Deepseek也引起(qi)了对美国科技股和能源股短期(qi)剧烈震荡。英伟达单日跌幅(fu)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），博通、AMD、台(tai)积电等芯片股同步重(zhong)挫。纳斯达克指数下跌3.1%，标普500指数下跌1.5%，市场(chang)对美国科技巨头的高估值（如美股七巨头中，英伟达的市盈率在46倍(bei)左(zuo)右，苹果的市盈率在36倍(bei)左(zuo)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(zuo)右。）产生(sheng)质疑。此外，由于R1通过算法优化显著降低模型能耗（内存(cun)使用减少(shao)50%以上），市场(chang)担忧AI对电力需求的增长预期(qi)被打破，导致美国联合能源、Vistra等能源公司股价暴跌21%-29%。

尽(jin)管DeepSeek在技术上取得了巨大进(jin)步，但其在中国境外的未来发展仍面临不确定性，部分(fen)西方机构和政府已开(kai)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(ben)实现领先性能。如果DeepSeek的方法能够被广泛复制，那(na)么对于东南亚地区、澳大利亚、新西兰等中小(xiao)型国家而言，或许将(jiang)有机会以更低的成本(ben)进(jin)入基础模型领域，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言，人工智能技术成本(ben)的潜在降低，无(wu)疑缓解了对外国模型安全性和可靠性风险(xian)的担忧。Macquarie Data Centres的高管David Hirst指出，人工智能行(xing)业的发展速度远超以往任(ren)何技术趋势，且仍处于早期(qi)阶段。他认为，人工智能正在并将(jiang)继续证明(ming)，它是世界(jie)上发展最快(kuai)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(jiang)从根本(ben)上改变所有行(xing)业的运作方式以及人类的潜力。以Deepseek为例，从2024年(nian)1月5日，DeepSeek发布了首个(ge)大模型DeepSeek LLM到2024年(nian)12月26日，正式上线DeepSeek-V3模型，并同步开(kai)源，标准着全球首个(ge)全开(kai)源的混合专家（MoE）模型出现，再到2025年(nian)1月20日发布的DeekSeek-R1推理(li)大模型。从在极短的时间内，人工智能已取得显著进(jin)展。大型语言模型的快(kuai)速发展，从模型的迭代、算力的更新，到训练和推理(li)成本(ben)的下降，再到智能体的产品形态出现，人工智能正在不断提(ti)高行(xing)业效率，并最终降低成本(ben)。DeepSeek模型的创新，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(li)门槛方面迈出了重(zhong)要一步，为更多企业应用这项技术打开(kai)了大门。

DeepSeek R1 的技术特点：效率与成本(ben)优势

DeepSeek R1 模型的出现之所以能引发行(xing)业震动，核心在于其在效率和成本(ben)控制上的突破。DeepSeek 通过一系列技术创新，实现了在相对较低的算力投(tou)入下，获得可媲(bi)美甚至超越头部模型的性能表现。这些技术特点主要包括：

混合专家模型（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，MoE模型包含多个(ge)“专家”子网络，每个(ge)子网络专门处理(li)特定类型的输入。在推理(li)过程中，模型会根据输入内容动态选择(ze)激活部分(fen)专家网络，而非所有网络，从而大幅(fu)减少(shao)计算量，提(ti)高推理(li)效率。DeepSeek将(jiang)MoE技术与模型架构深(shen)度融合，实现了性能与效率的平衡。

多头潜注意力机制（MLA）：该技术为DeepSeek团队独创，针对传统Transformer模型的“多头注意力机制”在处理(li)长文本(ben)时容易(yi)“分(fen)心”的问(wen)题(ti)，MLA通过压缩关键信(xin)息，让模型更聚焦核心内容这种协同优化方法，能够最大化硬件资(zi)源的利用效率，降低整体算力需求。

PTX汇编(bian)语言优化：为了更充分(fen)地挖(wa)掘硬件潜力，DeepSeek甚至深(shen)入到硬件底层，采用PTX汇编(bian)语言对核心计算模块(kuai)进(jin)行(xing)优化。PTX汇编(bian)语言是一种针对NVIDIAGPU的底层编(bian)程语言，通过精细的汇编(bian)级优化，可以最大限度地提(ti)升代码执行(xing)效率，减少(shao)不必要的计算开(kai)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(fen)布式/边缘计算架构:DeepSeek推出了一项卓越的模型蒸馏技术，该技术实现了将(jiang)高性能AI模型的核心推理(li)能力高效移植至轻量化版本(ben)中的目标。这一突破不仅结合了开(kai)源与轻量化的双重(zhong)优势，进(jin)一步降低了人工智能技术的应用门槛，同时也为边缘计算领域带(dai)来了前所未有的发展机遇(yu)。企业能够依据自身行(xing)业特点，在本(ben)地进(jin)行(xing)模型训练，使得原(yuan)本(ben)依赖于高性能服务器(qi)和稳定网络环境的边缘设备得以焕发新生(sheng)。此外，DeepSeek积极探索分(fen)布式计算与边缘计算架构的新路径，通过将(jiang)计算任(ren)务分(fen)布至更靠近数据源的边缘节点，从而大幅(fu)减少(shao)对中央数据中心的依赖。这不仅有效缓解了数据传输过程中的延(yan)迟问(wen)题(ti)和带(dai)宽压力，同时优化了边缘设备算力资(zi)源的利用效率，构建了一个(ge)更加灵活高效的算力部署方案。

通过上述(shu)技术组合拳，DeepSeek R1实现了在保证模型性能的同时，大幅(fu)降低训练和推理(li)的算力需求和成本(ben)。这使得人工智能技术的应用门槛显著降低，为更广泛的应用场(chang)景打开(kai)了大门。

算力生(sheng)态的重(zhong)构与资(zi)源再分(fen)配

DeepSeek R1的出现，不仅可能引发算力需求的增长，还将(jiang)深(shen)刻地重(zhong)塑全球算力生(sheng)态，并导致算力资(zi)源的重(zhong)新分(fen)配。

首先，分(fen)布式革命与集中霸权(quan)竞争。传统人工智能发展模式往往依赖于“规模至上”的逻辑，追求超大规模模型和超大规模算力集群。DeepSeek R1的轻量化模型和开(kai)源策略，降低了人工智能应用的门槛，促进(jin)了中端算力设施和分(fen)布式数据中心的普及。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(sheng)态正在从单一“超大规模中心垄断”模式转向与“分(fen)布式蜂群网络”竞争的模式。

其次，产业链价值重(zhong)新分(fen)配。在算力产业链上游，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模型对算力效率的提(ti)升，以及分(fen)布式计算的兴起(qi)，市场(chang)对高性能GPU的需求可能不再是无(wu)止境的扩张，而是更加注重(zhong)能效比和定制化。与此同时，寒武(wu)纪等ASIC芯片厂商或将(jiang)迎来发展机遇(yu)。ASIC芯片可以针对特定的人工智能应用进(jin)行(xing)硬件加速，在能效比和成本(ben)控制上更具优势，更符合分(fen)布式算力发展的趋势。在中游算力服务端，区域性数据中心凭借(jie)低时延(yan)和贴近应用场(chang)景的优势，开(kai)始承接制造业智能质检、金融风控等对延(yan)迟敏感的应用需求，迫使AWS、阿里云等云计算巨头调整部分(fen)大型数据中心的建设投(tou)入，转而加强边缘计算和分(fen)布式算力布局。

在下游应用端，国产算力成本(ben)的下降，将(jiang)驱动人工智能在制造业、金融、医疗等领域的渗透率倍(bei)增。例如，在代码托管平台(tai)GitHub上，已涌现出大量基于DeepSeek模型的集成应用案例（awesome deepseek integration）。同时，中国各(ge)地省市纷纷上线R1模型，加速人工智能的区域化、本(ben)地化部署。越来越形成形成“需求牵引供给”的正向循环，实现“算力+行(xing)业”的双向赋能。这种趋势正在形成“需求牵引供给”的正向循环，实现“算力+行(xing)业”的双向赋能。人工智能技术将(jiang)加速渗透到各(ge)行(xing)各(ge)业，成为推动产业升级和经济发展的重(zhong)要引擎。

最后，探索低碳AI发展路径，在效率提(ti)升和能源可持续性之间寻求平衡。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面取得了突破性进(jin)展。通过MLA与MoE技术融合、强化学习（RL）的深(shen)度应用、稀疏化训练等核心技术，DeepSeek大幅(fu)压缩了单次计算的经济成本(ben)和能源消(xiao)耗。据测(ce)算，DeepSeek模型单位计算任(ren)务的能耗较传统稠密模型下降超过50%，单位计算碳排放强度降至行(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提(ti)供了关键的技术支撑(cheng)。

更重(zhong)要的是，DeepSeek通过“低能耗+分(fen)布式”模式，显著降低了高性能AI对传统能源的依赖。分(fen)布式与边缘计算架构，将(jiang)计算任(ren)务分(fen)散到靠近数据源的边缘设备处理(li)，有效减少(shao)了对集中式数据中心的电力依赖。同时，DeepSeek的高性能模型在实现同等效果时，与清洁能源耦合的能效显著优于传统AI架构。

分(fen)布式计算与边缘节点的高效协同，不仅大幅(fu)降低了集中式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(ren)务和清洁能源供给，更加适(shi)配可再生(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(ren)务，并借(jie)助优化算法动态匹配能源供给波动，在弃风弃光时段提(ti)升消(xiao)纳率20%以上，从而有效破解新能源消(xiao)纳难题(ti)。

杰文斯悖(bei)论：效率提(ti)升与需求扩张

然而，DeepSeek R1的技术突破，在降低人工智能应用门槛的同时，也可能引发“杰文斯悖(bei)论”。杰文斯悖(bei)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，煤炭的消(xiao)耗总量反而增加。这一悖(bei)论揭(jie)示了一个(ge)深(shen)刻的经济规律：效率的提(ti)升并不必然导致资(zi)源消(xiao)耗的减少(shao)，反而可能因为成本(ben)降低和应用范(fan)围扩大，刺激需求增长，最终导致资(zi)源消(xiao)耗总量增加。

微软(ruan) CEO Satya Nadella引用杰文斯悖(bei)论来解释DeepSeek R1可能带(dai)来的影响，可谓一针见血。他认为，更实惠、更易(yi)于访问(wen)的人工智能技术，将(jiang)通过更快(kuai)的普及和更广泛的应用，导致需求的激增。随着人工智能技术的门槛降低，过去由于成本(ben)限制而无(wu)法应用人工智能的领域，例如中小(xiao)企业、边缘计算场(chang)景等，将(jiang)涌现出大量新的应用需求，从而导致算力调用密度指数级上升。

此外，新兴应用场(chang)景的爆发，也将(jiang)加速算力需求的裂变。智能驾驶、具身机器(qi)人等前沿领域对实时算力的需求极为庞大，远超DeepSeek技术优化的速度。即使单任(ren)务效率提(ti)升数倍(bei)，百万(wan)级智能终端的并发需求，仍将(jiang)形成巨大的算力吞噬黑洞(dong)。

更进(jin)一步，模型复杂性的提(ti)升，也可能在一定程度上抵消(xiao)效率提(ti)升带(dai)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(can)数规模不断向万(wan)亿级跃升，数据量也以年(nian)均30%的速度增长。即使训练效率提(ti)升10倍(bei)，模型规模扩大100倍(bei)，仍然会导致算力总需求净增10倍(bei)。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(ben)上逆转算力需求的增长曲线。

因此，DeepSeek R1的技术突破，虽然在单位算力能耗上取得了显著降低，但从宏观层面来看，很可能无(wu)法有效缓解人工智能发展对算力和能源的巨大需求。相反，技术普惠性引发的应用爆发，以及模型复杂性的持续提(ti)升，可能会共同推动算力需求的加速增长，最终导致电力系统在需求激增的压力下加速重(zhong)构。

算力的尽(jin)头，依然是电力

尽(jin)管DeepSeek R1在算力效率上取得了突破，并可能推动算力生(sheng)态向分(fen)布式方向发展，但其技术进(jin)步并不能改变人工智能发展对能源的巨大需求。算力的尽(jin)头，依然是电力。

DeepSeek等人工智能技术的突破，将(jiang)不可避免地推高全球电力需求。“杰文斯悖(bei)论”的加速效应，可能使全球电力需求曲线更加陡峭。尽(jin)管DeepSeek通过优化算法、硬件适(shi)配等技术，显著提(ti)升了人工智能算力效率，降低了单次任(ren)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(jiang)同步触发“杰文斯悖(bei)论”，能源消(xiao)耗总量或将(jiang)突破线性增长模式，形成“效率提(ti)升-应用扩张-能耗跃升”的闭环。

国际能源署（IEA）的数据显示，2022年(nian)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(nian)，全球数据中心耗电量将(jiang)扩张至620-1050TWh。这意味着，未来几年(nian)内，数据中心的能源消(xiao)耗将(jiang)呈现指数级增长趋势。

面对如此巨大的能源需求，全球科技巨头们已经掀(xian)起(qi)了一场(chang)围绕电力资(zi)源的争夺战。美国微软(ruan)与OpenAI等科技巨头联合发起(qi)了“星际之门计划”，计划耗资(zi)千亿美元，在2030年(nian)前建成全球最大的AI超算集群。“星际之门”的目标是建设5-10个(ge)数据中心园区，每个(ge)园区设计功率约为100兆瓦，总电力需求将(jiang)达到5GW-10GW级别(bie)。这相当于数个(ge)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(wen)题(ti)”，这正在成为行(xing)业共识。科技巨头对清洁能源的大规模投(tou)资(zi)和抢占，本(ben)质上是对新一轮工业革命核心资(zi)源的争夺。谁掌握了充足(zu)、廉价、绿色的电力资(zi)源，谁就将(jiang)在人工智能时代的竞争中占据更有利的位置。需要举(ju)具体的案例。

四家拥有大模型业务的美国科技公司——微软(ruan)、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(tou)资(zi)。2024年(nian)，美国科技四巨头的资(zi)本(ben)支出均达到历史最高点，总额高达2431亿美元，同比增长63%。预计2025年(nian)，它们的资(zi)本(ben)支出总额将(jiang)超过3200亿美元，总增速约为30%。

巨额的资(zi)本(ben)支出，主要用于购买算力设备，建设数据中心，以支撑(cheng)人工智能业务的快(kuai)速发展。这些科技巨头们相信(xin)，更高的算力投(tou)入，能够带(dai)来更好的模型性能和更快(kuai)的技术迭代速度。在商业竞争中，算力的质量代表的是速度问(wen)题(ti)，更高算力通常(chang)带(dai)来更好的效果。短期(qi)内节省算力固然重(zhong)要，但从长远来看，算力需求只会螺旋上升，面向未来投(tou)资(zi)算力才是更重(zhong)要的战略选择(ze)。英伟达2025年(nian)2月6日其股价单日涨幅(fu)超5%，市值重(zhong)回3万(wan)亿美元，也回应了这个(ge)趋势，反映(ying)了市场(chang)对算力芯片（如GB200芯片）放量的预期(qi)。

这些科技巨头们之所以敢于如此大手笔地投(tou)入算力，一方面是因为它们“钱袋子”依然富余(yu)，净利润(run)和现金流能够支撑(cheng)高强度的算力投(tou)资(zi)；另一方面，巨额的算力投(tou)资(zi)也已经产生(sheng)了实际回报，“云+AI”业务的收入和利润(run)正在快(kuai)速增长，这进(jin)一步刺激了它们加大算力投(tou)资(zi)的力度。谷歌、微软(ruan)等巨头在2025年(nian)Q1财(cai)报中披露，AI业务资(zi)本(ben)开(kai)支同比增35%，表明(ming)算力扩张仍在持续，电力需求韧(ren)性显现。

除去科技公司，主权(quan)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(xuan)布的“Invest AI”计划，拟通过公共和私人资(zi)金调动总额2000亿欧元，核心目标是建设4座AI超级工厂，配备约10万(wan)颗最先进(jin)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，200亿欧元专门用于设立欧洲基金支持这些工厂。日本(ben)、沙(sha)特、印度等国家也纷纷将(jiang)算力主权(quan)纳入国家战略。

中国路径：效率、可持续性与分(fen)布式协同

面对全球人工智能发展的新趋势，以及算力与能源的挑战，中国需要探索一条具有自身特色的发展路径。DeepSeekR1的技术突破，为我们提(ti)供了一个(ge)重(zhong)要的启示：在人工智能发展中，效率和可持续性同样重(zhong)要，甚至比单纯(chun)的算力堆砌(qi)更为关键。

中国在人工智能发展上，既要仰(yang)望星空，追求前沿技术的突破，也要脚踏实地，注重(zhong)应用场(chang)景的落(luo)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(qing)和发展阶段的实际需求。对于中国而言，在算力资(zi)源相对紧(jin)张的情(qing)况下，更应该注重(zhong)效率优化，通过技术创新，提(ti)升单位算力的价值，降低对能源的消(xiao)耗。

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程中仍然不可替代。算法的优化固然重(zhong)要，但更好的硬件意味着更低的训练时间和更高的效率。尤(you)其是在人工智能前沿研究(jiu)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，也要加强在算力基础设施领域的投(tou)入，构建自主可控的算力底座。

未来，人工智能领域的竞争，将(jiang)是前沿技术创新和应用场(chang)景落(luo)地的双线竞争。既要“卷(juan)前沿”，在基础理(li)论和核心技术上取得突破，也要“卷(juan)应用”，将(jiang)人工智能技术广泛应用到各(ge)行(xing)各(ge)业，创造实际价值。有能力的企业，必然是“两(liang)手都要抓(zhua)，两(liang)手都要硬”，既要布局前沿技术，也要深(shen)耕应用场(chang)景。

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

更进(jin)一步，算力分(fen)布式革命，应与分(fen)布式能源革命协同推进(jin)。通过将(jiang)算力设施与分(fen)布式能源（如光伏、风电）相结合，构建“源-荷-储-算”协同的新型电力系统。分(fen)布式算力可以作为新型电力系统的“荷”，通过智能调度算法，与分(fen)布式能源的波动性出力相匹配，实现“电-算协同”，提(ti)升清洁能源的消(xiao)纳能力，降低电力系统的风险(xian)。

分(fen)布式算力革命与分(fen)布式能源革命的协同发展，将(jiang)倒逼电网进(jin)化，加速传统电网向智能电网转型。智能电网需要具备动态负(fu)荷优化分(fen)配、实时响应能力，以适(shi)应分(fen)布式能源和分(fen)布式算力的需求。这将(jiang)推动电力系统从传统的“单向传输”模式，向“双向互动”、“源网荷储”协同优化的模式转变，构建更加清洁、高效、安全、可靠的现代能源体系。

结论：展望人工智能、算力与能源的未来

DeepSeek R1的出现，标志着人工智能技术发展进(jin)入了一个(ge)新的阶段。效率优化和成本(ben)控制，成为人工智能技术发展的重(zhong)要驱动力。然而，技术进(jin)步并不能改变人工智能对算力和能源的巨大需求。杰文斯悖(bei)论提(ti)醒我们，效率提(ti)升并不必然导致资(zi)源消(xiao)耗的减少(shao)，反而可能刺激需求增长，最终导致资(zi)源消(xiao)耗总量增加。

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

在中国，我们应坚持效率优先、绿色发展的原(yuan)则，探索具有中国特色的AI发展路径。通过技术创新、模式创新和政策引导，在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社会、生(sheng)态环境的和谐共生(sheng)。算力分(fen)布式革命与分(fen)布式能源革命的协同推进(jin)，将(jiang)为中国构建绿色、高效、智能的未来能源体系，赢得人工智能时代的竞争优势，提(ti)供强劲(jin)的动力。

作者信(xin)息

刘少(shao)轩：

上海交通大学安泰经济与管理(li)学院副院长

上海交通大学中银科技金融学院执行(xing)院长

陈钰(yu)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