效率革命還是資源黑洞？DeepSeek R1背后的杰文斯悖論探討

每經(jīng)編輯 胡玲

在當今全球追求高質(zhì)量發(fā)展的背景下，雙軌轉(zhuǎn)型（Twin Transition）——即將可持續(xù)發(fā)展與數(shù)智化轉(zhuǎn)型有機融合，追求經(jīng)濟、社會和環(huán)境多元價值的實現(xiàn)——已成為核心議題之一。這不僅僅是尋求兩者之間的簡單協(xié)同效應，而是一場深層次的系統(tǒng)性變革，通過數(shù)字技術的力量重新定義經(jīng)濟運作模式、社會互動方式以及環(huán)境保護機制。面對資源約束和環(huán)境挑戰(zhàn)日益嚴峻的現(xiàn)實，如何利用先進數(shù)智技術推動綠色低碳發(fā)展，同時確保經(jīng)濟效益和社會福祉的最大化，是擺在所有利益相關者面前的重大課題。

人工智能初創(chuàng)公司深度求索（DeepSeek）近期發(fā)布了其最新人工智能模型R1，再次引發(fā)了關于人工智能發(fā)展與算力、能源之間關系的深刻討論。R1模型憑借其卓越的邏輯推理能力，不僅在性能上逼近甚至超越了OpenAI的o1系列產(chǎn)品，而且在成本效益方面展現(xiàn)了顯著的優(yōu)勢。這一里程碑式的進展被硅谷科技媒體譽為新時代的“斯普特尼克時刻”，象征著一個可能顛覆現(xiàn)有科技格局的新時代的開端。DeepSeek的R1模型訓練成本僅為數(shù)百萬美元，遠低于OpenAI的GPT和谷歌的Gemini系列大模型所需的數(shù)十億美元投資，這無疑給數(shù)據(jù)中心運營商們提供了一個極具吸引力的“滑門時刻”——即通過更高效的計算資源利用來大幅削減運營成本。

Deepseek也引起了對美國科技股和能源股短期劇烈震蕩。英偉達單日跌幅最高達17%，創(chuàng)美股歷史最大單日市值蒸發(fā)紀錄（約6000億美元），博通、AMD、臺積電等芯片股同步重挫。納斯達克指數(shù)下跌3.1%，標普500指數(shù)下跌1.5%，市場對美國科技巨頭的高估值（如美股七巨頭中，英偉達的市盈率在46倍左右，蘋果的市盈率在36倍左右，特斯拉183倍市盈率。如今，七巨頭的平均市盈率接近50倍，市值占美股總市值28%左右。）產(chǎn)生質(zhì)疑。此外，由于R1通過算法優(yōu)化顯著降低模型能耗（內(nèi)存使用減少50%以上），市場擔憂AI對電力需求的增長預期被打破，導致美國聯(lián)合能源、Vistra等能源公司股價下跌21%-29%。

盡管DeepSeek在技術上取得了巨大進步，但其在中國境外的未來發(fā)展仍面臨不確定性，部分西方機構(gòu)和政府已開始限制使用其服務。然而，全球人工智能領域都在密切關注DeepSeek如何以如此低的成本實現(xiàn)領先性能。如果DeepSeek的方法能夠被廣泛復制，那么對于東南亞地區(qū)、澳大利亞、新西蘭等中小型國家而言，或許將有機會以更低的成本進入基礎模型領域，這在過去是難以想象的。

對于澳新地區(qū)的數(shù)據(jù)中心運營商而言，人工智能技術成本的潛在降低，無疑緩解了對外國模型安全性和可靠性風險的擔憂。Macquarie Data Centres的高管David Hirst指出，人工智能行業(yè)的發(fā)展速度遠超以往任何技術趨勢，且仍處于早期階段。他認為，人工智能正在并將繼續(xù)證明，它是世界上發(fā)展最快的技術之一，而我們才剛剛觸及人工智能所能實現(xiàn)的冰山一角。人工智能將從根本上改變所有行業(yè)的運作方式以及人類的潛力。以Deepseek為例，從2024年1月5日，DeepSeek發(fā)布了首個大模型DeepSeek LLM到2024年12月26日，正式上線DeepSeek-V3模型，并同步開源，標準著全球首個全開源的混合專家（MoE）模型出現(xiàn)，再到2025年1月20日發(fā)布的DeekSeek-R1推理大模型。從在極短的時間內(nèi)，人工智能已取得顯著進展。大型語言模型的快速發(fā)展，從模型的迭代、算力的更新，到訓練和推理成本的下降，再到智能體的產(chǎn)品形態(tài)出現(xiàn)，人工智能正在不斷提高行業(yè)效率，并最終降低成本。DeepSeek模型的創(chuàng)新，通過簡化訓練過程和更有效地利用硬件，標志著在降低人工智能訓練和推理門檻方面邁出了重要一步，為更多企業(yè)應用這項技術打開了大門。

DeepSeek R1的技術特點：效率與成本優(yōu)勢

DeepSeek R1模型的出現(xiàn)之所以能引發(fā)行業(yè)震動，核心在于其在效率和成本控制上的突破。DeepSeek通過一系列技術創(chuàng)新，實現(xiàn)了在相對較低的算力投入下，獲得可媲美甚至超越頭部模型的性能表現(xiàn)。這些技術特點主要包括：

•混合專家模型（Mixture-of-Experts,MoE）：MoE架構(gòu)是DeepSeek R1降低算力需求的關鍵。與傳統(tǒng)的稠密模型不同，MoE模型包含多個“專家”子網(wǎng)絡，每個子網(wǎng)絡專門處理特定類型的輸入。在推理過程中，模型會根據(jù)輸入內(nèi)容動態(tài)選擇激活部分專家網(wǎng)絡，而非所有網(wǎng)絡，從而大幅減少計算量，提高推理效率。DeepSeek將MoE技術與模型架構(gòu)深度融合，實現(xiàn)了性能與效率的平衡。

•多頭潛注意力機制（MLA）：該技術為DeepSeek團隊獨創(chuàng)，針對傳統(tǒng)Transformer模型的“多頭注意力機制”在處理長文本時容易“分心”的問題，MLA通過壓縮關鍵信息，讓模型更聚焦核心內(nèi)容這種協(xié)同優(yōu)化方法，能夠最大化硬件資源的利用效率，降低整體算力需求。

•PTX匯編語言優(yōu)化：為了更充分地挖掘硬件潛力，DeepSeek甚至深入到硬件底層，采用PTX匯編語言對核心計算模塊進行優(yōu)化。PTX匯編語言是一種針對NVIDIAGPU的底層編程語言，通過精細的匯編級優(yōu)化，可以最大限度地提升代碼執(zhí)行效率，減少不必要的計算開銷。這種極致的優(yōu)化精神，體現(xiàn)了DeepSeek在算力效率上的極致追求。

•蒸餾技術與分布式/邊緣計算架構(gòu)：DeepSeek推出了一項卓越的模型蒸餾技術，該技術實現(xiàn)了將高性能AI模型的核心推理能力高效移植至輕量化版本中的目標。這一突破不僅結(jié)合了開源與輕量化的雙重優(yōu)勢，進一步降低了人工智能技術的應用門檻，同時也為邊緣計算領域帶來了前所未有的發(fā)展機遇。企業(yè)能夠依據(jù)自身行業(yè)特點，在本地進行模型訓練，使得原本依賴于高性能服務器和穩(wěn)定網(wǎng)絡環(huán)境的邊緣設備得以煥發(fā)新生。此外，DeepSeek積極探索分布式計算與邊緣計算架構(gòu)的新路徑，通過將計算任務分布至更靠近數(shù)據(jù)源的邊緣節(jié)點，從而大幅減少對中央數(shù)據(jù)中心的依賴。這不僅有效緩解了數(shù)據(jù)傳輸過程中的延遲問題和帶寬壓力，同時優(yōu)化了邊緣設備算力資源的利用效率，構(gòu)建了一個更加靈活高效的算力部署方案。

通過上述技術組合拳，DeepSeek R1實現(xiàn)了在保證模型性能的同時，大幅降低訓練和推理的算力需求和成本。這使得人工智能技術的應用門檻顯著降低，為更廣泛的應用場景打開了大門。

算力生態(tài)的重構(gòu)與資源再分配

DeepSeek R1的出現(xiàn)，不僅可能引發(fā)算力需求的增長，還將深刻地重塑全球算力生態(tài)，并導致算力資源的重新分配。

首先，分布式革命與集中霸權(quán)競爭。傳統(tǒng)人工智能發(fā)展模式往往依賴于“規(guī)模至上”的邏輯，追求超大規(guī)模模型和超大規(guī)模算力集群。DeepSeek R1的輕量化模型和開源策略，降低了人工智能應用的門檻，促進了中端算力設施和分布式數(shù)據(jù)中心的普及。此前，美國科技公司曾計劃建設耗電量堪比紐約市的巨型數(shù)據(jù)中心，但在DeepSeek高效模型的影響下，此類超大規(guī)模基礎設施的必要性顯著下降。算力生態(tài)正在從單一“超大規(guī)模中心壟斷”模式轉(zhuǎn)向與“分布式蜂群網(wǎng)絡”競爭的模式。

其次，產(chǎn)業(yè)鏈價值重新分配。在算力產(chǎn)業(yè)鏈上游，DeepSeek的出現(xiàn)使英偉達等GPU巨頭面臨需求結(jié)構(gòu)調(diào)整的挑戰(zhàn)。由于DeepSeek模型對算力效率的提升，以及分布式計算的興起，市場對高性能GPU的需求可能不再是無止境的擴張，而是更加注重能效比和定制化。與此同時，寒武紀等ASIC芯片廠商或?qū)⒂瓉戆l(fā)展機遇。ASIC芯片可以針對特定的人工智能應用進行硬件加速，在能效比和成本控制上更具優(yōu)勢，更符合分布式算力發(fā)展的趨勢。在中游算力服務端，區(qū)域性數(shù)據(jù)中心憑借低時延和貼近應用場景的優(yōu)勢，開始承接制造業(yè)智能質(zhì)檢、金融風控等對延遲敏感的應用需求，迫使AWS、阿里云等云計算巨頭調(diào)整部分大型數(shù)據(jù)中心的建設投入，轉(zhuǎn)而加強邊緣計算和分布式算力布局。

在下游應用端，國產(chǎn)算力成本的下降，將驅(qū)動人工智能在制造業(yè)、金融、醫(yī)療等領域的滲透率倍增。例如，在代碼托管平臺GitHub上，已涌現(xiàn)出大量基于DeepSeek模型的集成應用案例（awesome deepseek integration）。同時，中國各地省市紛紛上線R1模型，加速人工智能的區(qū)域化、本地化部署。越來越形成形成“需求牽引供給”的正向循環(huán)，實現(xiàn)“算力+行業(yè)”的雙向賦能。這種趨勢正在形成“需求牽引供給”的正向循環(huán)，實現(xiàn)“算力+行業(yè)”的雙向賦能。人工智能技術將加速滲透到各行各業(yè)，成為推動產(chǎn)業(yè)升級和經(jīng)濟發(fā)展的重要引擎。

最后，探索低碳AI發(fā)展路徑，在效率提升和能源可持續(xù)性之間尋求平衡。DeepSeek通過算法架構(gòu)優(yōu)化和硬件能效協(xié)同，在單次運算能耗控制方面取得了突破性進展。通過MLA與MoE技術融合、強化學習（RL）的深度應用、稀疏化訓練等核心技術，DeepSeek大幅壓縮了單次計算的經(jīng)濟成本和能源消耗。據(jù)測算，DeepSeek模型單位計算任務的能耗較傳統(tǒng)稠密模型下降超過50%，單位計算碳排放強度降至行業(yè)平均水平的1/3。這為推進綠色數(shù)據(jù)中心建設和實現(xiàn)碳中和目標提供了關鍵的技術支撐。

更重要的是，DeepSeek通過“低能耗+分布式”模式，顯著降低了高性能AI對傳統(tǒng)能源的依賴。分布式與邊緣計算架構(gòu)，將計算任務分散到靠近數(shù)據(jù)源的邊緣設備處理，有效減少了對集中式數(shù)據(jù)中心的電力依賴。同時，DeepSeek的高性能模型在實現(xiàn)同等效果時，與清潔能源耦合的能效顯著優(yōu)于傳統(tǒng)AI架構(gòu)。

分布式計算與邊緣節(jié)點的高效協(xié)同，不僅大幅降低了集中式數(shù)據(jù)中心對傳統(tǒng)能源的依賴，也使AI系統(tǒng)能夠更靈活地協(xié)調(diào)計算任務和清潔能源供給，更加適配可再生能源的波動性特點。例如，在太陽能充足的時段優(yōu)先調(diào)度計算任務，并借助優(yōu)化算法動態(tài)匹配能源供給波動，在棄風棄光時段提升消納率20%以上，從而有效破解新能源消納難題。

杰文斯悖論：效率提升與需求擴張

然而，DeepSeek R1的技術突破，在降低人工智能應用門檻的同時，也可能引發(fā)“杰文斯悖論”。杰文斯悖論由19世紀經(jīng)濟學家William Stanley Jevons提出，他發(fā)現(xiàn)，隨著煤炭使用效率的提高，煤炭的消耗總量反而增加。這一悖論揭示了一個深刻的經(jīng)濟規(guī)律：效率的提升并不必然導致資源消耗的減少，反而可能因為成本降低和應用范圍擴大，刺激需求增長，最終導致資源消耗總量增加。

微軟CEO Satya Nadella引用杰文斯悖論來解釋DeepSeek R1可能帶來的影響，可謂一針見血。他認為，更實惠、更易于訪問的人工智能技術，將通過更快的普及和更廣泛的應用，導致需求的激增。隨著人工智能技術的門檻降低，過去由于成本限制而無法應用人工智能的領域，例如中小企業(yè)、邊緣計算場景等，將涌現(xiàn)出大量新的應用需求，從而導致算力調(diào)用密度指數(shù)級上升。

此外，新興應用場景的爆發(fā)，也將加速算力需求的裂變。智能駕駛、具身機器人等前沿領域?qū)崟r算力的需求極為龐大，遠超DeepSeek技術優(yōu)化的速度。即使單任務效率提升數(shù)倍，百萬級智能終端的并發(fā)需求，仍將形成巨大的算力吞噬黑洞。

更進一步，模型復雜性的提升，也可能在一定程度上抵消效率提升帶來的節(jié)能效果。為了探索通用人工智能（AGI）等前沿方向，模型參數(shù)規(guī)模不斷向萬億級躍升，數(shù)據(jù)量也以年均30%的速度增長。即使訓練效率提升10倍，模型規(guī)模擴大100倍，仍然會導致算力總需求凈增10倍。DeepSeek的高效算法或許能夠“追趕”數(shù)據(jù)增長的速度，但難以從根本上逆轉(zhuǎn)算力需求的增長曲線。

因此，DeepSeek R1的技術突破，雖然在單位算力能耗上取得了顯著降低，但從宏觀層面來看，很可能無法有效緩解人工智能發(fā)展對算力和能源的巨大需求。相反，技術普惠性引發(fā)的應用爆發(fā)，以及模型復雜性的持續(xù)提升，可能會共同推動算力需求的加速增長，最終導致電力系統(tǒng)在需求激增的壓力下加速重構(gòu)。

算力的盡頭，依然是電力

盡管DeepSeek R1在算力效率上取得了突破，并可能推動算力生態(tài)向分布式方向發(fā)展，但其技術進步并不能改變?nèi)斯ぶ悄馨l(fā)展對能源的巨大需求。算力的盡頭，依然是電力。

DeepSeek等人工智能技術的突破，將不可避免地推高全球電力需求。“杰文斯悖論”的加速效應，可能使全球電力需求曲線更加陡峭。盡管DeepSeek通過優(yōu)化算法、硬件適配等技術，顯著提升了人工智能算力效率，降低了單次任務的能耗，打破了人工智能應用的經(jīng)濟門檻，但這種技術躍遷預計將同步觸發(fā)“杰文斯悖論”，能源消耗總量或?qū)⑼黄凭€性增長模式，形成“效率提升-應用擴張-能耗躍升”的閉環(huán)。

國際能源署（IEA）的數(shù)據(jù)顯示，2022年全球數(shù)據(jù)中心耗電量已達460TWh，占全球總用電量的2%。預計到2026年，全球數(shù)據(jù)中心耗電量將擴張至620-1050TWh。這意味著，未來幾年內(nèi)，數(shù)據(jù)中心的能源消耗將呈現(xiàn)指數(shù)級增長趨勢。

面對如此巨大的能源需求，全球科技巨頭們已經(jīng)掀起了一場圍繞電力資源的爭奪戰(zhàn)。美國微軟與OpenAI等科技巨頭聯(lián)合發(fā)起了“星際之門計劃”，計劃耗資千億美元，在2030年前建成全球最大的AI超算集群。“星際之門”的目標是建設5-10個數(shù)據(jù)中心園區(qū)，每個園區(qū)設計功率約為100兆瓦，總電力需求將達到5GW-10GW級別。這相當于數(shù)個大型城市的用電量。

“電力缺口可能成為AI時代的卡脖子問題”，這正在成為行業(yè)共識?？萍季揞^對清潔能源的大規(guī)模投資和搶占，本質(zhì)上是對新一輪工業(yè)革命核心資源的爭奪。誰掌握了充足、廉價、綠色的電力資源，誰就將在人工智能時代的競爭中占據(jù)更有利的位置。需要舉具體的案例。

四家擁有大模型業(yè)務的美國科技公司——微軟、亞馬遜、谷歌、Meta仍然堅持“大力出奇跡”的策略，即大規(guī)模算力投資。2024年，美國科技四巨頭的資本支出均達到歷史最高點，總額高達2431億美元，同比增長63%。預計2025年，它們的資本支出總額將超過3200億美元，總增速約為30%。

巨額的資本支出，主要用于購買算力設備，建設數(shù)據(jù)中心，以支撐人工智能業(yè)務的快速發(fā)展。這些科技巨頭們相信，更高的算力投入，能夠帶來更好的模型性能和更快的技術迭代速度。在商業(yè)競爭中，算力的質(zhì)量代表的是速度問題，更高算力通常帶來更好的效果。短期內(nèi)節(jié)省算力固然重要，但從長遠來看，算力需求只會螺旋上升，面向未來投資算力才是更重要的戰(zhàn)略選擇。英偉達2025年2月6日其股價單日漲幅超5%，市值重回3萬億美元，也回應了這個趨勢，反映了市場對算力芯片（如GB200芯片）放量的預期。

這些科技巨頭們之所以敢于如此大手筆地投入算力，一方面是因為它們“錢袋子”依然富余，凈利潤和現(xiàn)金流能夠支撐高強度的算力投資；另一方面，巨額的算力投資也已經(jīng)產(chǎn)生了實際回報，“云+AI”業(yè)務的收入和利潤正在快速增長，這進一步刺激了它們加大算力投資的力度。谷歌、微軟等巨頭在2025年Q1財報中披露，AI業(yè)務資本開支同比增35%，表明算力擴張仍在持續(xù)，電力需求韌性顯現(xiàn)。

除去科技公司，主權(quán)國家和地區(qū)也同步進入到算力的競賽當中。歐盟委員會于2025年2月宣布的“Invest AI”計劃，擬通過公共和私人資金調(diào)動總額2000億歐元，核心目標是建設4座AI超級工廠，配備約10萬顆最先進AI芯片（是目前歐洲在建工廠的4倍），專注于訓練復雜AI模型。其中，200億歐元專門用于設立歐洲基金支持這些工廠。日本、沙特、印度等國家也紛紛將算力主權(quán)納入國家戰(zhàn)略。

中國路徑：效率、可持續(xù)性與分布式協(xié)同

面對全球人工智能發(fā)展的新趨勢，以及算力與能源的挑戰(zhàn)，中國需要探索一條具有自身特色的發(fā)展路徑。DeepSeekR1的技術突破，為我們提供了一個重要的啟示：在人工智能發(fā)展中，效率和可持續(xù)性同樣重要，甚至比單純的算力堆砌更為關鍵。

中國在人工智能發(fā)展上，既要仰望星空，追求前沿技術的突破，也要腳踏實地，注重應用場景的落地。DeepSeek R1和V3的出現(xiàn)，代表了一種相對低算力、高表現(xiàn)的技術路線，這符合中國國情和發(fā)展階段的實際需求。對于中國而言，在算力資源相對緊張的情況下，更應該注重效率優(yōu)化，通過技術創(chuàng)新，提升單位算力的價值，降低對能源的消耗。

同時，中國也要清醒地認識到，優(yōu)秀的硬件在人工智能發(fā)展過程中仍然不可替代。算法的優(yōu)化固然重要，但更好的硬件意味著更低的訓練時間和更高的效率。尤其是在人工智能前沿研究領域，例如AI for Science，仍然需要足夠的算力進行支持。因此，中國在發(fā)展高效算法的同時，也要加強在算力基礎設施領域的投入，構(gòu)建自主可控的算力底座。

未來，人工智能領域的競爭，將是前沿技術創(chuàng)新和應用場景落地的雙線競爭。既要“卷前沿”，在基礎理論和核心技術上取得突破，也要“卷應用”，將人工智能技術廣泛應用到各行各業(yè)，創(chuàng)造實際價值。有能力的企業(yè)，必然是“兩手都要抓，兩手都要硬”，既要布局前沿技術，也要深耕應用場景。

在能源戰(zhàn)略上，中國應堅持效率優(yōu)先、綠色發(fā)展的原則，在效率與可持續(xù)性之間尋找平衡。DeepSeek的分布式算力架構(gòu)，為我們提供了一個重要的方向：通過分布式革命，瓦解算力集中壟斷的格局，構(gòu)建更加靈活、高效、綠色的算力網(wǎng)絡。

更進一步，算力分布式革命，應與分布式能源革命協(xié)同推進。通過將算力設施與分布式能源（如光伏、風電）相結(jié)合，構(gòu)建“源-荷-儲-算”協(xié)同的新型電力系統(tǒng)。分布式算力可以作為新型電力系統(tǒng)的“荷”，通過智能調(diào)度算法，與分布式能源的波動性出力相匹配，實現(xiàn)“電-算協(xié)同”，提升清潔能源的消納能力，降低電力系統(tǒng)的風險。

分布式算力革命與分布式能源革命的協(xié)同發(fā)展，將倒逼電網(wǎng)進化，加速傳統(tǒng)電網(wǎng)向智能電網(wǎng)轉(zhuǎn)型。智能電網(wǎng)需要具備動態(tài)負荷優(yōu)化分配、實時響應能力，以適應分布式能源和分布式算力的需求。這將推動電力系統(tǒng)從傳統(tǒng)的“單向傳輸”模式，向“雙向互動”、“源網(wǎng)荷儲”協(xié)同優(yōu)化的模式轉(zhuǎn)變，構(gòu)建更加清潔、高效、安全、可靠的現(xiàn)代能源體系。

結(jié)論：展望人工智能、算力與能源的未來

DeepSeek R1的出現(xiàn)，標志著人工智能技術發(fā)展進入了一個新的階段。效率優(yōu)化和成本控制，成為人工智能技術發(fā)展的重要驅(qū)動力。然而，技術進步并不能改變?nèi)斯ぶ悄軐λ懔湍茉吹木薮笮枨?。杰文斯悖論提醒我們，效率提升并不必然導致資源消耗的減少，反而可能刺激需求增長，最終導致資源消耗總量增加。

面對人工智能發(fā)展帶來的算力與能源挑戰(zhàn)，全球科技界和能源界需要攜手合作，共同探索可持續(xù)發(fā)展之路。一方面，要繼續(xù)加強技術創(chuàng)新，提升算力效率，降低單位算力能耗；另一方面，要大力發(fā)展清潔能源，構(gòu)建綠色算力基礎設施，推動能源結(jié)構(gòu)的轉(zhuǎn)型升級。

在中國，我們應堅持效率優(yōu)先、綠色發(fā)展的原則，探索具有中國特色的AI發(fā)展路徑。通過技術創(chuàng)新、模式創(chuàng)新和政策引導，在效率與可持續(xù)性之間找到最佳平衡點，實現(xiàn)人工智能與經(jīng)濟社會、生態(tài)環(huán)境的和諧共生。算力分布式革命與分布式能源革命的協(xié)同推進，將為中國構(gòu)建綠色、高效、智能的未來能源體系，贏得人工智能時代的競爭優(yōu)勢，提供強勁的動力。

作者信息

劉少軒

上海交通大學安泰經(jīng)濟與管理學院副院長

上海交通大學中銀科技金融學院執(zhí)行院長

陳鈺什

New Energy Nexus中國首席研究員，上海交通大學中銀科技金融學院博士后