Deepseek也引起了对美国科技股和能源(yuan)股短期剧烈震(zhen)荡。英(ying)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（约(yue)6000亿美元），博通、AMD、台(tai)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(ying)伟达的市盈率在46倍(bei)左右，苹(ping)果的市盈率在36倍(bei)左右，特斯拉183倍(bei)市盈率。如今，七巨头的平均市盈率接近50倍(bei)，市值占美股总市值28%左右。）产(chan)生质疑。此外，由(you)于R1通过算法优化显著降低模型能耗（内存使用减少50%以(yi)上），市场担忧AI对电力需求的增(zeng)长预期被打破，导致美国联合能源(yuan)、Vistra等能源(yuan)公司股价暴跌21%-29%。

尽管DeepSeek在技术上取得了巨大进步，但其在中国境外的未来发展仍面临(lin)不确定性(xing)，部分西方机(ji)构(gou)和政府已开始限制使用其服务。然(ran)而，全球人工智(zhi)能领域都在密切关注DeepSeek如何以(yi)如此低的成本实现(xian)领先性(xing)能。如果DeepSeek的方法能够被广泛复制，那么(me)对于东南(nan)亚地区、澳大利亚、新西兰等中小型国家而言，或许(xu)将有(you)机(ji)会以(yi)更(geng)低的成本进入基础模型领域，这在过去是难以(yi)想(xiang)象的。

对于澳新地区的数据中心运营(ying)商而言，人工智(zhi)能技术成本的潜在降低，无疑缓解(jie)了对外国模型安(an)全性(xing)和可靠性(xing)风险的担忧。Macquarie Data Centres的高管David Hirst指出，人工智(zhi)能行业的发展速度(du)远超(chao)以(yi)往任何技术趋势，且仍处于早期阶段。他认为，人工智(zhi)能正(zheng)在并将继续证明，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(zhi)能所能实现(xian)的冰山(shan)一角。人工智(zhi)能将从(cong)根本上改变(bian)所有(you)行业的运作方式(shi)以(yi)及人类的潜力。以(yi)Deepseek为例，从(cong)2024年1月5日，DeepSeek发布了首个大模型DeepSeek LLM到2024年12月26日，正(zheng)式(shi)上线DeepSeek-V3模型，并同步开源(yuan)，标准着全球首个全开源(yuan)的混(hun)合专家（MoE）模型出现(xian)，再到2025年1月20日发布的DeekSeek-R1推理大模型。从(cong)在极短的时间内，人工智(zhi)能已取得显著进展。大型语言模型的快速发展，从(cong)模型的迭代、算力的更(geng)新，到训练和推理成本的下降，再到智(zhi)能体(ti)的产(chan)品形态出现(xian)，人工智(zhi)能正(zheng)在不断提高行业效率，并最终降低成本。DeepSeek模型的创新，通过简化训练过程和更(geng)有(you)效地利用硬件，标志着在降低人工智(zhi)能训练和推理门(men)槛方面迈出了重要一步，为更(geng)多企业应用这项技术打开了大门(men)。

DeepSeek R1 的技术特点(dian)：效率与成本优势

DeepSeek R1 模型的出现(xian)之所以(yi)能引发行业震(zhen)动，核心在于其在效率和成本控制上的突破。DeepSeek 通过一系列技术创新，实现(xian)了在相对较低的算力投入下，获得可媲美甚至超(chao)越头部模型的性(xing)能表现(xian)。这些技术特点(dian)主要包(bao)括：

混(hun)合专家模型（Mixture-of-Experts, MoE）：MoE架构(gou)是DeepSeek R1降低算力需求的关键。与传统的稠密模型不同，MoE模型包(bao)含(han)多个“专家”子网络(luo)，每个子网络(luo)专门(men)处理特定类型的输入。在推理过程中，模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(you)网络(luo)，从(cong)而大幅减少计算量，提高推理效率。DeepSeek将MoE技术与模型架构(gou)深度(du)融合，实现(xian)了性(xing)能与效率的平衡。

多头潜注意力机(ji)制（MLA）：该技术为DeepSeek团队独创，针对传统Transformer模型的“多头注意力机(ji)制”在处理长文本时容易“分心”的问题，MLA通过压缩关键信息，让模型更(geng)聚焦核心内容这种(zhong)协同优化方法，能够最大化硬件资源(yuan)的利用效率，降低整体(ti)算力需求。

PTX汇编语言优化：为了更(geng)充分地挖掘硬件潜力，DeepSeek甚至深入到硬件底层，采用PTX汇编语言对核心计算模块进行优化。PTX汇编语言是一种(zhong)针对NVIDIAGPU的底层编程语言，通过精细的汇编级(ji)优化，可以(yi)最大限度(du)地提升代码执行效率，减少不必要的计算开销(xiao)。这种(zhong)极致的优化精神，体(ti)现(xian)了DeepSeek在算力效率上的极致追求。

蒸馏(liu)技术与分布式(shi)/边缘计算架构(gou):DeepSeek推出了一项卓越的模型蒸馏(liu)技术，该技术实现(xian)了将高性(xing)能AI模型的核心推理能力高效移植至轻(qing)量化版本中的目标。这一突破不仅结(jie)合了开源(yuan)与轻(qing)量化的双重优势，进一步降低了人工智(zhi)能技术的应用门(men)槛，同时也为边缘计算领域带来了前所未有(you)的发展机(ji)遇。企业能够依据自身行业特点(dian)，在本地进行模型训练，使得原本依赖于高性(xing)能服务器(qi)和稳定网络(luo)环境的边缘设备得以(yi)焕发新生。此外，DeepSeek积极探索分布式(shi)计算与边缘计算架构(gou)的新路径，通过将计算任务分布至更(geng)靠近数据源(yuan)的边缘节点(dian)，从(cong)而大幅减少对中央数据中心的依赖。这不仅有(you)效缓解(jie)了数据传输过程中的延迟(chi)问题和带宽压力，同时优化了边缘设备算力资源(yuan)的利用效率，构(gou)建了一个更(geng)加灵活高效的算力部署方案。

通过上述技术组合拳，DeepSeek R1实现(xian)了在保证模型性(xing)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(zhi)能技术的应用门(men)槛显著降低，为更(geng)广泛的应用场景打开了大门(men)。

算力生态的重构(gou)与资源(yuan)再分配

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

首先，分布式(shi)革命与集(ji)中霸(ba)权竞争(zheng)。传统人工智(zhi)能发展模式(shi)往往依赖于“规模至上”的逻(luo)辑，追求超(chao)大规模模型和超(chao)大规模算力集(ji)群。DeepSeek R1的轻(qing)量化模型和开源(yuan)策略，降低了人工智(zhi)能应用的门(men)槛，促进了中端算力设施(shi)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电量堪比纽约(yue)市的巨型数据中心，但在DeepSeek高效模型的影响下，此类超(chao)大规模基础设施(shi)的必要性(xing)显著下降。算力生态正(zheng)在从(cong)单一“超(chao)大规模中心垄断”模式(shi)转向与“分布式(shi)蜂群网络(luo)”竞争(zheng)的模式(shi)。

其次，产(chan)业链价值重新分配。在算力产(chan)业链上游(you)，DeepSeek的出现(xian)使英(ying)伟达等GPU巨头面临(lin)需求结(jie)构(gou)调整的挑战。由(you)于DeepSeek模型对算力效率的提升，以(yi)及分布式(shi)计算的兴起，市场对高性(xing)能GPU的需求可能不再是无止境的扩张，而是更(geng)加注重能效比和定制化。与此同时，寒(han)武(wu)纪等ASIC芯片厂商或将迎来发展机(ji)遇。ASIC芯片可以(yi)针对特定的人工智(zhi)能应用进行硬件加速，在能效比和成本控制上更(geng)具优势，更(geng)符合分布式(shi)算力发展的趋势。在中游(you)算力服务端，区域性(xing)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(zhi)能质检、金融风控等对延迟(chi)敏感的应用需求，迫使AWS、阿里云等云计算巨头调整部分大型数据中心的建设投入，转而加强(qiang)边缘计算和分布式(shi)算力布局。

在下游(you)应用端，国产(chan)算力成本的下降，将驱动人工智(zhi)能在制造业、金融、医疗等领域的渗(shen)透率倍(bei)增(zeng)。例如，在代码托(tuo)管平台(tai)GitHub上，已涌现(xian)出大量基于DeepSeek模型的集(ji)成应用案例（awesome deepseek integration）。同时，中国各地省市纷纷上线R1模型，加速人工智(zhi)能的区域化、本地化部署。越来越形成形成“需求牵引供给”的正(zheng)向循环，实现(xian)“算力+行业”的双向赋能。这种(zhong)趋势正(zheng)在形成“需求牵引供给”的正(zheng)向循环，实现(xian)“算力+行业”的双向赋能。人工智(zhi)能技术将加速渗(shen)透到各行各业，成为推动产(chan)业升级(ji)和经济发展的重要引擎。

最后，探索低碳(tan)AI发展路径，在效率提升和能源(yuan)可持续性(xing)之间寻求平衡。DeepSeek通过算法架构(gou)优化和硬件能效协同，在单次运算能耗控制方面取得了突破性(xing)进展。通过MLA与MoE技术融合、强(qiang)化学习（RL）的深度(du)应用、稀(xi)疏化训练等核心技术，DeepSeek大幅压缩了单次计算的经济成本和能源(yuan)消耗。据测算，DeepSeek模型单位(wei)计算任务的能耗较传统稠密模型下降超(chao)过50%，单位(wei)计算碳(tan)排放(fang)强(qiang)度(du)降至行业平均水平的1/3。这为推进绿色(se)数据中心建设和实现(xian)碳(tan)中和目标提供了关键的技术支撑。

更(geng)重要的是，DeepSeek通过“低能耗+分布式(shi)”模式(shi)，显著降低了高性(xing)能AI对传统能源(yuan)的依赖。分布式(shi)与边缘计算架构(gou)，将计算任务分散到靠近数据源(yuan)的边缘设备处理，有(you)效减少了对集(ji)中式(shi)数据中心的电力依赖。同时，DeepSeek的高性(xing)能模型在实现(xian)同等效果时，与清洁能源(yuan)耦合的能效显著优于传统AI架构(gou)。

分布式(shi)计算与边缘节点(dian)的高效协同，不仅大幅降低了集(ji)中式(shi)数据中心对传统能源(yuan)的依赖，也使AI系统能够更(geng)灵活地协调计算任务和清洁能源(yuan)供给，更(geng)加适(shi)配可再生能源(yuan)的波(bo)动性(xing)特点(dian)。例如，在太阳(yang)能充足的时段优先调度(du)计算任务，并借助优化算法动态匹配能源(yuan)供给波(bo)动，在弃风弃光时段提升消纳率20%以(yi)上，从(cong)而有(you)效破解(jie)新能源(yuan)消纳难题。

杰文斯悖论：效率提升与需求扩张

然(ran)而，DeepSeek R1的技术突破，在降低人工智(zhi)能应用门(men)槛的同时，也可能引发“杰文斯悖论”。杰文斯悖论由(you)19世纪经济学家 William Stanley Jevons提出，他发现(xian)，随着煤(mei)炭使用效率的提高，煤(mei)炭的消耗总量反而增(zeng)加。这一悖论揭示了一个深刻(ke)的经济规律：效率的提升并不必然(ran)导致资源(yuan)消耗的减少，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(yuan)消耗总量增(zeng)加。

微软 CEO Satya Nadella引用杰文斯悖论来解(jie)释DeepSeek R1可能带来的影响，可谓(wei)一针见血。他认为，更(geng)实惠、更(geng)易于访问的人工智(zhi)能技术，将通过更(geng)快的普及和更(geng)广泛的应用，导致需求的激增(zeng)。随着人工智(zhi)能技术的门(men)槛降低，过去由(you)于成本限制而无法应用人工智(zhi)能的领域，例如中小企业、边缘计算场景等，将涌现(xian)出大量新的应用需求，从(cong)而导致算力调用密度(du)指数级(ji)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(zhi)能驾驶、具身机(ji)器(qi)人等前沿领域对实时算力的需求极为庞大，远超(chao)DeepSeek技术优化的速度(du)。即使单任务效率提升数倍(bei)，百万级(ji)智(zhi)能终端的并发需求，仍将形成巨大的算力吞噬黑洞。

更(geng)进一步，模型复杂性(xing)的提升，也可能在一定程度(du)上抵消效率提升带来的节能效果。为了探索通用人工智(zhi)能（AGI）等前沿方向，模型参数规模不断向万亿级(ji)跃升，数据量也以(yi)年均30%的速度(du)增(zeng)长。即使训练效率提升10倍(bei)，模型规模扩大100倍(bei)，仍然(ran)会导致算力总需求净增(zeng)10倍(bei)。DeepSeek的高效算法或许(xu)能够“追赶”数据增(zeng)长的速度(du)，但难以(yi)从(cong)根本上逆(ni)转算力需求的增(zeng)长曲线。

因此，DeepSeek R1的技术突破，虽然(ran)在单位(wei)算力能耗上取得了显著降低，但从(cong)宏观层面来看，很可能无法有(you)效缓解(jie)人工智(zhi)能发展对算力和能源(yuan)的巨大需求。相反，技术普惠性(xing)引发的应用爆发，以(yi)及模型复杂性(xing)的持续提升，可能会共同推动算力需求的加速增(zeng)长，最终导致电力系统在需求激增(zeng)的压力下加速重构(gou)。

算力的尽头，依然(ran)是电力

尽管DeepSeek R1在算力效率上取得了突破，并可能推动算力生态向分布式(shi)方向发展，但其技术进步并不能改变(bian)人工智(zhi)能发展对能源(yuan)的巨大需求。算力的尽头，依然(ran)是电力。

DeepSeek等人工智(zhi)能技术的突破，将不可避免地推高全球电力需求。“杰文斯悖论”的加速效应，可能使全球电力需求曲线更(geng)加陡(dou)峭。尽管DeepSeek通过优化算法、硬件适(shi)配等技术，显著提升了人工智(zhi)能算力效率，降低了单次任务的能耗，打破了人工智(zhi)能应用的经济门(men)槛，但这种(zhong)技术跃迁预计将同步触发“杰文斯悖论”，能源(yuan)消耗总量或将突破线性(xing)增(zeng)长模式(shi)，形成“效率提升-应用扩张-能耗跃升”的闭环。

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

面对如此巨大的能源(yuan)需求，全球科技巨头们已经掀起了一场围绕电力资源(yuan)的争(zheng)夺战。美国微软与OpenAI等科技巨头联合发起了“星际之门(men)计划”，计划耗资千亿美元，在2030年前建成全球最大的AI超(chao)算集(ji)群。“星际之门(men)”的目标是建设5-10个数据中心园区，每个园区设计功率约(yue)为100兆瓦，总电力需求将达到5GW-10GW级(ji)别。这相当于数个大型城市的用电量。

“电力缺口可能成为AI时代的卡(ka)脖子问题”，这正(zheng)在成为行业共识。科技巨头对清洁能源(yuan)的大规模投资和抢占，本质上是对新一轮工业革命核心资源(yuan)的争(zheng)夺。谁掌握了充足、廉价、绿色(se)的电力资源(yuan)，谁就将在人工智(zhi)能时代的竞争(zheng)中占据更(geng)有(you)利的位(wei)置。需要举具体(ti)的案例。

四(si)家拥有(you)大模型业务的美国科技公司——微软、亚马逊(xun)、谷歌、Meta仍然(ran)坚持“大力出奇迹”的策略，即大规模算力投资。2024年，美国科技四(si)巨头的资本支出均达到历史最高点(dian)，总额高达2431亿美元，同比增(zeng)长63%。预计2025年，它们的资本支出总额将超(chao)过3200亿美元，总增(zeng)速约(yue)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(yi)支撑人工智(zhi)能业务的快速发展。这些科技巨头们相信，更(geng)高的算力投入，能够带来更(geng)好的模型性(xing)能和更(geng)快的技术迭代速度(du)。在商业竞争(zheng)中，算力的质量代表的是速度(du)问题，更(geng)高算力通常带来更(geng)好的效果。短期内节省算力固然(ran)重要，但从(cong)长远来看，算力需求只会螺旋上升，面向未来投资算力才是更(geng)重要的战略选择。英(ying)伟达2025年2月6日其股价单日涨幅超(chao)5%，市值重回3万亿美元，也回应了这个趋势，反映了市场对算力芯片（如GB200芯片）放(fang)量的预期。

这些科技巨头们之所以(yi)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(ran)富余，净利润和现(xian)金流能够支撑高强(qiang)度(du)的算力投资；另一方面，巨额的算力投资也已经产(chan)生了实际回报，“云+AI”业务的收入和利润正(zheng)在快速增(zeng)长，这进一步刺激了它们加大算力投资的力度(du)。谷歌、微软等巨头在2025年Q1财(cai)报中披(pi)露，AI业务资本开支同比增(zeng)35%，表明算力扩张仍在持续，电力需求韧性(xing)显现(xian)。

除去科技公司，主权国家和地区也同步进入到算力的竞赛当中。欧盟委员会于2025年2月宣布的“Invest AI”计划，拟通过公共和私人资金调动总额2000亿欧元，核心目标是建设4座AI超(chao)级(ji)工厂，配备约(yue)10万颗最先进AI芯片（是目前欧洲在建工厂的4倍(bei)），专注于训练复杂AI模型。其中，200亿欧元专门(men)用于设立欧洲基金支持这些工厂。日本、沙(sha)特、印度(du)等国家也纷纷将算力主权纳入国家战略。

中国路径：效率、可持续性(xing)与分布式(shi)协同

面对全球人工智(zhi)能发展的新趋势，以(yi)及算力与能源(yuan)的挑战，中国需要探索一条具有(you)自身特色(se)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(zhi)能发展中，效率和可持续性(xing)同样重要，甚至比单纯(chun)的算力堆砌更(geng)为关键。

中国在人工智(zhi)能发展上，既(ji)要仰望星空，追求前沿技术的突破，也要脚踏实地，注重应用场景的落(luo)地。DeepSeek R1和V3的出现(xian)，代表了一种(zhong)相对低算力、高表现(xian)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(yuan)相对紧张的情况下，更(geng)应该注重效率优化，通过技术创新，提升单位(wei)算力的价值，降低对能源(yuan)的消耗。

同时，中国也要清醒地认识到，优秀的硬件在人工智(zhi)能发展过程中仍然(ran)不可替代。算法的优化固然(ran)重要，但更(geng)好的硬件意味着更(geng)低的训练时间和更(geng)高的效率。尤其是在人工智(zhi)能前沿研究(jiu)领域，例如AI for Science，仍然(ran)需要足够的算力进行支持。因此，中国在发展高效算法的同时，也要加强(qiang)在算力基础设施(shi)领域的投入，构(gou)建自主可控的算力底座。

未来，人工智(zhi)能领域的竞争(zheng)，将是前沿技术创新和应用场景落(luo)地的双线竞争(zheng)。既(ji)要“卷(juan)前沿”，在基础理论和核心技术上取得突破，也要“卷(juan)应用”，将人工智(zhi)能技术广泛应用到各行各业，创造实际价值。有(you)能力的企业，必然(ran)是“两手都要抓，两手都要硬”，既(ji)要布局前沿技术，也要深耕应用场景。

在能源(yuan)战略上，中国应坚持效率优先、绿色(se)发展的原则，在效率与可持续性(xing)之间寻找平衡。DeepSeek 的分布式(shi)算力架构(gou)，为我们提供了一个重要的方向：通过分布式(shi)革命，瓦解(jie)算力集(ji)中垄断的格局，构(gou)建更(geng)加灵活、高效、绿色(se)的算力网络(luo)。

更(geng)进一步，算力分布式(shi)革命，应与分布式(shi)能源(yuan)革命协同推进。通过将算力设施(shi)与分布式(shi)能源(yuan)（如光伏、风电）相结(jie)合，构(gou)建“源(yuan)-荷-储-算”协同的新型电力系统。分布式(shi)算力可以(yi)作为新型电力系统的“荷”，通过智(zhi)能调度(du)算法，与分布式(shi)能源(yuan)的波(bo)动性(xing)出力相匹配，实现(xian)“电-算协同”，提升清洁能源(yuan)的消纳能力，降低电力系统的风险。

分布式(shi)算力革命与分布式(shi)能源(yuan)革命的协同发展，将倒逼电网进化，加速传统电网向智(zhi)能电网转型。智(zhi)能电网需要具备动态负荷优化分配、实时响应能力，以(yi)适(shi)应分布式(shi)能源(yuan)和分布式(shi)算力的需求。这将推动电力系统从(cong)传统的“单向传输”模式(shi)，向“双向互动”、“源(yuan)网荷储”协同优化的模式(shi)转变(bian)，构(gou)建更(geng)加清洁、高效、安(an)全、可靠的现(xian)代能源(yuan)体(ti)系。

结(jie)论：展望人工智(zhi)能、算力与能源(yuan)的未来

DeepSeek R1的出现(xian)，标志着人工智(zhi)能技术发展进入了一个新的阶段。效率优化和成本控制，成为人工智(zhi)能技术发展的重要驱动力。然(ran)而，技术进步并不能改变(bian)人工智(zhi)能对算力和能源(yuan)的巨大需求。杰文斯悖论提醒我们，效率提升并不必然(ran)导致资源(yuan)消耗的减少，反而可能刺激需求增(zeng)长，最终导致资源(yuan)消耗总量增(zeng)加。

面对人工智(zhi)能发展带来的算力与能源(yuan)挑战，全球科技界和能源(yuan)界需要携(xie)手合作，共同探索可持续发展之路。一方面，要继续加强(qiang)技术创新，提升算力效率，降低单位(wei)算力能耗；另一方面，要大力发展清洁能源(yuan)，构(gou)建绿色(se)算力基础设施(shi)，推动能源(yuan)结(jie)构(gou)的转型升级(ji)。

在中国，我们应坚持效率优先、绿色(se)发展的原则，探索具有(you)中国特色(se)的AI发展路径。通过技术创新、模式(shi)创新和政策引导，在效率与可持续性(xing)之间找到最佳平衡点(dian)，实现(xian)人工智(zhi)能与经济社(she)会、生态环境的和谐共生。算力分布式(shi)革命与分布式(shi)能源(yuan)革命的协同推进，将为中国构(gou)建绿色(se)、高效、智(zhi)能的未来能源(yuan)体(ti)系，赢得人工智(zhi)能时代的竞争(zheng)优势，提供强(qiang)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行院长

陈钰什：

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