Deepseek也引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(zui)高达17%，创(chuang)美股历史最(zui)大单日市值蒸发纪(ji)录（约6000亿美元），博通、AMD、台积电等芯片股同(tong)步重挫(cuo)。纳斯(si)达克指(zhi)数下(xia)跌3.1%，标普500指(zhi)数下(xia)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，苹果的市盈率在36倍左右，特斯(si)拉183倍市盈率。如今，七巨头的平均市盈率接近50倍，市值占美股总市值28%左右。）产生质疑。此(ci)外，由于R1通过算法优化显著降低模型能耗（内存(cun)使(shi)用减少50%以(yi)上），市场担忧AI对电力需(xu)求的增长预期被打破，导致美国联合能源、Vistra等能源公司股价暴跌21%-29%。

尽管DeepSeek在技术上取得了巨大进(jin)步，但其在中国境外的未来发展仍面临(lin)不确定性，部分(fen)西方机构和政府已开始限制(zhi)使(shi)用其服务。然而，全(quan)球人(ren)工智能领域都(dou)在密切关注DeepSeek如何以(yi)如此(ci)低的成本实现领先性能。如果DeepSeek的方法能够(gou)被广泛(fan)复(fu)制(zhi)，那么对于东南亚地区、澳(ao)大利亚、新西兰等中小型国家而言(yan)，或许将有机会以(yi)更低的成本进(jin)入基础模型领域，这在过去(qu)是难以(yi)想象的。

对于澳(ao)新地区的数据中心运营商(shang)而言(yan)，人(ren)工智能技术成本的潜在降低，无疑缓解了对外国模型安(an)全(quan)性和可靠性风险的担忧。Macquarie Data Centres的高管David Hirst指(zhi)出，人(ren)工智能行业的发展速度远(yuan)超以(yi)往任何技术趋势，且仍处于早期阶段。他认为，人(ren)工智能正在并将继续证明，它是世界上发展最(zui)快(kuai)的技术之一，而我(wo)们才(cai)刚刚触(chu)及(ji)人(ren)工智能所能实现的冰山一角。人(ren)工智能将从根本上改变所有行业的运作方式以(yi)及(ji)人(ren)类的潜力。以(yi)Deepseek为例，从2024年1月5日，DeepSeek发布了首个大模型DeepSeek LLM到2024年12月26日，正式上线DeepSeek-V3模型，并同(tong)步开源，标准(zhun)着全(quan)球首个全(quan)开源的混合专(zhuan)家（MoE）模型出现，再到2025年1月20日发布的DeekSeek-R1推理大模型。从在极短(duan)的时间内，人(ren)工智能已取得显著进(jin)展。大型语言(yan)模型的快(kuai)速发展，从模型的迭代(dai)、算力的更新，到训练和推理成本的下(xia)降，再到智能体的产品形态出现，人(ren)工智能正在不断提高行业效率，并最(zui)终降低成本。DeepSeek模型的创(chuang)新，通过简化训练过程(cheng)和更有效地利用硬件，标志着在降低人(ren)工智能训练和推理门槛方面迈出了重要一步，为更多企(qi)业应用这项技术打开了大门。

DeepSeek R1 的技术特点：效率与成本优势

DeepSeek R1 模型的出现之所以(yi)能引发行业震动，核心在于其在效率和成本控(kong)制(zhi)上的突破。DeepSeek 通过一系列技术创(chuang)新，实现了在相对较低的算力投(tou)入下(xia)，获得可媲美甚至超越(yue)头部模型的性能表现。这些技术特点主要包括：

混合专(zhuan)家模型（Mixture-of-Experts, MoE）：MoE架构是DeepSeek R1降低算力需(xu)求的关键(jian)。与传统的稠密模型不同(tong)，MoE模型包含多个“专(zhuan)家”子网络，每个子网络专(zhuan)门处理特定类型的输入。在推理过程(cheng)中，模型会根据输入内容动态选择激(ji)活部分(fen)专(zhuan)家网络，而非所有网络，从而大幅减少计算量，提高推理效率。DeepSeek将MoE技术与模型架构深度融合，实现了性能与效率的平衡。

多头潜注意(yi)力机制(zhi)（MLA）：该技术为DeepSeek团队独创(chuang)，针对传统Transformer模型的“多头注意(yi)力机制(zhi)”在处理长文本时容易“分(fen)心”的问题，MLA通过压缩关键(jian)信息，让(rang)模型更聚焦(jiao)核心内容这种协同(tong)优化方法，能够(gou)最(zui)大化硬件资源的利用效率，降低整体算力需(xu)求。

PTX汇编语言(yan)优化：为了更充分(fen)地挖掘硬件潜力，DeepSeek甚至深入到硬件底层，采用PTX汇编语言(yan)对核心计算模块进(jin)行优化。PTX汇编语言(yan)是一种针对NVIDIAGPU的底层编程(cheng)语言(yan)，通过精细的汇编级优化，可以(yi)最(zui)大限度地提升代(dai)码执(zhi)行效率，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(liu)技术与分(fen)布式/边缘计算架构:DeepSeek推出了一项卓越(yue)的模型蒸馏(liu)技术，该技术实现了将高性能AI模型的核心推理能力高效移(yi)植至轻量化版本中的目标。这一突破不仅结合了开源与轻量化的双重优势，进(jin)一步降低了人(ren)工智能技术的应用门槛，同(tong)时也为边缘计算领域带来了前所未有的发展机遇。企(qi)业能够(gou)依据自身行业特点，在本地进(jin)行模型训练，使(shi)得原本依赖于高性能服务器和稳定网络环境的边缘设备得以(yi)焕发新生。此(ci)外，DeepSeek积极探索分(fen)布式计算与边缘计算架构的新路径，通过将计算任务分(fen)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程(cheng)中的延迟问题和带宽压力，同(tong)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。

通过上述技术组合拳(quan)，DeepSeek R1实现了在保证模型性能的同(tong)时，大幅降低训练和推理的算力需(xu)求和成本。这使(shi)得人(ren)工智能技术的应用门槛显著降低，为更广泛(fan)的应用场景(jing)打开了大门。

算力生态的重构与资源再分(fen)配

DeepSeek R1的出现，不仅可能引发算力需(xu)求的增长，还将深刻地重塑全(quan)球算力生态，并导致算力资源的重新分(fen)配。

首先，分(fen)布式革命与集中霸权竞争。传统人(ren)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的轻量化模型和开源策略，降低了人(ren)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(ji)。此(ci)前，美国科技公司曾计划建设耗电量堪比纽约市的巨型数据中心，但在DeepSeek高效模型的影响下(xia)，此(ci)类超大规模基础设施的必(bi)要性显著下(xia)降。算力生态正在从单一“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，产业链价值重新分(fen)配。在算力产业链上游，DeepSeek的出现使(shi)英伟达等GPU巨头面临(lin)需(xu)求结构调整的挑战。由于DeepSeek模型对算力效率的提升，以(yi)及(ji)分(fen)布式计算的兴起，市场对高性能GPU的需(xu)求可能不再是无止境的扩张，而是更加注重能效比和定制(zhi)化。与此(ci)同(tong)时，寒武纪(ji)等ASIC芯片厂商(shang)或将迎来发展机遇。ASIC芯片可以(yi)针对特定的人(ren)工智能应用进(jin)行硬件加速，在能效比和成本控(kong)制(zhi)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)低时延和贴近应用场景(jing)的优势，开始承接制(zhi)造业智能质检、金融风控(kong)等对延迟敏感的应用需(xu)求，迫使(shi)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(xia)游应用端，国产算力成本的下(xia)降，将驱动人(ren)工智能在制(zhi)造业、金融、医疗等领域的渗(shen)透率倍增。例如，在代(dai)码托管平台GitHub上，已涌(yong)现出大量基于DeepSeek模型的集成应用案例（awesome deepseek integration）。同(tong)时，中国各地省市纷纷上线R1模型，加速人(ren)工智能的区域化、本地化部署。越(yue)来越(yue)形成形成“需(xu)求牵引供给”的正向循环，实现“算力+行业”的双向赋(fu)能。这种趋势正在形成“需(xu)求牵引供给”的正向循环，实现“算力+行业”的双向赋(fu)能。人(ren)工智能技术将加速渗(shen)透到各行各业，成为推动产业升级和经济发展的重要引擎。

最(zui)后，探索低碳(tan)AI发展路径，在效率提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(tong)，在单次运算能耗控(kong)制(zhi)方面取得了突破性进(jin)展。通过MLA与MoE技术融合、强化学习(xi)（RL）的深度应用、稀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消耗。据测算，DeepSeek模型单位计算任务的能耗较传统稠密模型下(xia)降超过50%，单位计算碳(tan)排放(fang)强度降至行业平均水平的1/3。这为推进(jin)绿色(se)数据中心建设和实现碳(tan)中和目标提供了关键(jian)的技术支撑。

更重要的是，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，将计算任务分(fen)散到靠近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赖。同(tong)时，DeepSeek的高性能模型在实现同(tong)等效果时，与清(qing)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(tong)，不仅大幅降低了集中式数据中心对传统能源的依赖，也使(shi)AI系统能够(gou)更灵活地协调计算任务和清(qing)洁能源供给，更加适配可再生能源的波动性特点。例如，在太阳能充足的时段优先调度计算任务，并借(jie)助优化算法动态匹配能源供给波动，在弃(qi)风弃(qi)光时段提升消纳率20%以(yi)上，从而有效破解新能源消纳难题。

杰文斯(si)悖(bei)论(lun)：效率提升与需(xu)求扩张

然而，DeepSeek R1的技术突破，在降低人(ren)工智能应用门槛的同(tong)时，也可能引发“杰文斯(si)悖(bei)论(lun)”。杰文斯(si)悖(bei)论(lun)由19世纪(ji)经济学家 William Stanley Jevons提出，他发现，随着煤炭使(shi)用效率的提高，煤炭的消耗总量反而增加。这一悖(bei)论(lun)揭示了一个深刻的经济规律：效率的提升并不必(bi)然导致资源消耗的减少，反而可能因为成本降低和应用范围扩大，刺激(ji)需(xu)求增长，最(zui)终导致资源消耗总量增加。

微(wei)软 CEO Satya Nadella引用杰文斯(si)悖(bei)论(lun)来解释DeepSeek R1可能带来的影响，可谓一针见血。他认为，更实惠、更易于访问的人(ren)工智能技术，将通过更快(kuai)的普及(ji)和更广泛(fan)的应用，导致需(xu)求的激(ji)增。随着人(ren)工智能技术的门槛降低，过去(qu)由于成本限制(zhi)而无法应用人(ren)工智能的领域，例如中小企(qi)业、边缘计算场景(jing)等，将涌(yong)现出大量新的应用需(xu)求，从而导致算力调用密度指(zhi)数级上升。

此(ci)外，新兴应用场景(jing)的爆发，也将加速算力需(xu)求的裂变。智能驾驶、具身机器人(ren)等前沿领域对实时算力的需(xu)求极为庞大，远(yuan)超DeepSeek技术优化的速度。即使(shi)单任务效率提升数倍，百万级智能终端的并发需(xu)求，仍将形成巨大的算力吞噬黑(hei)洞。

更进(jin)一步，模型复(fu)杂性的提升，也可能在一定程(cheng)度上抵消效率提升带来的节能效果。为了探索通用人(ren)工智能（AGI）等前沿方向，模型参数规模不断向万亿级跃升，数据量也以(yi)年均30%的速度增长。即使(shi)训练效率提升10倍，模型规模扩大100倍，仍然会导致算力总需(xu)求净增10倍。DeepSeek的高效算法或许能够(gou)“追赶”数据增长的速度，但难以(yi)从根本上逆转算力需(xu)求的增长曲线。

因此(ci)，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(hen)可能无法有效缓解人(ren)工智能发展对算力和能源的巨大需(xu)求。相反，技术普惠性引发的应用爆发，以(yi)及(ji)模型复(fu)杂性的持续提升，可能会共(gong)同(tong)推动算力需(xu)求的加速增长，最(zui)终导致电力系统在需(xu)求激(ji)增的压力下(xia)加速重构。

算力的尽头，依然是电力

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

DeepSeek等人(ren)工智能技术的突破，将不可避免地推高全(quan)球电力需(xu)求。“杰文斯(si)悖(bei)论(lun)”的加速效应，可能使(shi)全(quan)球电力需(xu)求曲线更加陡峭。尽管DeepSeek通过优化算法、硬件适配等技术，显著提升了人(ren)工智能算力效率，降低了单次任务的能耗，打破了人(ren)工智能应用的经济门槛，但这种技术跃迁预计将同(tong)步触(chu)发“杰文斯(si)悖(bei)论(lun)”，能源消耗总量或将突破线性增长模式，形成“效率提升-应用扩张-能耗跃升”的闭环。

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

面对如此(ci)巨大的能源需(xu)求，全(quan)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(wei)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年前建成全(quan)球最(zui)大的AI超算集群。“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(gong)率约为100兆瓦(wa)，总电力需(xu)求将达到5GW-10GW级别。这相当于数个大型城市的用电量。

“电力缺口可能成为AI时代(dai)的卡脖子问题”，这正在成为行业共(gong)识(shi)。科技巨头对清(qing)洁能源的大规模投(tou)资和抢(qiang)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、廉价、绿色(se)的电力资源，谁就将在人(ren)工智能时代(dai)的竞争中占据更有利的位置。需(xu)要举具体的案例。

四家拥有大模型业务的美国科技公司——微(wei)软、亚马逊(xun)、谷歌、Meta仍然坚持“大力出奇迹”的策略，即大规模算力投(tou)资。2024年，美国科技四巨头的资本支出均达到历史最(zui)高点，总额高达2431亿美元，同(tong)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，主要用于购买算力设备，建设数据中心，以(yi)支撑人(ren)工智能业务的快(kuai)速发展。这些科技巨头们相信，更高的算力投(tou)入，能够(gou)带来更好的模型性能和更快(kuai)的技术迭代(dai)速度。在商(shang)业竞争中，算力的质量代(dai)表的是速度问题，更高算力通常带来更好的效果。短(duan)期内节省算力固然重要，但从长远(yuan)来看，算力需(xu)求只(zhi)会螺(luo)旋上升，面向未来投(tou)资算力才(cai)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，反映(ying)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(ci)大手笔地投(tou)入算力，一方面是因为它们“钱袋子”依然富余，净利润和现金流能够(gou)支撑高强度的算力投(tou)资；另一方面，巨额的算力投(tou)资也已经产生了实际回报，“云+AI”业务的收入和利润正在快(kuai)速增长，这进(jin)一步刺激(ji)了它们加大算力投(tou)资的力度。谷歌、微(wei)软等巨头在2025年Q1财报中披露，AI业务资本开支同(tong)比增35%，表明算力扩张仍在持续，电力需(xu)求韧性显现。

除去(qu)科技公司，主权国家和地区也同(tong)步进(jin)入到算力的竞赛当中。欧盟委员会于2025年2月宣(xuan)布的“Invest AI”计划，拟通过公共(gong)和私人(ren)资金调动总额2000亿欧元，核心目标是建设4座AI超级工厂，配备约10万颗最(zui)先进(jin)AI芯片（是目前欧洲在建工厂的4倍），专(zhuan)注于训练复(fu)杂AI模型。其中，200亿欧元专(zhuan)门用于设立欧洲基金支持这些工厂。日本、沙特、印度等国家也纷纷将算力主权纳入国家战略。

中国路径：效率、可持续性与分(fen)布式协同(tong)

面对全(quan)球人(ren)工智能发展的新趋势，以(yi)及(ji)算力与能源的挑战，中国需(xu)要探索一条具有自身特色(se)的发展路径。DeepSeekR1的技术突破，为我(wo)们提供了一个重要的启示：在人(ren)工智能发展中，效率和可持续性同(tong)样重要，甚至比单纯的算力堆(dui)砌更为关键(jian)。

中国在人(ren)工智能发展上，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(jing)的落地。DeepSeek R1和V3的出现，代(dai)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(xu)求。对于中国而言(yan)，在算力资源相对紧张的情况下(xia)，更应该注重效率优化，通过技术创(chuang)新，提升单位算力的价值，降低对能源的消耗。

同(tong)时，中国也要清(qing)醒地认识(shi)到，优秀的硬件在人(ren)工智能发展过程(cheng)中仍然不可替代(dai)。算法的优化固然重要，但更好的硬件意(yi)味(wei)着更低的训练时间和更高的效率。尤其是在人(ren)工智能前沿研究领域，例如AI for Science，仍然需(xu)要足够(gou)的算力进(jin)行支持。因此(ci)，中国在发展高效算法的同(tong)时，也要加强在算力基础设施领域的投(tou)入，构建自主可控(kong)的算力底座。

未来，人(ren)工智能领域的竞争，将是前沿技术创(chuang)新和应用场景(jing)落地的双线竞争。既(ji)要“卷前沿”，在基础理论(lun)和核心技术上取得突破，也要“卷应用”，将人(ren)工智能技术广泛(fan)应用到各行各业，创(chuang)造实际价值。有能力的企(qi)业，必(bi)然是“两手都(dou)要抓，两手都(dou)要硬”，既(ji)要布局前沿技术，也要深耕应用场景(jing)。

在能源战略上，中国应坚持效率优先、绿色(se)发展的原则(ze)，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(wo)们提供了一个重要的方向：通过分(fen)布式革命，瓦(wa)解算力集中垄断的格局，构建更加灵活、高效、绿色(se)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(tong)推进(jin)。通过将算力设施与分(fen)布式能源（如光伏、风电）相结合，构建“源-荷-储-算”协同(tong)的新型电力系统。分(fen)布式算力可以(yi)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(tong)”，提升清(qing)洁能源的消纳能力，降低电力系统的风险。

分(fen)布式算力革命与分(fen)布式能源革命的协同(tong)发展，将倒逼电网进(jin)化，加速传统电网向智能电网转型。智能电网需(xu)要具备动态负(fu)荷优化分(fen)配、实时响应能力，以(yi)适应分(fen)布式能源和分(fen)布式算力的需(xu)求。这将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(tong)优化的模式转变，构建更加清(qing)洁、高效、安(an)全(quan)、可靠的现代(dai)能源体系。

结论(lun)：展望人(ren)工智能、算力与能源的未来

DeepSeek R1的出现，标志着人(ren)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(kong)制(zhi)，成为人(ren)工智能技术发展的重要驱动力。然而，技术进(jin)步并不能改变人(ren)工智能对算力和能源的巨大需(xu)求。杰文斯(si)悖(bei)论(lun)提醒我(wo)们，效率提升并不必(bi)然导致资源消耗的减少，反而可能刺激(ji)需(xu)求增长，最(zui)终导致资源消耗总量增加。

面对人(ren)工智能发展带来的算力与能源挑战，全(quan)球科技界和能源界需(xu)要携手合作，共(gong)同(tong)探索可持续发展之路。一方面，要继续加强技术创(chuang)新，提升算力效率，降低单位算力能耗；另一方面，要大力发展清(qing)洁能源，构建绿色(se)算力基础设施，推动能源结构的转型升级。

在中国，我(wo)们应坚持效率优先、绿色(se)发展的原则(ze)，探索具有中国特色(se)的AI发展路径。通过技术创(chuang)新、模式创(chuang)新和政策引导，在效率与可持续性之间找到最(zui)佳平衡点，实现人(ren)工智能与经济社会、生态环境的和谐共(gong)生。算力分(fen)布式革命与分(fen)布式能源革命的协同(tong)推进(jin)，将为中国构建绿色(se)、高效、智能的未来能源体系，赢得人(ren)工智能时代(dai)的竞争优势，提供强劲的动力。

作者信息

刘(liu)少轩：

上海交通大学安(an)泰经济与管理学院副(fu)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(xi)研究员，上海交通大学中银科技金融学院博士后