据DeepSeek V3论文，556万美元的成本仅包括DeepSeek-V3 的正式训练，不包括与架构、算法、数据相关的前期研究、消融实验的成本。而基于充足前期准备进行正式训练的成本往往都比较低，单独讨论正式训练成本属于断章取义。以同样在2025年1月发布的加州大学伯克利Sky-T1-32B-Preview为例，其正式训练成本仅为450美元，但在数学能力等方面跑分超过OpenAI o1-Preview。

DeepSeeK V3论文：

网页链接

Sky-T1-32B项目地址：网页链接

2. 太阳底下无新鲜事：后发模型的算力效率优势曾导致英伟达股价大跌，事后看只是算力需求发展星辰大海的小浪花

无独有偶，2024年4月19日，Meta发布LLaMA 3大模型，从跑分数据来看70B参数的开源模型基本可与GPT4相媲美，引发了关于算力需求讨论，当日英伟达大跌10%。而伴随后续GPT4o、OpenAI o1等全新模型发布，训练算力需求仍在持续扩大，事实上LLaMA 3发布后英伟达大跌后成为一轮新行情的起点。DeepSeek大模型的发布，或带来更强的鲇鱼效应，OpenAI CEO奥特曼对于Deepseek作为竞争对手很兴奋，并宣布将加速发布更好的模型。

llama 3 VS GPT4：网页链接

3. Jevons 悖论：降低AI行业进入门槛与成本，反而推动总需求上升

DeepSeek所有模型均为开源模型，即所有应用厂商一夜之间都拥有了可以比肩顶级AI的大模型，而且还可自行二次开发、灵活部署，这将加速AI应用的发展进程。当模型的成本越低，开源模型发展越好，模型的部署、使用就会更高频率、更多数量。DeepSeek的突破让很多人第一次认识到AI模型的实用价值，真正开始使用模型。有了更多低成本、本地、开源模型，Token的需求量会成千上万倍的增加。这就是经济学上著名的“杰文斯悖论”：

“当技术进步提高了资源使用的效率，不仅没有减少这种资源的消耗，反而因为使用成本降低，刺激了更大的需求，最终导致资源使用总量反而上升。”

过去已经有很多的例子证明这点：

1、第一次工业革命期间蒸汽机效率的提高，使得市场上煤炭的消耗总量反而增加；

2、手机从大哥大年代到目前智能手机普及时代, 单价下降为十分之一左右，但手机市场放大数十倍。

3、如果一个家庭买了一台更节能的空调。按理说，更节能的空调应该会减少电费支出。但实际发生的往往是：因为电费便宜了，这家人反而更舍得开空调了，不仅开得时间更长，温度还调得更低，最后总电费不降反升。

模型算力效率突破，看起来影响单位计算的价格，进而压缩高性能芯片供应商的利润空间。但从更长的周期来看，恰恰会加速AI的普及和创新，带来算力需求更大量级提升。

蛇年开启，我们只要想清楚三个问题，DeepSeek造成的全球算力恐慌性抛售或是“新春红包”：

1、大模型架构演进是否到了尽头？DeepSeek R1反而说明架构演进创新正在持续，尤其在多模态、世界模型等领域，更多架构演进与创新正在进行；

2、大模型的性能目标是否已经达到？目前大模型距离AGI甚至ASI仍然有很长的路要走，强化学习本质上就是用算力完成数据自循环，需要更多更强的算力；

3、大模型的算力需求是否已经饱和？DeepSeek的目标是做开源的AGI，实现这一目标，降低大众获得AGI的门槛，无处不在训练与部署AGI的算力需求是我们今天所不可想象的，那是真正的“星辰大海”。

通往AGI之路仍然漫长，我们坚信像DeepSeek一样的玩家会越来越多，大家对中国AI产业的信心会越来越强，我们也将真正进入AI应用繁荣的起点。民生计算机