中国宏观经济月报：DEEPSEEK对英伟达长期股价的潜在影响

　　1 月27 日，DeepSeek 在中国区和美国区的苹果App Store 免费榜上同时登顶，成为下载量第一的应用程序。与此同时，美国科技股市场却遭遇了大幅下跌，费城半导体指数（SOX）下跌了9.2%，创下自2020 年3 月以来的最大单日跌幅。其中，英伟达股价下跌了近17%，市值蒸发了近6000 亿美元，成为美股历史上最大规模的单日市值缩水之一。甚至WTI 原油价格也在盘中一度下跌了3%。一些交易员认为，如果大模型的训练和推理不再需要大量算力，数据中心的电力需求也会随之减少，进而减少对石油发电的依赖。

    　　这场科技股的大幅波动，主要归因于DeepSeek 在训练和推理成本上的显著优势。

    　　推理成本（API 报价）：每百万Token 的输入成本仅为1 元。

    　　训练成本：根据DeepSeek 发布的技术报告，他们共使用了约2000 张H800 GPU 进行训练，整个V3 模型的训练成本不超过600 万美元。

    　　1、在预训练阶段，每万亿Token 的训练使用了2048 个H800 GPU 集群，仅需180K 个GPU 小时，大约3.7 天即可完成。

    　　2、整个预训练过程总计耗时2664K GPU 小时（不到两个月），加上上下文扩展和后训练，总耗时约为2788K GPU 小时。

    　　3、按照H800 每小时2 美元的租赁价格，总训练成本不超过600 万美元。

    　　在推理成本方面，OpenAI 的o1 模型每百万输入和输出Token 分别收费15 美元和60 美元，而DeepSeek 的R1 模型在相同输入和输出下的价格仅为OpenAI 的3%。

    　　DeepSeek 是如何实现低成本训练的？

    　　DeepSeek 团队通过创新的训练策略显著降低了成本，尤其是在监督微调（SFT）环节进行了优化。

    　　他们最初尝试完全跳过SFT 步骤，仅通过强化学习（RL）进行训练，推出了名为DeepSeek-R1-Zero的模型版本。尽管这种方法在初期需要更多的计算资源（因为模型需要更多的探索），但研究人员发现，通过引入少量冷启动数据，可以显著提升训练的稳定性并增强模型的推理能力。

    　　在R1 系列模型之前，业界普遍采用RLHF（基于人类反馈的强化学习）方法，依赖大量由人类撰写的高质量问答数据，以帮助模型在奖励信号不明确的情况下做出复杂决策。而R1 系列模型则摒弃了RLHF 中的人类反馈（HF）部分，仅保留了纯粹的强化学习（RL）机制。DeepSeek 团队表示，经过数千次“纯强化学习”训练步骤后，DeepSeek-R1-Zero 在推理基准测试中的表现已经与OpenAI 的o1-0912 模型相当。

    　　然而，纯强化学习训练存在一个显著问题：模型过度关注答案的正确性，而忽视了语言流畅性等基础能力，导致生成的文本出现了中英混杂的现象。为了解决这一问题，DeepSeek 团队使用数千条链式思考（CoT）数据对V3-Base 模型进行微调。这些数据包含了规范的语言表达和多步推理示例，帮助模型初步掌握了逻辑连贯的生成能力。随后，团队启动了强化学习流程，生成了约60 万个与推理相关的样本和20 万个与推理无关的样本。最终，这80 万个样本数据被用于微调V3-Base 模型，从而得到了R1 模型。

    　　通过这种创新的训练方案，DeepSeek 不仅大幅降低了训练成本，还成功提升了模型的推理能力和语言生成质量。

    　　DeepSeek 的成果将如何影响AI 产业的未来？

    　　DeepSeek 的突破性成果将对AI 产业的未来产生深远影响。尽管英伟达的股价因此受到了一定冲　　击，但从长远来看，DeepSeek 的最大影响可能并非直接作用于英伟达，而是对那些依赖自研大模型并通过模型调用构建商业模式的公司，如OpenAI、Anthropic、月之暗面、字节跳动等，产生更为显著的影响。

    　　据Meta 员工在匿名平台透露，DeepSeek 仅以1%的成本投入便实现了超越Llama 3 的性能表现，这一成就已引发公司内部AI 团队的担忧，尤其是考虑到他们正在研发的下一代模型Llama 4 的预期投入将比Llama 3 高出数倍。技术媒体The Information 随后报道称，Meta 已成立四个专门的研究小组，深入分析DeepSeek 的技术原理，并计划将其应用于Llama 模型的优化中。在DeepSeek V3 发布之前，Llama 曾是全球最强大的开源模型，而V3 的推出无疑对其地位构成了挑战。

    　　然而，对于美国的大型科技企业而言，保持技术领先地位仍是首要目标，而非单纯的成本优化。

    　　这些公司不仅致力于在行业内保持领先，还希望在全球范围内维持技术优势，尤其是在面对中国等国家的竞争时。尽管这些巨头可能会借鉴DeepSeek 的方法来优化部分成本，但这并不会成为他们的核心战略方向。

    　　现阶段，各大公司全力投入研发的大语言模型（LLM），依旧处于蓬勃发展的上升阶段，这需要持续投入大量算力支持。即使未来LLM 的算力需求趋于饱和，其他形式的机器学习（ML）模型仍可能对算力有巨大需求。算力如同能源，几乎无处不在。DeepSeek 若想进一步提升性能，也需要更多GPU资源来支持其训练，以满足日益增长的计算需求。

    　　一直以来，中文大模型的发展相较于其他语言的大模型，明显处于滞后状态，主要原因之一是高端芯片的短缺。DeepSeek 创始人梁文峰在接受《暗涌》采访时也强调了这一问题，直言Deepseek“面临的问题从来不是钱，而是高端芯片被禁运”。在未来相当长的一段时间内，英伟达的高端芯片仍将是AI 科技企业的核心需求。

    　　英伟达在一份声明中指出，DeepSeek 的成果实际上证明了市场对英伟达芯片的需求将会增加，而非减少。这一观点有其合理性，因为随着模型训练和推理成本的降低，人工智能的商业化进程将加速，从而推动对算力的需求增长。

    　　依据经济学中著名的杰文斯悖论，技术的进步虽说能够有效提高资源的使用效率，使得单个应用在运行过程中所需的资源量显著减少。然而，令人意想不到的是，随着资源使用成本的持续下降，市场对于资源的总体需求不但没有如预期般减少，反而会逆势上扬，导致总的资源消耗量不降反升。

    　　DeepSeek 的成功显著降低了LLM 的开发门槛，这将促使更多中小型企业甚至个人开始训练私有模型。如果这一趋势能够引发中小型企业、家庭和个人用户对推理需求的“第二波”增长，那么这些增量需求将远超AI 巨头减少的GPU 采购量。回首往昔，类似的场景也曾上演，当年个人电脑价格从令人咋舌的2 万美元一路暴跌至亲民的2 千美元后，微软公司便紧紧抓住这一历史机遇，迎来了发展的黄金时期。。而且，值得注意的是，相较于模型训练环节，在商业化之后的推理环节，对于算力的消耗将会更为惊人。更何况，即便研发出了更高效的计算方法，也并不意味着算力需求就会随之减少，二者并非简单的线性关系。

    　　总体而言，DeepSeek 开创的低成本模式，虽说在短期内确实对英伟达的股价造成了一定冲击，让市场泛起一阵涟漪。但如若我们站在更为宏观的长远视角审视，随着AI 技术的日益普及，以及商业化进程的加速前行，英伟达的芯片需求极有可能会迎来进一步显著增长，届时，AI 产业又将迈向一个全新的发展阶段。