很多人说DeepSeek只是资本市场和民族主义的狂欢。但实际上就产品化的角度来看，DeepSeek-R1模型已经在包括腾讯微信、百度搜索、知乎直答等普通人能接触到的应用中全面接入——即便DeepSeek的确有着偏高的幻觉率，经常瞎说八道，但它对中文网络而言，的确已经成为不少人的工作助手。

但与此同时，我们也看到了今年春节前后DeepSeek爆火之时，资本市场的不理性。最初报道普遍提及DeepSeek-V3总训练成本不到600万美元，且模型质量还超越了同期的Llama 3.1, Claude 3.5；DeepSeek官网面向开发者的API标价(每百万token价格)仅有OpenAI o1的几十分之一；甚至有社区爱好者尝试在本地部署满血版617B参数规模的DeepSeek-R1，硬件成本投入不过4-5万元人民币。

有关AI使用成本大幅降低的说法登上不少媒体的头版头条，提供AI基础设施的NVIDIA股价随之下跌，就连能源板块都受到影响。市场对AI芯片的需求真的会随着DeepSeek的推出变得更低，乃至连电力需求也没有之前预测得那么激进了吗？

前不久在《国际电子商情》姊妹刊《电子工程专辑》发布的《DeepSeek的杰文斯悖论：AI芯片市场发展前瞻》一文中，我们明确提到了AI芯片及基础设施短期受到DeepSeek的影响，只是市场的不理性行为。本文则期望从相对更全面的角度来解读AI芯片市场的潜在发展可能性，及为什么说DeepSeek实际上是在助推AI芯片行业前行。

明确两个基本事实

过去大半年，AI领域内特别火的一个词是Agentic AI——国内有译作代理式AI，也有译作智能体AI的。参照NVIDIA对Agentic AI的定义，这个词出现在Generative AI(生成式AI)之后，在Physical AI(具身智能)之前(图1)。

图1：AI发展的几个阶段 图片来源：英伟达

抛开Agentic AI有利用各类技术“自动适配”做决策的能力，今年NVIDIA的GTC开发者大会上，黄仁勋说Agentic AI的关键特性是在感知和理解上下文以后，“它能逻辑推理(reason)，通过推理来回答或解决问题。”“它能在做出规划以后再采取行动。”“现在，它还能理解多模态信息，学习网站或不同来源的文本、图片、视频资料，并基于这些信息和知识来工作。”

中文网络普遍将reason译作“推理”——但请注意这里的推理和我们在谈AI训练与推理(reference)式的推理有区别。Reference指的是将已经训练好的AI模型投入到实际使用中，使用模型的过程即为reference；而reason则是指，通过一步步的规划和逻辑推理来解决复杂问题的过程。

我们可以认为，开启了“深度思考”以后的DeepSeek-R1即为典型的Agentic AI。目前新推向市场的对话式AI基本也都已经支持以逻辑推理的形式回答和解决问题了。而reason的过程的确包括了reference。通常我们说reason需要对相关信息(内部和外部的)做结构化，形成逻辑步骤进行逻辑推理，已经不单是获取和使用既有信息的简单reference。

比如黄仁勋在主题演讲中提到的一个例子，让AI安排婚宴之上的座次。这个问题需要考虑的因素至少包括了文化传统、人际关系、家庭成员亲疏、方便拍照的角度等。传统大语言模型回答该问题时，以“one-shot”的方式给出答案少于500个token。云上的此类大语言模型服务都能迅速作答。

而逻辑推理模型(reasoning model)需要用到将近9,000个token才给出答案，正式作答的响应时间相比one-shot式的回答方式也慢了不少。但两相对比不难发现，one-shot式的大语言模型更容易给出错误答案，具备reason逻辑推理能力的大语言模型则能轻易给出优解。

观察DeepSeek-R1正式作答前的思考过程会发现，它甚至会对已经获得的答案再做回测。逻辑推理模型会对问题做拆解，会在不同的方法间选择最佳答案，会做一致性测试，甚至会将得到的答案“放回到方程中，确保其更高的正确性”(图2)。

图2：分步骤推理问题的Agentic AI 图片来源：国际电子商情

从高抽象维度了解Agentic AI，对于我们搞清楚AI芯片市场的潜在发展有什么价值呢？因为既然不少人认为DeepSeek这类逻辑推理模型的诞生会让AI芯片及基础设施需求降低，我们就有必要先理解其基本概念，以及另外两个基本事实：(1)Agentic AI是否颠覆了现有AI技术范式；(2)Agentic AI处在AI历史发展长河里的哪个阶段？

第一个问题很容易回答：虽然Agentic AI变得更智能了，也被包括NVIDIA在内的企业划归在生成式AI(Generative AI)之后，但其核心仍然是生成式AI，虽然它相较以前的大语言模型更高级了。其工作方式一样未脱离预训练、后训练(包括fine-tune等流程)、推理(inference)的范式。

幻方量化和梁文锋团队的确在DeepSeek模型的训练阶段做出了各种工程创新，尤其在技术禁运的前提下，实现硬件利用效率的最大化，使得其训练成本得到可观的降低。但不得不承认的是，其中的绝大部分方法和技术是站在了巨人的肩膀上，比如说MLA(多层注意力架构)、MTP(多token预测)都是既有技术方案，DeepSeek则是这些技术实践的佼佼者。

所以第一个问题的答案是，包括DeepSeek在内的Agentic AI并没有颠覆现有AI技术范式。现有绝大部分加入了逻辑推理能力的对话AI服务也依旧需要持续对模型做出精进，并在和用户的交互中进行推理(reference)。

至于第二个问题，Agentic AI对于AI而言处在哪个阶段。我们在过去一个季度采访了好些市场参与者。几乎所有市场参与者都认为，虽然AI是个有些年头的技术，但其发展阶段依旧相对初级。比如Imagination Technologies产品管理与市场营销副总裁Dennis Laudick在接受《国际电子商情》采访时就说：“从人工智能的改进规模和速度来看，很明显，我们仅仅处于计算机编程方式和计算机功能发生根本性变革的开端。”

“展望未来，科技行业目前需努力的一个关键任务是利用现在可获得的投资，开发相关解决方案和应用，为人工智能提供动力，使其走出增长阶段，并充分发挥其潜力。”Dennis提到，自动驾驶、智能机器人都是对于AI而言极具吸引力和有待释放价值的市场。

通常某市场处在初级发展阶段时，会有几个明确的市场信号：(1)市场参与者很多，初创企业扎堆，“百花齐放”；(2)部分市场参与者营收和利润呈现出飙升态势。或也可能是技术未全面落地之前，部分市场参与者处在长期亏损状态，投资者则因为看好该市场，而持续为其输血，寻求长期利益。

AI芯片市场基本具备上述所有特点。《电子工程专辑》2024 Q4的国产AI芯片研究报告提到现有AI芯片市场参与者依旧众多；头部上市企业如寒武纪自上市以来亏损现状暂无改善迹象，营收不确定性明确；NVIDIA 2025财年营收1,305亿美元，同比增长114%——其中数据中心营收1,152亿美元，增幅达到了142%——要知道这种看起来夸张的增速已经持续了好几年。

Agentic AI带来了什么

那么基于上述两个问题的结论(1)包括Agentic AI在内的AI技术目前尚处于发展早期或高速发展期，(2)AI技术范式并未发生根本性转变，基本可以推倒出，AI芯片、基础设施都将持续高速发展，而不是像年初市场预期的那样需求走低。那么市场潜力究竟还有多大，或者说Agentic AI究竟能带来什么？

NVIDIA自己公布的数据是，面向美国4家顶级CSP(云服务供应商，包括AWS, Azure, GCP和OCI)的上一代Hopper显卡出货量，2024年达到巅峰，约为130万片GPU。而去年GTC之上发布的Blackwell显卡，到今年3月为止，则已经面向这几家CSP出货了大约360万片GPU。这份数据一方面自然能看出，NVIDIA实现业绩高速增长的部分依据；但与此同时也能表现AI技术处在发展的初级或高速发展阶段。

所以研究机构Dell'Oro认为，全球数据中心的CapEx(资本支出)会在2028年超过1万亿美金；部分研究机构也将2030年半导体市场价值将破万亿美金的时间预期做了调整(比如IBS就将行业破万亿的时间提前到了2028年)，皆因AI技术的发展超出了许多人的预期。

这里的确有个相当不符合直觉的事实：如果说DeepSeek提高了AI技术的效率，相同算力达成的AI智能程度更高了，那么为什么说AI芯片及基础设施价值还将持续走高？我们认为，这个问题大概可以从两个角度来回答。(1)Agentic AI对AI算力的需求变化；(2)市场发展的杰文斯悖论。

先谈第一个角度：Agentic AI对AI算力的需求变化问题。探讨算力需求变化，无非分训练、推理(reference)两部分。

从训练的角度来说，现有分析资料已经有不少去谈DeepSeek公开所谓不到600万美元的训练成本实则仅涵盖了总体成本的一部分——这600万美元只包括了预训练的GPU固定成本开销，并没有算上研发、人才、硬件等的总成本；也没有算上企业要真正应用DeepSeek模型时的后训练成本——就像腾讯面向微信用户开放DeepSeek模型使用，并不是将模型拿来，架上自家的数据中心就能用的。要知道幻方量化很早就手握“万卡”资源，当年仅有百度、腾讯、字节跳动等互联网大厂才享有“万卡”入场券。

训练部分的成本问题，本文不再做详述——可以肯定的是，单位算力投入达成的模型质量，或者训练的整体效率水平的确是提高了的，但不能因此认为AI时代的总训练成本有显著下降，这一点将在后文的杰文斯悖论部分做详述。

而在推理(reference)部分，很多人将DeepSeek官方标定的API百万token输入价格(缓存命中时，每百万token，DeepSeek-V3为0.5元，DeepSeek-R1为1元)作为其推理成本低的依据。但实际上我们知道幻方量化并没有打算藉由DeepSeek的商业运营来实现大规模盈利，DeepSeek官网长期处在“服务器繁忙”状态，也未有推理基础设施的扩大动作。这个标价并不能作为与其他模型推理成本对比的直接依据。

本文的第一部分已经阐明了Agentic AI并未改变AI技术范式，与此同时在婚宴座次安排的例子中，推理模型以将近9,000个token，得到了最优解。9,000个token的生成，相较于传统大语言模型one-shot式仅500个token的输出，在token生成速度相同的情况下，算力要求高了10+倍。

换句话说，AI计算的推理(reference)流程相比以前多出了10+倍的算力需求。可能很多读者对于大语言模型的算力需求没有量级概念。对于逻辑推理流程来说，模型接到请求以后首先进行prefill(预填充)阶段——可理解为思考过程，这个阶段对算力要求很大；随后在正式输出阶段，即decode(解码)阶段则对带宽要求很高——此过程需要访问内存中的海量数据，迭代进行快速和持续的数据搬运，每秒数据量可以达到数百TB/s。

而每个token的生成都需要反复进行decode操作，每次都意味着万亿规模参数、海量数据访问。也就是说将近9,000个token输出，每一个都要经历这种规模的操作。很显然，Agentic AI的推理(reference)算力需求相比过去是显著增加的(注意：这里不能说成本显著增加)。

在此基础上还需要考虑一个因素：由于逻辑推理模型工作时，在算力一定的情况下，响应用户请求的速度变慢了，则企业基于用户体验、留住用户的角度，还要考虑提升响应速度。如果响应速度能提升10倍，则在token输出相比过去要多出10倍的情况下，达成了用户体验的平衡。

图3：算力一定时，资源分配在AI不同阶段的变化 图片来源：国际电子商情

所以总的来说，Agentic AI在显著提升复杂任务推理能力的同时，大幅提升了单次推理的算力需求。市场此前认定DeepSeek大幅降低了AI训练成本，即便这一命题成立，却也忽略了其推理资源在增加的事实(虽然我们不能简单地说，成本在增加)。换句话说Agentic AI时代，整体资源分配方式是从原本高算力需求的预训练阶段，逐渐向推理阶段倾斜(图3)。

更何况，从社会对AI的总投入来看，即便是训练阶段，AI的价值也真的没有降低。

5年内，AI世界都发生了什么？

有个颇为有趣的事实，可能是立足生成式AI或Agentic AI带来生活与工作便利当下的人们已经遗忘的：2020年的人类大概无论如何也不会想到，2025年的人会每天和AI说话，还借助AI来讨论工作。

现在Youtube上热门的AI课程，课后作业会要求学生训练7B参数的模型(实则为fine-tune)。回顾2019年GPT-2刚发布之时，1.5B参数量已经让行业与资本市场咋舌了。也就是说，2025年今天的任何一名AI专业学生，带着已经不算强的Llama2-7B模型回到2020年前后，就足以让彼时的OpenAI感到毁天灭地了。可见AI技术发展之快是完全颠覆了当代人的认知的。

另一个相关的重要结论在《DeepSeek的杰文斯悖论：AI芯片市场发展前瞻》中：在模型参数量级不变的情况下，每8个月模型能力就提升1倍。去年面壁智能就在发布会上说，如今2B参数量的模型，在实际表现上就能比肩几年前170B参数量的模型。还有一些研究机构则提出，AI模型要达成相同能力所需算力，每年降低4-10倍。

则对应的，达成相同推理(reference)效果的成本就在近两年大幅下降了。2022年1月GPT3的每百万token推理成本(基于MMLU大型多任务语言理解基准)还在大几十美元的高位，GPT3.5 Turbo就将该值拉到了2、3美元的程度，Llama2-7B实现了百万token推理成本1美元，到近代的Llama 3.2-3B让这个数字低到不足0.1美元。

短短3年时间，实现GPT3相似质量的AI模型推理价格下降了1,200倍。(如图4；注意，这里的成本下降是指单位token的推理成本，而非单次推理的成本也下降到这一量级水平，尤其考虑Agentic AI单次推理的token数量增长了10+倍)

图4：2022年至今大语言模型的成本下降趋势 图片来源：国际电子商情

可见在AI芯片堆算力“大力出奇迹”的同时，整个AI技术栈的上层也在努力提升AI效率，令AI使用成本的降速远快于当年半导体领域的摩尔定律。或许很多人将AI技术称作人类历史的第四次科技革命是有道理的。

“这一阶段，工程师致力于寻找以更低的成本达成相同效果的路径，因此人工智能的发展阶段和机械化飞行的演进并无二致。”Dennis说，“像DeepSeek这样的突破性变化是必然会出现的。”毕竟要达成“人工智能无处不在、人尽可用”的目标，“就需要以更低的成本和更少的计算资源来实现。”

所以我们才说DeepSeek达成现如今的热度和成就，是站在了巨人的肩膀上。业内同人过去几年就有着相同的目标、做着相同的事情。这也是Agentic AI能够进入人们日常生活的先决条件。因为如果推理成本没有降到这个程度，以3年前GPT-3的推理成本，Agentic AI恐怕也只是有钱人的玩具。

这些是人类通往AGI(通用人工智能)的必由之路，则市场更不应当诧异这些年来企业、数据中心大量购入AI芯片的价值。可能现下的核心问题是，AI效率在提高、算力也在提升，那么究竟人类需要多少算力才能达到真正意义上的AGI？

实际上研究机构每年所做的市场预测就是要回答这个问题。《DeepSeek的杰文斯悖论：AI芯片市场发展前瞻》一文也已经援引了麦肯锡对未来5年的判断。但我们认为，这仍然是个难以计算的复杂问题。“即便人工智能模型的效率在不断提高，对人工智能的需求的增长速度仍远远超过硬件的供应速度。”这是包括Imagination在内的几乎所有市场参与者的共识。

此处再给另外一个维度的参考，今年GTC上NVIDIA预告了2年后要上市的Rubin Ultra NVL576系统——该机架将由576片Rubin Ultra die构成，单片Rubin Ultra片内存储1TB HBM4e。整个系统性能提升14倍，存储资源涨8倍，系统内和系统外的互联带宽分别提升12倍和8倍(相比于GB300 NVL72)。

这显然是突破了半导体“摩尔定律”的数字。数十倍性能提升在电子系统一年迭代时间里发生，且在NVIDIA看来还未必满足AI算力需求：可见在现有市场参与者看来，DeepSeek会降低AI基建需求的早期误判是可笑的(图5)。

图5：AI数据中心将是人类社会的中坚力量 图片来源：国际电子商情

未来的AI总算力需求需求

最后还是回到经典的杰文斯悖论。Dennis评价DeepSeek的创新成果“实际上是为AI硬件打开了更大的市场”，“为世界创造了更多的AI技术应用空间”，“降低了AI计算需求门槛，为行业里的其他传统企业和新创公司提供了全新的竞争手段”。

就像第一次科技革命之时，蒸汽机的效率提升致单位动力耗煤下降，但社会的煤炭总消耗量却因为蒸汽机应用场景扩展而激增。类比AI市场，虽说达成相同能力的AI模型训练和推理成本在下降，但总投入却将发生大幅增加——因为需求也随之增加了。

所以我们可以说(1)AI成本下降会进一步带动AI应用的普及，更多行业和场景都会开始布局AI应用；(2)效率的提升也会促成新应用场景的出现，应用层面的创新甚至会是现在的人类始料未及的；

(3)带动AI技术竞争和效率持续突破，也就是AI技术栈的持续效率优化会促进竞争，进一步带动市场整体发展。虽然本文主要是在谈AI模型及算法的效率提升，但近些年AI芯片的效率提升也在持续，不仅是NVIDIA的GPU、系统及诸如Dynamo这样的中间件。Dennis在采访中也说，最近发布的Imagination DXTP GPU IP，能效相比上代提升20%。这在我们看来会成为接下来几年AI技术进步的常态。

遥想AlexNet刚刚促成这一波AI热潮之时，就有人预言了“强AI”持续发展的时代，每5年的技术迭代，就可能让人意想不到，再也回不去从前。今年的IIC Shanghai活动上，还有嘉宾认为，AI对人类生活习惯的潜在影响将超过智能手机。或许2、3年以后的人类回望2025年的我们，就已经不理解为何当时的人类技术如此落后了。