Deepseek也引起了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(gao)达17%，创美股历史最大(da)单日市值蒸发纪录（约6000亿美元），博通、AMD、台积电等芯片股同步重挫。纳(na)斯达克指数下跌3.1%，标普(pu)500指数下跌1.5%，市场对美国科技巨头的高(gao)估值（如美股七巨头中，英伟达的市盈(ying)率在46倍(bei)左右，苹果(guo)的市盈(ying)率在36倍(bei)左右，特斯拉183倍(bei)市盈(ying)率。如今，七巨头的平均(jun)市盈(ying)率接近(jin)50倍(bei)，市值占美股总市值28%左右。）产生(sheng)质疑。此外，由于R1通过算(suan)法(fa)优化显(xian)著降低模(mo)型能耗（内存使用减少50%以上），市场担忧AI对电力需求的增长预期被打破，导(dao)致美国联合能源、Vistra等能源公司股价暴跌21%-29%。

尽管DeepSeek在技术上取得了巨大(da)进步，但其在中国境外的未来(lai)发展(zhan)仍面临不(bu)确定性，部分西方机构和政府已开始限制使用其服务。然(ran)而，全球人工智能领域都在密(mi)切关注DeepSeek如何以如此低的成(cheng)本实现领先性能。如果(guo)DeepSeek的方法(fa)能够被广泛复制，那么对于东南亚(ya)地区、澳大(da)利亚(ya)、新西兰等中小型国家而言，或许将有机会(hui)以更低的成(cheng)本进入(ru)基础模(mo)型领域，这在过去(qu)是难以想象的。

对于澳新地区的数据中心运营(ying)商而言，人工智能技术成(cheng)本的潜在降低，无疑缓解了对外国模(mo)型安全性和可靠性风(feng)险的担忧。Macquarie Data Centres的高(gao)管David Hirst指出，人工智能行业的发展(zhan)速度远超以往任何技术趋势(shi)，且仍处于早期阶段。他认为，人工智能正在并将继续证明，它是世界上发展(zhan)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变所有行业的运作方式以及人类(lei)的潜力。以Deepseek为例，从2024年1月5日，DeepSeek发布了首个大(da)模(mo)型DeepSeek LLM到2024年12月26日，正式上线DeepSeek-V3模(mo)型，并同步开源，标准着全球首个全开源的混合专家（MoE）模(mo)型出现，再到2025年1月20日发布的DeekSeek-R1推理大(da)模(mo)型。从在极短的时间内，人工智能已取得显(xian)著进展(zhan)。大(da)型语言模(mo)型的快速发展(zhan)，从模(mo)型的迭代、算(suan)力的更新，到训练和推理成(cheng)本的下降，再到智能体的产品形态出现，人工智能正在不(bu)断提(ti)高(gao)行业效率，并最终降低成(cheng)本。DeepSeek模(mo)型的创新，通过简化训练过程和更有效地利用硬(ying)件，标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)企业应用这项技术打开了大(da)门。

DeepSeek R1 的技术特点：效率与成(cheng)本优势(shi)

DeepSeek R1 模(mo)型的出现之所以能引发行业震动，核心在于其在效率和成(cheng)本控制上的突(tu)破。DeepSeek 通过一系列(lie)技术创新，实现了在相对较低的算(suan)力投入(ru)下，获(huo)得可媲美甚至超越头部模(mo)型的性能表现。这些技术特点主要包括：

混合专家模(mo)型（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低算(suan)力需求的关键。与传统的稠密(mi)模(mo)型不(bu)同，MoE模(mo)型包含多(duo)个“专家”子网络，每个子网络专门处理特定类(lei)型的输入(ru)。在推理过程中，模(mo)型会(hui)根据输入(ru)内容动态选择激(ji)活部分专家网络，而非所有网络，从而大(da)幅减少计算(suan)量，提(ti)高(gao)推理效率。DeepSeek将MoE技术与模(mo)型架构深(shen)度融合，实现了性能与效率的平衡(heng)。

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

PTX汇编语言优化：为了更充分地挖掘硬(ying)件潜力，DeepSeek甚至深(shen)入(ru)到硬(ying)件底(di)层(ceng)，采用PTX汇编语言对核心计算(suan)模(mo)块进行优化。PTX汇编语言是一种针对NVIDIAGPU的底(di)层(ceng)编程语言，通过精细的汇编级优化，可以最大(da)限度地提(ti)升代码执行效率，减少不(bu)必要的计算(suan)开销。这种极致的优化精神，体现了DeepSeek在算(suan)力效率上的极致追求。

蒸馏技术与分布式/边缘计算(suan)架构:DeepSeek推出了一项卓越的模(mo)型蒸馏技术，该技术实现了将高(gao)性能AI模(mo)型的核心推理能力高(gao)效移(yi)植至轻量化版(ban)本中的目标。这一突(tu)破不(bu)仅结合了开源与轻量化的双重优势(shi)，进一步降低了人工智能技术的应用门槛，同时也为边缘计算(suan)领域带(dai)来(lai)了前所未有的发展(zhan)机遇。企业能够依(yi)据自身行业特点，在本地进行模(mo)型训练，使得原本依(yi)赖于高(gao)性能服务器和稳(wen)定网络环境的边缘设备得以焕(huan)发新生(sheng)。此外，DeepSeek积极探索分布式计算(suan)与边缘计算(suan)架构的新路径，通过将计算(suan)任务分布至更靠近(jin)数据源的边缘节点，从而大(da)幅减少对中央数据中心的依(yi)赖。这不(bu)仅有效缓解了数据传输过程中的延迟(chi)问题(ti)和带(dai)宽压(ya)力，同时优化了边缘设备算(suan)力资源的利用效率，构建了一个更加灵活高(gao)效的算(suan)力部署方案。

通过上述技术组合拳，DeepSeek R1实现了在保证模(mo)型性能的同时，大(da)幅降低训练和推理的算(suan)力需求和成(cheng)本。这使得人工智能技术的应用门槛显(xian)著降低，为更广泛的应用场景打开了大(da)门。

算(suan)力生(sheng)态的重构与资源再分配

DeepSeek R1的出现，不(bu)仅可能引发算(suan)力需求的增长，还将深(shen)刻地重塑全球算(suan)力生(sheng)态，并导(dao)致算(suan)力资源的重新分配。

首先，分布式革命与集中霸权竞(jing)争。传统人工智能发展(zhan)模(mo)式往往依(yi)赖于“规(gui)模(mo)至上”的逻辑，追求超大(da)规(gui)模(mo)模(mo)型和超大(da)规(gui)模(mo)算(suan)力集群。DeepSeek R1的轻量化模(mo)型和开源策略，降低了人工智能应用的门槛，促(cu)进了中端算(suan)力设施和分布式数据中心的普(pu)及。此前，美国科技公司曾计划建设耗电量堪(kan)比纽约市的巨型数据中心，但在DeepSeek高(gao)效模(mo)型的影响(xiang)下，此类(lei)超大(da)规(gui)模(mo)基础设施的必要性显(xian)著下降。算(suan)力生(sheng)态正在从单一“超大(da)规(gui)模(mo)中心垄(long)断”模(mo)式转向与“分布式蜂群网络”竞(jing)争的模(mo)式。

其次，产业链(lian)价值重新分配。在算(suan)力产业链(lian)上游(you)，DeepSeek的出现使英伟达等GPU巨头面临需求结构调整的挑战。由于DeepSeek模(mo)型对算(suan)力效率的提(ti)升，以及分布式计算(suan)的兴起，市场对高(gao)性能GPU的需求可能不(bu)再是无止境的扩张，而是更加注重能效比和定制化。与此同时，寒武纪等ASIC芯片厂商或将迎(ying)来(lai)发展(zhan)机遇。ASIC芯片可以针对特定的人工智能应用进行硬(ying)件加速，在能效比和成(cheng)本控制上更具(ju)优势(shi)，更符合分布式算(suan)力发展(zhan)的趋势(shi)。在中游(you)算(suan)力服务端，区域性数据中心凭借低时延和贴近(jin)应用场景的优势(shi)，开始承接制造业智能质检(jian)、金(jin)融风(feng)控等对延迟(chi)敏感的应用需求，迫使AWS、阿里云(yun)等云(yun)计算(suan)巨头调整部分大(da)型数据中心的建设投入(ru)，转而加强(qiang)边缘计算(suan)和分布式算(suan)力布局。

在下游(you)应用端，国产算(suan)力成(cheng)本的下降，将驱动人工智能在制造业、金(jin)融、医(yi)疗等领域的渗透率倍(bei)增。例如，在代码托管平台GitHub上，已涌现出大(da)量基于DeepSeek模(mo)型的集成(cheng)应用案例（awesome deepseek integration）。同时，中国各(ge)地省市纷纷上线R1模(mo)型，加速人工智能的区域化、本地化部署。越来(lai)越形成(cheng)形成(cheng)“需求牵引供给(gei)”的正向循环，实现“算(suan)力+行业”的双向赋能。这种趋势(shi)正在形成(cheng)“需求牵引供给(gei)”的正向循环，实现“算(suan)力+行业”的双向赋能。人工智能技术将加速渗透到各(ge)行各(ge)业，成(cheng)为推动产业升级和经济发展(zhan)的重要引擎。

最后，探索低碳AI发展(zhan)路径，在效率提(ti)升和能源可持续性之间寻求平衡(heng)。DeepSeek通过算(suan)法(fa)架构优化和硬(ying)件能效协同，在单次运算(suan)能耗控制方面取得了突(tu)破性进展(zhan)。通过MLA与MoE技术融合、强(qiang)化学习（RL）的深(shen)度应用、稀疏化训练等核心技术，DeepSeek大(da)幅压(ya)缩了单次计算(suan)的经济成(cheng)本和能源消耗。据测算(suan)，DeepSeek模(mo)型单位计算(suan)任务的能耗较传统稠密(mi)模(mo)型下降超过50%，单位计算(suan)碳排放(fang)强(qiang)度降至行业平均(jun)水平的1/3。这为推进绿色数据中心建设和实现碳中和目标提(ti)供了关键的技术支撑(cheng)。

更重要的是，DeepSeek通过“低能耗+分布式”模(mo)式，显(xian)著降低了高(gao)性能AI对传统能源的依(yi)赖。分布式与边缘计算(suan)架构，将计算(suan)任务分散到靠近(jin)数据源的边缘设备处理，有效减少了对集中式数据中心的电力依(yi)赖。同时，DeepSeek的高(gao)性能模(mo)型在实现同等效果(guo)时，与清洁能源耦合的能效显(xian)著优于传统AI架构。

分布式计算(suan)与边缘节点的高(gao)效协同，不(bu)仅大(da)幅降低了集中式数据中心对传统能源的依(yi)赖，也使AI系统能够更灵活地协调计算(suan)任务和清洁能源供给(gei)，更加适配可再生(sheng)能源的波动性特点。例如，在太阳(yang)能充足的时段优先调度计算(suan)任务，并借助(zhu)优化算(suan)法(fa)动态匹配能源供给(gei)波动，在弃风(feng)弃光时段提(ti)升消纳(na)率20%以上，从而有效破解新能源消纳(na)难题(ti)。

杰文斯悖论：效率提(ti)升与需求扩张

然(ran)而，DeepSeek R1的技术突(tu)破，在降低人工智能应用门槛的同时，也可能引发“杰文斯悖论”。杰文斯悖论由19世纪经济学家 William Stanley Jevons提(ti)出，他发现，随着煤炭使用效率的提(ti)高(gao)，煤炭的消耗总量反而增加。这一悖论揭示了一个深(shen)刻的经济规(gui)律：效率的提(ti)升并不(bu)必然(ran)导(dao)致资源消耗的减少，反而可能因为成(cheng)本降低和应用范围扩大(da)，刺激(ji)需求增长，最终导(dao)致资源消耗总量增加。

微软 CEO Satya Nadella引用杰文斯悖论来(lai)解释(shi)DeepSeek R1可能带(dai)来(lai)的影响(xiang)，可谓一针见血(xue)。他认为，更实惠、更易于访问的人工智能技术，将通过更快的普(pu)及和更广泛的应用，导(dao)致需求的激(ji)增。随着人工智能技术的门槛降低，过去(qu)由于成(cheng)本限制而无法(fa)应用人工智能的领域，例如中小企业、边缘计算(suan)场景等，将涌现出大(da)量新的应用需求，从而导(dao)致算(suan)力调用密(mi)度指数级上升。

此外，新兴应用场景的爆发，也将加速算(suan)力需求的裂变。智能驾驶、具(ju)身机器人等前沿领域对实时算(suan)力的需求极为庞大(da)，远超DeepSeek技术优化的速度。即使单任务效率提(ti)升数倍(bei)，百万级智能终端的并发需求，仍将形成(cheng)巨大(da)的算(suan)力吞噬黑洞。

更进一步，模(mo)型复杂(za)性的提(ti)升，也可能在一定程度上抵消效率提(ti)升带(dai)来(lai)的节能效果(guo)。为了探索通用人工智能（AGI）等前沿方向，模(mo)型参数规(gui)模(mo)不(bu)断向万亿级跃升，数据量也以年均(jun)30%的速度增长。即使训练效率提(ti)升10倍(bei)，模(mo)型规(gui)模(mo)扩大(da)100倍(bei)，仍然(ran)会(hui)导(dao)致算(suan)力总需求净增10倍(bei)。DeepSeek的高(gao)效算(suan)法(fa)或许能够“追赶”数据增长的速度，但难以从根本上逆(ni)转算(suan)力需求的增长曲线。

因此，DeepSeek R1的技术突(tu)破，虽然(ran)在单位算(suan)力能耗上取得了显(xian)著降低，但从宏(hong)观层(ceng)面来(lai)看，很可能无法(fa)有效缓解人工智能发展(zhan)对算(suan)力和能源的巨大(da)需求。相反，技术普(pu)惠性引发的应用爆发，以及模(mo)型复杂(za)性的持续提(ti)升，可能会(hui)共同推动算(suan)力需求的加速增长，最终导(dao)致电力系统在需求激(ji)增的压(ya)力下加速重构。

算(suan)力的尽头，依(yi)然(ran)是电力

尽管DeepSeek R1在算(suan)力效率上取得了突(tu)破，并可能推动算(suan)力生(sheng)态向分布式方向发展(zhan)，但其技术进步并不(bu)能改变人工智能发展(zhan)对能源的巨大(da)需求。算(suan)力的尽头，依(yi)然(ran)是电力。

DeepSeek等人工智能技术的突(tu)破，将不(bu)可避免地推高(gao)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加陡峭(qiao)。尽管DeepSeek通过优化算(suan)法(fa)、硬(ying)件适配等技术，显(xian)著提(ti)升了人工智能算(suan)力效率，降低了单次任务的能耗，打破了人工智能应用的经济门槛，但这种技术跃迁预计将同步触发“杰文斯悖论”，能源消耗总量或将突(tu)破线性增长模(mo)式，形成(cheng)“效率提(ti)升-应用扩张-能耗跃升”的闭环。

国际能源署（IEA）的数据显(xian)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(lai)几年内，数据中心的能源消耗将呈现指数级增长趋势(shi)。

面对如此巨大(da)的能源需求，全球科技巨头们已经掀起了一场围绕电力资源的争夺战。美国微软与OpenAI等科技巨头联合发起了“星际之门计划”，计划耗资千亿美元，在2030年前建成(cheng)全球最大(da)的AI超算(suan)集群。“星际之门”的目标是建设5-10个数据中心园区，每个园区设计功率约为100兆瓦，总电力需求将达到5GW-10GW级别。这相当于数个大(da)型城市的用电量。

“电力缺口可能成(cheng)为AI时代的卡脖子问题(ti)”，这正在成(cheng)为行业共识。科技巨头对清洁能源的大(da)规(gui)模(mo)投资和抢占，本质上是对新一轮(lun)工业革命核心资源的争夺。谁掌握了充足、廉价、绿色的电力资源，谁就将在人工智能时代的竞(jing)争中占据更有利的位置。需要举具(ju)体的案例。

四(si)家拥有大(da)模(mo)型业务的美国科技公司——微软、亚(ya)马逊、谷歌、Meta仍然(ran)坚(jian)持“大(da)力出奇迹”的策略，即大(da)规(gui)模(mo)算(suan)力投资。2024年，美国科技四(si)巨头的资本支出均(jun)达到历史最高(gao)点，总额高(gao)达2431亿美元，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，总增速约为30%。

巨额的资本支出，主要用于购买算(suan)力设备，建设数据中心，以支撑(cheng)人工智能业务的快速发展(zhan)。这些科技巨头们相信，更高(gao)的算(suan)力投入(ru)，能够带(dai)来(lai)更好(hao)的模(mo)型性能和更快的技术迭代速度。在商业竞(jing)争中，算(suan)力的质量代表的是速度问题(ti)，更高(gao)算(suan)力通常带(dai)来(lai)更好(hao)的效果(guo)。短期内节省算(suan)力固然(ran)重要，但从长远来(lai)看，算(suan)力需求只(zhi)会(hui)螺旋上升，面向未来(lai)投资算(suan)力才是更重要的战略选择。英伟达2025年2月6日其股价单日涨幅超5%，市值重回3万亿美元，也回应了这个趋势(shi)，反映了市场对算(suan)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(da)手笔地投入(ru)算(suan)力，一方面是因为它们“钱袋子”依(yi)然(ran)富余，净利润和现金(jin)流能够支撑(cheng)高(gao)强(qiang)度的算(suan)力投资；另一方面，巨额的算(suan)力投资也已经产生(sheng)了实际回报，“云(yun)+AI”业务的收入(ru)和利润正在快速增长，这进一步刺激(ji)了它们加大(da)算(suan)力投资的力度。谷歌、微软等巨头在2025年Q1财(cai)报中披露(lu)，AI业务资本开支同比增35%，表明算(suan)力扩张仍在持续，电力需求韧性显(xian)现。

除去(qu)科技公司，主权国家和地区也同步进入(ru)到算(suan)力的竞(jing)赛当中。欧(ou)盟委员会(hui)于2025年2月宣布的“Invest AI”计划，拟通过公共和私人资金(jin)调动总额2000亿欧(ou)元，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(ou)洲在建工厂的4倍(bei)），专注于训练复杂(za)AI模(mo)型。其中，200亿欧(ou)元专门用于设立欧(ou)洲基金(jin)支持这些工厂。日本、沙特、印度等国家也纷纷将算(suan)力主权纳(na)入(ru)国家战略。

中国路径：效率、可持续性与分布式协同

面对全球人工智能发展(zhan)的新趋势(shi)，以及算(suan)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(zhan)路径。DeepSeekR1的技术突(tu)破，为我们提(ti)供了一个重要的启示：在人工智能发展(zhan)中，效率和可持续性同样重要，甚至比单纯的算(suan)力堆砌更为关键。

中国在人工智能发展(zhan)上，既要仰望星空，追求前沿技术的突(tu)破，也要脚踏实地，注重应用场景的落地。DeepSeek R1和V3的出现，代表了一种相对低算(suan)力、高(gao)表现的技术路线，这符合中国国情和发展(zhan)阶段的实际需求。对于中国而言，在算(suan)力资源相对紧(jin)张的情况下，更应该注重效率优化，通过技术创新，提(ti)升单位算(suan)力的价值，降低对能源的消耗。

同时，中国也要清醒地认识到，优秀的硬(ying)件在人工智能发展(zhan)过程中仍然(ran)不(bu)可替代。算(suan)法(fa)的优化固然(ran)重要，但更好(hao)的硬(ying)件意味着更低的训练时间和更高(gao)的效率。尤其是在人工智能前沿研(yan)究(jiu)领域，例如AI for Science，仍然(ran)需要足够的算(suan)力进行支持。因此，中国在发展(zhan)高(gao)效算(suan)法(fa)的同时，也要加强(qiang)在算(suan)力基础设施领域的投入(ru)，构建自主可控的算(suan)力底(di)座。

未来(lai)，人工智能领域的竞(jing)争，将是前沿技术创新和应用场景落地的双线竞(jing)争。既要“卷前沿”，在基础理论和核心技术上取得突(tu)破，也要“卷应用”，将人工智能技术广泛应用到各(ge)行各(ge)业，创造实际价值。有能力的企业，必然(ran)是“两(liang)手都要抓，两(liang)手都要硬(ying)”，既要布局前沿技术，也要深(shen)耕应用场景。

在能源战略上，中国应坚(jian)持效率优先、绿色发展(zhan)的原则，在效率与可持续性之间寻找(zhao)平衡(heng)。DeepSeek 的分布式算(suan)力架构，为我们提(ti)供了一个重要的方向：通过分布式革命，瓦解算(suan)力集中垄(long)断的格局，构建更加灵活、高(gao)效、绿色的算(suan)力网络。

更进一步，算(suan)力分布式革命，应与分布式能源革命协同推进。通过将算(suan)力设施与分布式能源（如光伏、风(feng)电）相结合，构建“源-荷-储-算(suan)”协同的新型电力系统。分布式算(suan)力可以作为新型电力系统的“荷”，通过智能调度算(suan)法(fa)，与分布式能源的波动性出力相匹配，实现“电-算(suan)协同”，提(ti)升清洁能源的消纳(na)能力，降低电力系统的风(feng)险。

分布式算(suan)力革命与分布式能源革命的协同发展(zhan)，将倒逼电网进化，加速传统电网向智能电网转型。智能电网需要具(ju)备动态负荷优化分配、实时响(xiang)应能力，以适应分布式能源和分布式算(suan)力的需求。这将推动电力系统从传统的“单向传输”模(mo)式，向“双向互动”、“源网荷储”协同优化的模(mo)式转变，构建更加清洁、高(gao)效、安全、可靠的现代能源体系。

结论：展(zhan)望人工智能、算(suan)力与能源的未来(lai)

DeepSeek R1的出现，标志着人工智能技术发展(zhan)进入(ru)了一个新的阶段。效率优化和成(cheng)本控制，成(cheng)为人工智能技术发展(zhan)的重要驱动力。然(ran)而，技术进步并不(bu)能改变人工智能对算(suan)力和能源的巨大(da)需求。杰文斯悖论提(ti)醒我们，效率提(ti)升并不(bu)必然(ran)导(dao)致资源消耗的减少，反而可能刺激(ji)需求增长，最终导(dao)致资源消耗总量增加。

面对人工智能发展(zhan)带(dai)来(lai)的算(suan)力与能源挑战，全球科技界和能源界需要携手合作，共同探索可持续发展(zhan)之路。一方面，要继续加强(qiang)技术创新，提(ti)升算(suan)力效率，降低单位算(suan)力能耗；另一方面，要大(da)力发展(zhan)清洁能源，构建绿色算(suan)力基础设施，推动能源结构的转型升级。

在中国，我们应坚(jian)持效率优先、绿色发展(zhan)的原则，探索具(ju)有中国特色的AI发展(zhan)路径。通过技术创新、模(mo)式创新和政策引导(dao)，在效率与可持续性之间找(zhao)到最佳平衡(heng)点，实现人工智能与经济社会(hui)、生(sheng)态环境的和谐共生(sheng)。算(suan)力分布式革命与分布式能源革命的协同推进，将为中国构建绿色、高(gao)效、智能的未来(lai)能源体系，赢得人工智能时代的竞(jing)争优势(shi)，提(ti)供强(qiang)劲的动力。

作者信息

刘(liu)少轩：

上海交通大(da)学安泰经济与管理学院副院长

上海交通大(da)学中银科技金(jin)融学院执行院长

陈钰什(shi)：

New Energy Nexus中国首席研(yan)究(jiu)员，上海交通大(da)学中银科技金(jin)融学院博士后