圖：DeepSeek通過(guò)引入創(chuàng)新的架構(gòu)和訓(xùn)練方法，實(shí)現(xiàn)了高效計(jì)算和卓越性能。

　　“初景革緒風(fēng)，新陽(yáng)改故陰?！盌eepSeek的出現(xiàn)，不僅為AI的發(fā)展提供了更多技術(shù)路徑的選擇，也為行業(yè)應(yīng)用的多樣化奠定了基礎(chǔ)，使人工智能走出了“規(guī)模至上”，擺脫了過(guò)去單一路徑的局限，進(jìn)而拓展了邁向更廣闊空間的可能性。這一變革的意義，恰好可以從“杰文茲悖論”的視角加以審視。

　　首先，算力增長(zhǎng)的內(nèi)在邏輯在于模型邊界的階梯式突破，以及應(yīng)用場(chǎng)景的不斷演進(jìn)。在人工智能發(fā)展的浪潮中，底層模型的邊界正逐漸顯現(xiàn)。盡管近幾年大模型的規(guī)模持續(xù)擴(kuò)張，無(wú)論是文本生成、圖像理解，還是跨模態(tài)能力的拓展，底層模型的發(fā)展始終存在物理和理論上的邊界。這些邊界不僅源于算力和資料的限制，更涉及認(rèn)知能力、泛化性、安全性等多方面的挑戰(zhàn)。

　　視乎應(yīng)用場(chǎng)景開(kāi)發(fā)程度

　　算力的增長(zhǎng)并非簡(jiǎn)單的線性積累，而是階梯式突破邊界，并推動(dòng)其在現(xiàn)實(shí)場(chǎng)景中的應(yīng)用落地。每一階段算力的提升，都會(huì)伴隨著底層模型能力的躍升，同時(shí)也意味著上一階段模型的邊界被突破，催生出更廣泛的應(yīng)用場(chǎng)景。大規(guī)模算力的投入使得長(zhǎng)文本生成、邏輯推理、多輪對(duì)話成為可能。

　　然而，算力需求的持續(xù)增長(zhǎng)，并不能僅依賴于底層模型參數(shù)規(guī)模的無(wú)序擴(kuò)張，而需要建立在應(yīng)用場(chǎng)景的開(kāi)發(fā)。一方面，應(yīng)用場(chǎng)景演進(jìn)的軟性需求在于同質(zhì)性場(chǎng)景的挖掘。這些場(chǎng)景不僅有較高的算力需求，同時(shí)也能夠大規(guī)模複用已有的模型能力，從而提高算力投資的回報(bào)率。另一方面，應(yīng)用場(chǎng)景演進(jìn)的硬性輔助在于交互能力的升級(jí)。而這些新型對(duì)話模式將大幅提升算力需求，因?yàn)樗鼈兩婕案鼜?fù)雜的即時(shí)計(jì)算、低延遲推理、多模態(tài)融合等技術(shù)要求。

　　其次，杰文茲悖論成立的關(guān)鍵在于算力需求的價(jià)格彈性。杰文茲悖論的核心在于，技術(shù)進(jìn)步所帶來(lái)的資源利用效率提升并不會(huì)減少資源消耗，反而會(huì)導(dǎo)致資源總消耗量的上升。這一現(xiàn)象的邏輯基礎(chǔ)在于需求對(duì)價(jià)格的高度彈性─即當(dāng)某種資源的獲取成本下降時(shí)，市場(chǎng)需求的增長(zhǎng)幅度足以抵銷技術(shù)進(jìn)步帶來(lái)的節(jié)約效應(yīng)。

　　例如，在19世紀(jì)的英國(guó)，蒸汽機(jī)技術(shù)的革新大幅提高了煤炭的燃燒效率，但這并未減少煤炭的使用量，反而因工業(yè)規(guī)模擴(kuò)大，推動(dòng)了煤炭需求的急劇上升。類似的現(xiàn)象在能源、交通、制造等多個(gè)領(lǐng)域?qū)乙?jiàn)不鮮，成為經(jīng)濟(jì)學(xué)中一個(gè)廣為討論的悖論。當(dāng)這一理論被應(yīng)用到算力領(lǐng)域時(shí)，形成了一個(gè)類似的假設(shè)─隨著晶片制造工藝的提升、云計(jì)算的普及以及平行計(jì)算架構(gòu)的優(yōu)化，算力的成本正在持續(xù)下降。理論上，這一趨勢(shì)將刺激更大規(guī)模的算力消耗，進(jìn)而形成“越便宜、越擴(kuò)張”的回圈。

　　然而，杰文茲悖論能否成立的關(guān)鍵在于，算力需求是否具有足夠的價(jià)格彈性。換言之，如果單位算力的價(jià)格下降，需求必須以足夠快的速度增長(zhǎng)，才能抵銷單位效率提升所帶來(lái)的節(jié)約效應(yīng)。而現(xiàn)實(shí)情況并非如此簡(jiǎn)單。算力需求的增長(zhǎng)不僅受價(jià)格驅(qū)動(dòng)，還受到資料可得性、演算法復(fù)雜度、行業(yè)適配度等多重因素的制約。因此，僅僅依賴算力成本的下降，并不足以推動(dòng)所有行業(yè)全面進(jìn)入“算力消費(fèi)爆炸”的階段。

　　最后，算力市場(chǎng)的現(xiàn)實(shí)困境在于需求彈性的非對(duì)稱性。從實(shí)際市場(chǎng)表現(xiàn)來(lái)看，算力需求的價(jià)格彈性呈現(xiàn)出顯著的非對(duì)稱性，不同市場(chǎng)主體的反應(yīng)存在較大分化。

　　一是，模型參數(shù)數(shù)量并不能無(wú)約束地?cái)U(kuò)張，同時(shí)DeepSeek的發(fā)展也表明，在提升模型性能方面，參數(shù)數(shù)量的增加并非唯一途徑。通過(guò)引入創(chuàng)新的架構(gòu)和訓(xùn)練方法，DeepSeek實(shí)現(xiàn)了高效的計(jì)算和卓越的性能。

　　二是，對(duì)于普通企業(yè)和個(gè)人開(kāi)發(fā)者而言，算力需求的增長(zhǎng)受到諸多限制。1）資料治理的范式困境。AI模型的訓(xùn)練依賴于大量高品質(zhì)資料，而資料獲取的成本和合規(guī)風(fēng)險(xiǎn)在許多行業(yè)都極為嚴(yán)峻。2）技術(shù)躍遷的生態(tài)壁壘。并非所有企業(yè)都具備深度學(xué)習(xí)的專業(yè)能力，許多中小企業(yè)難以建立高效的AI開(kāi)發(fā)流程，即便算力成本下降，也無(wú)法有效利用這些資源。3）創(chuàng)新周期的效益拐點(diǎn)。AI模型的參數(shù)規(guī)模達(dá)到一定閾值后，算力投入的邊際收益遞減。因此，在未來(lái)的算力革命中，技術(shù)創(chuàng)新的重心可能不再是單純擴(kuò)展計(jì)算能力，而是提升算力利用效率。需求彈性也將從“野蠻擴(kuò)張”步入“理性收斂”的新階段，算力市場(chǎng)的發(fā)展邏輯或?qū)l(fā)生深刻變革。

　?。ㄗ髡邽楣ゃy國(guó)際首席經(jīng)濟(jì)學(xué)家、董事總經(jīng)理）