《科創板日報》12月30日訊?日前，深度求索DeepSeek-V3橫空出世，在AI行業內引發巨震，關鍵原因之一就是預訓練成本之低——這個參數量高達671B的大模型，在預訓練階段僅使用2048塊GPU訓練了2個月，且只花費557.6萬美元。與此同時，DeepSeek-V3相比其他前沿大模型，性能卻足以比肩乃至更優。

在這背后，DeepSeek-V3采用了用于高效推理的多頭潛在注意力（MLA）和用于經濟訓練的DeepSeekMoE。研發團隊證明，多Token預測目標（Multi-Token Prediction，MTP）有利于提高模型性能，可以用于推理加速的推測解碼。后訓練方面，DeepSeek V3引入了一種創新方法，將推理能力從長思維鏈模型（DeepSeek R1）中，蒸餾到標準模型上。這在顯著提高推理性能的同時，保持了DeepSeek V3的輸出風格和長度控制。

有觀點認為，DeepSeek-V3極低的訓練成本或許預示著AI大模型對算力投入的需求將大幅下降，甚至有觀點將27日A股算力概念的下跌與之聯系在一起。但也有觀點認為，DeepSeek表現固然優秀，但其統計口徑只計算了預訓練，數據的配比需要做大量的預實驗，合成數據的生成和清洗也需要消耗算力。此外，在訓練上做降本增效不代表算力需求會下降，只代表大廠可以用性價比更高的方式去做模型極限能力的探索。

“最重要的是，我們正式進入了分布式推理時代。”?談及DeepSeek-V3時，Lepton AI創始人兼CEO賈揚清針對推理方面指出，“一臺單GPU機器（80×8=640G）的顯存已經無法容納所有參數。雖然更新大顯存機器確實可以裝下模型，但不論如何，都需要分布式推理來保證性能和未來擴展。”

中信證券研報也指出，近日，DeepSeek-V3的正式發版引起AI業內廣泛高度關注，其在保證了模型能力的前提下，訓練效率和推理速度大幅提升。DeepSeek新一代模型的發布意味著AI大模型的應用將逐步走向普惠，助力AI應用廣泛落地；同時訓練效率大幅提升，亦將助力推理算力需求高增。

▌AI行業“下一件大事”？

“我們已經達到了數據峰值……AI預訓練時代無疑將終結。”?OpenAI聯合創始人兼前首席科學家Ilya Sutskever前不久曾如此斷言。

多位AI投資人、創始人和CEO們在接受采訪時都表示，AI的Scaling Law定律的收益正在逐步衰減。

包括a16z合伙人Anjney Midha、微軟CEO Satya Nadella在內，AI行業CEO、研究人員和投資人們，已經發出了新的判斷：我們正處于一個新的Scaling Law時代——“測試時間計算時代”，即“推理時代”。這項能力讓AI模型在回答問題之前，能有更多時間和算力來“思考”，“這特別有希望成為下一件大事”?。

▌AI應用崛起 呼喚推理算力

為什么推理如此關鍵？

除了“舊版Scaling Law”效應衰減之外，還有一個原因就在于AI應用——英偉達競爭對手、AI芯片制造商Cerebras曾如此解釋，?“快速推理是解鎖下一代AI應用的關鍵。從語音到視頻，有了快速推理之后，以前無法實現的響應式智能應用程序將成為可能。”

以近期風頭大盛的豆包為例，不久前豆包大家族全面更新，豆包大模型應用場景不斷拓展，民生證券指出，這使得對推理算力的需求不斷攀升，主要集中在硬件設備算力需求、數據中心規模擴張需求、通信網絡需求三方面。

具體而言，豆包大模型將帶來多少推理端的算力需求增量？分析師根據目前豆包的月活、日活以及日均token調用量為基礎，做出保守、中性、樂觀3種假設，預計豆包大模型或將帶來759、1139、1898億元的AI服務器資本開支需求。

隨著AI應用顯著帶動算力建設，分析師指出，字節算力資本開支持續攀升。

另外，上周還有報道指出，小米正在著手搭建自己的GPU萬卡集群，將對AI大模型大力投入。小米大模型團隊在成立時已有6500張GPU資源。

當然，字節跳動與小米不是個例，海外科技巨頭也正在大手筆加大資本開支。據摩根士丹利預估，海外四大科技巨頭在2025年的資本開支可能高達3000億美元，其中亞馬遜964億美元、微軟899億美元、Alphabet 626億美元、Meta 523億美元。

雖說目前暫時無法明確其中有多少資金將用于AI算力建設，但從這些巨頭此前的種種表態與近年的資本方向可以想到，AI占比不會太低。

Bloomberg Intelligence最近的一篇報告顯示，企業客戶可能會在2025年進行更大規模的AI投資，而AI支出增長將更側重于推理側，以實現投資變現或提升生產力。

隨著端側AI放量，豆包、ChatGPT等AI應用快速發展，多家券商研報指出，算力需求會加速從預訓練向推理側傾斜，推理有望接力訓練，成為下一階段算力需求的主要驅動力。

a16z合伙人Anjney Midha表示，如果推理計算成為擴展AI模型性能的下一個領域，那么對專門用于高速推理的AI芯片的需求可能會大幅增加。如果找到答案與訓練模型一樣需要大量計算，那么AI領域“賣鏟人”將再次獲勝。