AI业务资本开支同比(bi)增35%，表明算力扩张仍在持续，电力需求韧性显现。

除(chu)去科技公司，主权国家和地区也同步进(jin)入到算力的竞赛当中。欧盟委员会于2025年(nian)2月宣布的“Invest AI”计划，拟通过(guo)公共和私人资金调动总额2000亿欧元，核心目标(biao)是建设4座AI超级工厂，配备约10万颗最先进(jin)AI芯片（是目前欧洲在建工厂的4倍），专注于训练复杂AI模(mo)型。其中，200亿欧元专门用于设立欧洲基(ji)金支持这些工厂。日本、沙特、印度等(deng)国家也纷纷将算力主权纳入国家战略。

中国路径：效率、可(ke)持续性与分布式(shi)协同

面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(tan)索一条具有自身特色的发展路径。DeepSeekR1的技术突破，为我们提供了一个重要的启示：在人工智能发展中，效率和可(ke)持续性同样重要，甚至比(bi)单纯的算力堆砌更为关键。

中国在人工智能发展上，既要仰望(wang)星(xing)空，追求前沿(yan)技术的突破，也要脚踏(ta)实地，注重应(ying)用场(chang)景的落地。DeepSeek R1和V3的出现，代表了一种相对低算力、高表现的技术路线，这符合中国国情和发展阶段的实际需求。对于中国而言，在算力资源相对紧张的情况下，更应(ying)该注重效率优化，通过(guo)技术创新，提升单位算力的价值，降低对能源的消(xiao)耗(hao)。

同时，中国也要清醒地认识到，优秀的硬件在人工智能发展过(guo)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和更高的效率。尤其是在人工智能前沿(yan)研(yan)究领域，例如AI for Science，仍然需要足(zu)够的算力进(jin)行(xing)支持。因此，中国在发展高效算法的同时，也要加强在算力基(ji)础设施领域的投入，构建自主可(ke)控的算力底(di)座。

未(wei)来，人工智能领域的竞争，将是前沿(yan)技术创新和应(ying)用场(chang)景落地的双(shuang)线竞争。既要“卷前沿(yan)”，在基(ji)础理论和核心技术上取得突破，也要“卷应(ying)用”，将人工智能技术广泛应(ying)用到各行(xing)各业，创造实际价值。有能力的企业，必(bi)然是“两手都要抓，两手都要硬”，既要布局前沿(yan)技术，也要深耕(geng)应(ying)用场(chang)景。

在能源战略上，中国应(ying)坚持效率优先、绿色发展的原则(ze)，在效率与可(ke)持续性之间寻找平衡。DeepSeek 的分布式(shi)算力架构，为我们提供了一个重要的方向：通过(guo)分布式(shi)革命，瓦(wa)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(luo)。

更进(jin)一步，算力分布式(shi)革命，应(ying)与分布式(shi)能源革命协同推进(jin)。通过(guo)将算力设施与分布式(shi)能源（如光(guang)伏、风电）相结合，构建“源-荷(he)-储-算”协同的新型电力系统。分布式(shi)算力可(ke)以作为新型电力系统的“荷(he)”，通过(guo)智能调度算法，与分布式(shi)能源的波动性出力相匹配，实现“电-算协同”，提升清洁能源的消(xiao)纳能力，降低电力系统的风险。

分布式(shi)算力革命与分布式(shi)能源革命的协同发展，将倒(dao)逼电网进(jin)化，加速(su)传统电网向智能电网转型。智能电网需要具备动态负荷(he)优化分配、实时响(xiang)应(ying)能力，以适应(ying)分布式(shi)能源和分布式(shi)算力的需求。这将推动电力系统从传统的“单向传输”模(mo)式(shi)，向“双(shuang)向互(hu)动”、“源网荷(he)储”协同优化的模(mo)式(shi)转变，构建更加清洁、高效、安(an)全、可(ke)靠的现代能源体系。

结论：展望(wang)人工智能、算力与能源的未(wei)来

DeepSeek R1的出现，标(biao)志着人工智能技术发展进(jin)入了一个新的阶段。效率优化和成本控制，成为人工智能技术发展的重要驱(qu)动力。然而，技术进(jin)步并不能改(gai)变人工智能对算力和能源的巨大需求。杰(jie)文斯悖论提醒我们，效率提升并不必(bi)然导致资源消(xiao)耗(hao)的减少，反而可(ke)能刺激需求增长，最终(zhong)导致资源消(xiao)耗(hao)总量增加。

面对人工智能发展带(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，共同探(tan)索可(ke)持续发展之路。一方面，要继续加强技术创新，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(ji)础设施，推动能源结构的转型升级。

在中国，我们应(ying)坚持效率优先、绿色发展的原则(ze)，探(tan)索具有中国特色的AI发展路径。通过(guo)技术创新、模(mo)式(shi)创新和政策引(yin)导，在效率与可(ke)持续性之间找到最佳平衡点，实现人工智能与经济社会、生(sheng)态环境的和谐共生(sheng)。算力分布式(shi)革命与分布式(shi)能源革命的协同推进(jin)，将为中国构建绿色、高效、智能的未(wei)来能源体系，赢得人工智能时代的竞争优势，提供强劲的动力。

作者信息

刘少轩：

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(xing)院长

陈钰什：

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