尽管DeepSeek在技术上(shang)取得了巨大进步，但其在中国境外的未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(mi)切(qie)关(guan)注DeepSeek如何以(yi)如此低的成本实现领先性能。如果DeepSeek的方法能够(gou)被广泛(fan)复制，那么(me)对于东南亚地(di)区、澳大利亚、新(xin)西兰等中小型国家而言，或许将有机会以(yi)更低的成本进入基础模型领域，这(zhe)在过去是难以(yi)想象的。

对于澳新(xin)地(di)区的数据中心运营商而言，人工智能技术成本的潜在降低，无疑缓解了对外国模型安全性和可靠性风险的担忧。Macquarie Data Centres的高管David Hirst指出，人工智能行业的发展速度远超(chao)以(yi)往任(ren)何技术趋势(shi)，且仍处(chu)于早期阶段。他认为，人工智能正在并将继续(xu)证明，它是世界上(shang)发展最快的技术之一，而我们才刚刚触及人工智能所(suo)能实现的冰山一角。人工智能将从(cong)根本上(shang)改变所(suo)有行业的运作方式以(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，正式上(shang)线(xian)DeepSeek-V3模型，并同步开源，标准着全球首个全开源的混合专家（MoE）模型出现，再到2025年1月20日发布的DeekSeek-R1推理大模型。从(cong)在极短的时间内(nei)，人工智能已取得显(xian)著进展。大型语言模型的快速发展，从(cong)模型的迭代、算力的更新(xin)，到训练和推理成本的下降，再到智能体的产品形态出现，人工智能正在不断提(ti)高行业效(xiao)率，并最终降低成本。DeepSeek模型的创新(xin)，通过简化训练过程和更有效(xiao)地(di)利用硬件，标志着在降低人工智能训练和推理门(men)槛方面迈出了重要一步，为更多(duo)企业应用这(zhe)项技术打(da)开了大门(men)。

DeepSeek R1的技术特(te)点(dian)：效(xiao)率与成本优势(shi)

DeepSeek R1模型的出现之所(suo)以(yi)能引发行业震动，核心在于其在效(xiao)率和成本控制上(shang)的突破(po)。DeepSeek通过一系列技术创新(xin)，实现了在相对较低的算力投入下，获得可媲美甚(shen)至超(chao)越头部模型的性能表现。这(zhe)些技术特(te)点(dian)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(guan)键。与传(chuan)统的稠密(mi)模型不同，MoE模型包含多(duo)个“专家”子网(wang)络(luo)，每(mei)个子网(wang)络(luo)专门(men)处(chu)理特(te)定类型的输入。在推理过程中，模型会根据输入内(nei)容动态选择激(ji)活部分专家网(wang)络(luo)，而非所(suo)有网(wang)络(luo)，从(cong)而大幅减少计算量(liang)，提(ti)高推理效(xiao)率。DeepSeek将MoE技术与模型架构深度融合，实现了性能与效(xiao)率的平(ping)衡。

•多(duo)头潜注意力机制（MLA）：该技术为DeepSeek团队独创，针(zhen)对传(chuan)统Transformer模型的“多(duo)头注意力机制”在处(chu)理长文本时容易“分心”的问题，MLA通过压缩关(guan)键信息，让模型更聚(ju)焦核心内(nei)容这(zhe)种协同优化方法，能够(gou)最大化硬件资源的利用效(xiao)率，降低整体算力需求。

•PTX汇编(bian)语言优化：为了更充分地(di)挖掘硬件潜力，DeepSeek甚(shen)至深入到硬件底层，采用PTX汇编(bian)语言对核心计算模块进行优化。PTX汇编(bian)语言是一种针(zhen)对NVIDIAGPU的底层编(bian)程语言，通过精细的汇编(bian)级优化，可以(yi)最大限度地(di)提(ti)升代码执(zhi)行效(xiao)率，减少不必(bi)要的计算开销(xiao)。这(zhe)种极致的优化精神(shen)，体现了DeepSeek在算力效(xiao)率上(shang)的极致追求。

•蒸馏技术与分布式/边(bian)缘计算架构：DeepSeek推出了一项卓(zhuo)越的模型蒸馏技术，该技术实现了将高性能AI模型的核心推理能力高效(xiao)移植至轻量(liang)化版本中的目标。这(zhe)一突破(po)不仅结合了开源与轻量(liang)化的双重优势(shi)，进一步降低了人工智能技术的应用门(men)槛，同时也为边(bian)缘计算领域带来了前所(suo)未有的发展机遇。企业能够(gou)依据自身行业特(te)点(dian)，在本地(di)进行模型训练，使得原本依赖(lai)于高性能服务器和稳定网(wang)络(luo)环境的边(bian)缘设备得以(yi)焕发新(xin)生。此外，DeepSeek积极探索分布式计算与边(bian)缘计算架构的新(xin)路径，通过将计算任(ren)务分布至更靠近数据源的边(bian)缘节点(dian)，从(cong)而大幅减少对中央(yang)数据中心的依赖(lai)。这(zhe)不仅有效(xiao)缓解了数据传(chuan)输过程中的延迟问题和带宽压力，同时优化了边(bian)缘设备算力资源的利用效(xiao)率，构建了一个更加灵(ling)活高效(xiao)的算力部署方案(an)。

通过上(shang)述技术组合拳，DeepSeek R1实现了在保(bao)证模型性能的同时，大幅降低训练和推理的算力需求和成本。这(zhe)使得人工智能技术的应用门(men)槛显(xian)著降低，为更广泛(fan)的应用场(chang)景打(da)开了大门(men)。

算力生态的重构与资源再分配

DeepSeek R1的出现，不仅可能引发算力需求的增长，还将深刻(ke)地(di)重塑全球算力生态，并导致算力资源的重新(xin)分配。

首先，分布式革命与集中霸权竞(jing)争。传(chuan)统人工智能发展模式往往依赖(lai)于“规模至上(shang)”的逻辑，追求超(chao)大规模模型和超(chao)大规模算力集群(qun)。DeepSeek R1的轻量(liang)化模型和开源策略，降低了人工智能应用的门(men)槛，促进了中端算力设施和分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(liang)堪比纽约市的巨型数据中心，但在DeepSeek高效(xiao)模型的影响下，此类超(chao)大规模基础设施的必(bi)要性显(xian)著下降。算力生态正在从(cong)单一“超(chao)大规模中心垄(long)断”模式转向与“分布式蜂群(qun)网(wang)络(luo)”竞(jing)争的模式。

其次，产业链(lian)价值重新(xin)分配。在算力产业链(lian)上(shang)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(xiao)率的提(ti)升，以(yi)及分布式计算的兴起，市场(chang)对高性能GPU的需求可能不再是无止境的扩张，而是更加注重能效(xiao)比和定制化。与此同时，寒武纪等ASIC芯片厂商或将迎来发展机遇。ASIC芯片可以(yi)针(zhen)对特(te)定的人工智能应用进行硬件加速，在能效(xiao)比和成本控制上(shang)更具优势(shi)，更符合分布式算力发展的趋势(shi)。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(chang)景的优势(shi)，开始承接制造(zao)业智能质(zhi)检、金融风控等对延迟敏(min)感的应用需求，迫使AWS、阿里(li)云(yun)等云(yun)计算巨头调整部分大型数据中心的建设投入，转而加强边(bian)缘计算和分布式算力布局(ju)。

在下游应用端，国产算力成本的下降，将驱动人工智能在制造(zao)业、金融、医疗等领域的渗透率倍增。例如，在代码托管平(ping)台GitHub上(shang)，已涌现出大量(liang)基于DeepSeek模型的集成应用案(an)例（awesome deepseek integration）。同时，中国各地(di)省市纷纷上(shang)线(xian)R1模型，加速人工智能的区域化、本地(di)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+行业”的双向赋能。这(zhe)种趋势(shi)正在形成“需求牵引供给”的正向循环，实现“算力+行业”的双向赋能。人工智能技术将加速渗透到各行各业，成为推动产业升级和经济(ji)发展的重要引擎。

最后，探索低碳AI发展路径，在效(xiao)率提(ti)升和能源可持续(xu)性之间寻(xun)求平(ping)衡。DeepSeek通过算法架构优化和硬件能效(xiao)协同，在单次运算能耗控制方面取得了突破(po)性进展。通过MLA与MoE技术融合、强化学习（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(ji)成本和能源消耗。据测算，DeepSeek模型单位计算任(ren)务的能耗较传(chuan)统稠密(mi)模型下降超(chao)过50%，单位计算碳排放(fang)强度降至行业平(ping)均水平(ping)的1/3。这(zhe)为推进绿(lu)色数据中心建设和实现碳中和目标提(ti)供了关(guan)键的技术支撑。

更重要的是，DeepSeek通过“低能耗+分布式”模式，显(xian)著降低了高性能AI对传(chuan)统能源的依赖(lai)。分布式与边(bian)缘计算架构，将计算任(ren)务分散(san)到靠近数据源的边(bian)缘设备处(chu)理，有效(xiao)减少了对集中式数据中心的电力依赖(lai)。同时，DeepSeek的高性能模型在实现同等效(xiao)果时，与清(qing)洁能源耦合的能效(xiao)显(xian)著优于传(chuan)统AI架构。

分布式计算与边(bian)缘节点(dian)的高效(xiao)协同，不仅大幅降低了集中式数据中心对传(chuan)统能源的依赖(lai)，也使AI系统能够(gou)更灵(ling)活地(di)协调计算任(ren)务和清(qing)洁能源供给，更加适配可再生能源的波(bo)动性特(te)点(dian)。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(bo)动，在弃风弃光时段提(ti)升消纳率20%以(yi)上(shang)，从(cong)而有效(xiao)破(po)解新(xin)能源消纳难题。

杰文斯悖论：效(xiao)率提(ti)升与需求扩张

然而，DeepSeek R1的技术突破(po)，在降低人工智能应用门(men)槛的同时，也可能引发“杰文斯悖论”。杰文斯悖论由19世纪经济(ji)学家William Stanley Jevons提(ti)出，他发现，随着煤炭使用效(xiao)率的提(ti)高，煤炭的消耗总量(liang)反而增加。这(zhe)一悖论揭示了一个深刻(ke)的经济(ji)规律：效(xiao)率的提(ti)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)需求增长，最终导致资源消耗总量(liang)增加。

微软CEO Satya Nadella引用杰文斯悖论来解释DeepSeek R1可能带来的影响，可谓一针(zhen)见血。他认为，更实惠、更易于访问的人工智能技术，将通过更快的普及和更广泛(fan)的应用，导致需求的激(ji)增。随着人工智能技术的门(men)槛降低，过去由于成本限制而无法应用人工智能的领域，例如中小企业、边(bian)缘计算场(chang)景等，将涌现出大量(liang)新(xin)的应用需求，从(cong)而导致算力调用密(mi)度指数级上(shang)升。

此外，新(xin)兴应用场(chang)景的爆发，也将加速算力需求的裂变。智能驾驶、具身机器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。即使单任(ren)务效(xiao)率提(ti)升数倍，百万级智能终端的并发需求，仍将形成巨大的算力吞噬黑洞。

更进一步，模型复杂(za)性的提(ti)升，也可能在一定程度上(shang)抵消效(xiao)率提(ti)升带来的节能效(xiao)果。为了探索通用人工智能（AGI）等前沿方向，模型参数规模不断向万亿级跃升，数据量(liang)也以(yi)年均30%的速度增长。即使训练效(xiao)率提(ti)升10倍，模型规模扩大100倍，仍然会导致算力总需求净增10倍。DeepSeek的高效(xiao)算法或许能够(gou)“追赶”数据增长的速度，但难以(yi)从(cong)根本上(shang)逆转算力需求的增长曲(qu)线(xian)。

因此，DeepSeek R1的技术突破(po)，虽(sui)然在单位算力能耗上(shang)取得了显(xian)著降低，但从(cong)宏观层面来看(kan)，很(hen)可能无法有效(xiao)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(yi)及模型复杂(za)性的持续(xu)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(ji)增的压力下加速重构。

算力的尽头，依然是电力

尽管DeepSeek R1在算力效(xiao)率上(shang)取得了突破(po)，并可能推动算力生态向分布式方向发展，但其技术进步并不能改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等人工智能技术的突破(po)，将不可避免地(di)推高全球电力需求。“杰文斯悖论”的加速效(xiao)应，可能使全球电力需求曲(qu)线(xian)更加陡峭。尽管DeepSeek通过优化算法、硬件适配等技术，显(xian)著提(ti)升了人工智能算力效(xiao)率，降低了单次任(ren)务的能耗，打(da)破(po)了人工智能应用的经济(ji)门(men)槛，但这(zhe)种技术跃迁(qian)预计将同步触发“杰文斯悖论”，能源消耗总量(liang)或将突破(po)线(xian)性增长模式，形成“效(xiao)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(liang)已达460TWh，占全球总用电量(liang)的2%。预计到2026年，全球数据中心耗电量(liang)将扩张至620-1050TWh。这(zhe)意味着，未来几年内(nei)，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)算集群(qun)。“星际之门(men)”的目标是建设5-10个数据中心园区，每(mei)个园区设计功(gong)率约为100兆瓦(wa)，总电力需求将达到5GW-10GW级别。这(zhe)相当于数个大型城市的用电量(liang)。

“电力缺口(kou)可能成为AI时代的卡脖子问题”，这(zhe)正在成为行业共识。科技巨头对清(qing)洁能源的大规模投资和抢占，本质(zhi)上(shang)是对新(xin)一轮工业革命核心资源的争夺。谁掌握了充足(zu)、廉价、绿(lu)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。需要举具体的案(an)例。

四家拥有大模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，即大规模算力投资。2024年，美国科技四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)支撑人工智能业务的快速发展。这(zhe)些科技巨头们相信，更高的算力投入，能够(gou)带来更好的模型性能和更快的技术迭代速度。在商业竞(jing)争中，算力的质(zhi)量(liang)代表的是速度问题，更高算力通常带来更好的效(xiao)果。短期内(nei)节省算力固然重要，但从(cong)长远来看(kan)，算力需求只会螺旋上(shang)升，面向未来投资算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(chao)5%，市值重回3万亿美元，也回应了这(zhe)个趋势(shi)，反映(ying)了市场(chang)对算力芯片（如GB200芯片）放(fang)量(liang)的预期。

这(zhe)些科技巨头们之所(suo)以(yi)敢于如此大手笔地(di)投入算力，一方面是因为它们“钱袋子”依然富余(yu)，净利润和现金流能够(gou)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了实际回报，“云(yun)+AI”业务的收入和利润正在快速增长，这(zhe)进一步刺激(ji)了它们加大算力投资的力度。谷歌(ge)、微软等巨头在2025年Q1财报中披露，AI业务资本开支同比增35%，表明算力扩张仍在持续(xu)，电力需求韧性显(xian)现。

除去科技公司，主权国家和地(di)区也同步进入到算力的竞(jing)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)级工厂，配备约10万颗最先进AI芯片（是目前欧洲在建工厂的4倍），专注于训练复杂(za)AI模型。其中，200亿欧元专门(men)用于设立欧洲基金支持这(zhe)些工厂。日本、沙特(te)、印度等国家也纷纷将算力主权纳入国家战略。

中国路径：效(xiao)率、可持续(xu)性与分布式协同

面对全球人工智能发展的新(xin)趋势(shi)，以(yi)及算力与能源的挑战，中国需要探索一条具有自身特(te)色的发展路径。DeepSeekR1的技术突破(po)，为我们提(ti)供了一个重要的启示：在人工智能发展中，效(xiao)率和可持续(xu)性同样重要，甚(shen)至比单纯的算力堆砌更为关(guan)键。

中国在人工智能发展上(shang)，既要仰望星空，追求前沿技术的突破(po)，也要脚踏实地(di)，注重应用场(chang)景的落地(di)。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(xian)，这(zhe)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(jin)张的情况下，更应该注重效(xiao)率优化，通过技术创新(xin)，提(ti)升单位算力的价值，降低对能源的消耗。

同时，中国也要清(qing)醒地(di)认识到，优秀的硬件在人工智能发展过程中仍然不可替代。算法的优化固然重要，但更好的硬件意味着更低的训练时间和更高的效(xiao)率。尤(you)其是在人工智能前沿研究领域，例如AI for Science，仍然需要足(zu)够(gou)的算力进行支持。因此，中国在发展高效(xiao)算法的同时，也要加强在算力基础设施领域的投入，构建自主可控的算力底座。

未来，人工智能领域的竞(jing)争，将是前沿技术创新(xin)和应用场(chang)景落地(di)的双线(xian)竞(jing)争。既要“卷前沿”，在基础理论和核心技术上(shang)取得突破(po)，也要“卷应用”，将人工智能技术广泛(fan)应用到各行各业，创造(zao)实际价值。有能力的企业，必(bi)然是“两(liang)手都要抓，两(liang)手都要硬”，既要布局(ju)前沿技术，也要深耕应用场(chang)景。

在能源战略上(shang)，中国应坚持效(xiao)率优先、绿(lu)色发展的原则，在效(xiao)率与可持续(xu)性之间寻(xun)找平(ping)衡。DeepSeek的分布式算力架构，为我们提(ti)供了一个重要的方向：通过分布式革命，瓦(wa)解算力集中垄(long)断的格局(ju)，构建更加灵(ling)活、高效(xiao)、绿(lu)色的算力网(wang)络(luo)。

更进一步，算力分布式革命，应与分布式能源革命协同推进。通过将算力设施与分布式能源（如光伏、风电）相结合，构建“源-荷-储-算”协同的新(xin)型电力系统。分布式算力可以(yi)作为新(xin)型电力系统的“荷”，通过智能调度算法，与分布式能源的波(bo)动性出力相匹配，实现“电-算协同”，提(ti)升清(qing)洁能源的消纳能力，降低电力系统的风险。

分布式算力革命与分布式能源革命的协同发展，将倒逼电网(wang)进化，加速传(chuan)统电网(wang)向智能电网(wang)转型。智能电网(wang)需要具备动态负荷优化分配、实时响应能力，以(yi)适应分布式能源和分布式算力的需求。这(zhe)将推动电力系统从(cong)传(chuan)统的“单向传(chuan)输”模式，向“双向互动”、“源网(wang)荷储”协同优化的模式转变，构建更加清(qing)洁、高效(xiao)、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入了一个新(xin)的阶段。效(xiao)率优化和成本控制，成为人工智能技术发展的重要驱动力。然而，技术进步并不能改变人工智能对算力和能源的巨大需求。杰文斯悖论提(ti)醒我们，效(xiao)率提(ti)升并不必(bi)然导致资源消耗的减少，反而可能刺激(ji)需求增长，最终导致资源消耗总量(liang)增加。

面对人工智能发展带来的算力与能源挑战，全球科技界和能源界需要携手合作，共同探索可持续(xu)发展之路。一方面，要继续(xu)加强技术创新(xin)，提(ti)升算力效(xiao)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(lu)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(xiao)率优先、绿(lu)色发展的原则，探索具有中国特(te)色的AI发展路径。通过技术创新(xin)、模式创新(xin)和政策引导，在效(xiao)率与可持续(xu)性之间找到最佳平(ping)衡点(dian)，实现人工智能与经济(ji)社(she)会、生态环境的和谐共生。算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(lu)色、高效(xiao)、智能的未来能源体系，赢得人工智能时代的竞(jing)争优势(shi)，提(ti)供强劲的动力。

作者信息

刘少轩

上(shang)海交通大学安泰经济(ji)与管理学院(yuan)副院(yuan)长

上(shang)海交通大学中银科技金融学院(yuan)执(zhi)行院(yuan)长

陈钰什

New Energy Nexus中国首席研究员，上(shang)海交通大学中银科技金融学院(yuan)博士后

每(mei)日经济(ji)新(xin)闻