<div id="readability-page-1">其实具体逻辑，从 12 月 deepseek v3 到这周的 r1，我们前前后后分析过很多次了，不妨总结梳理下 1. 海外广泛引用的 550 万美金是 v3，而不是 r1 的训练成本，且 550 万只是 v3 实际训练成本的零头。v3 论文原话：上述成本仅包括 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。社群内一位算法工程师就曾说 “v3用了幻方自己的 r1 模型生成数据，这个部分的反复尝试要不要算在成本里呢？” 一个意思。 2. 前沿探索和后发追赶，所需要的算力本就不是一个量级。表现为训练同一代模型所需算力每隔 N 个月就是指数级降低。原因包括算法本身的进步（FP8、混合 MoE）、算力的持续通缩、复现方法如蒸馏等对数据的浓缩。最关键的是，探索就意味着会有浪费，而后发追赶 “站在巨人肩膀上” 本就可以规避浪费。就比如 o1 的训练成本肯定远超 GPT-4，幻方 r1 的训练成本肯定也超过 v3。而从 o3 到 o4/o5，从 r1 到 r2/r3，训练算力只会更多。 3. 单次训练降本了，不代表整体训练成本会下降。训练效率提高，实验室就减少投入吗？不会，真实逻辑是：基于更高效率，榨干算力，去攫取更大收益。就拿幻方来说，infra 优化降本能力这么强、提前囤卡也挺多、没怎么扩张 API 服务专注于研究与训练的情况下，依然还在缺卡。横向对比之下，北美某些花了更多钱的实验室，的确显得很尴尬...但他们之后就降本增效吗？不会。消化吸收幻方开源的方法 + 比幻方多得多的算力=攫取智能的更大提升。训练算力最应该担心的是撞墙，算力使用效率提高，反而可能是提高了模型本身的天花板。 4. 幻方代表的是整个开源相对闭源的一次胜利。对社区的贡献会快速转化为整个开源社区的繁荣。如果真的说利空的 Loser，那可能是闭源模型。中国这一点已经提前经历了，被 Llama 支配的恐惧，跑不过 Llama3 的中国闭源模型公司被迫倒闭、转应用、转开源。而今天中国开源打到了北美闭源...如果现在还不如 r1（以及即将到来的 r2 r3），那这家公司的 API 价值基本归 0。但说实话这个过程的确会让模型训练参与方快速缩减。 5. 最关键的，以上讨论都是训练，而未来显然更大需求来自推理。有一点被大家忽略了，幻方对推理成本的消减，比训练来的更为震撼。今天大家都看到了AMD 宣布支持幻方 v3，用我们嘉宾 Y 博的话就是：DeepSeek 架构的优雅之处就在于，和标准的 transformer 架构比较起来， 并没有引入特殊的算子。理论上可以相对轻松支持各种类型卡...（这也是被 GPU 禁运逼出来的）大家体会下这句话的分量，以及对于 CUDA 的启示...幻方这帮人都是手撸算子的天才... 推理成本降低，对算力是利好还是利空？比训练更好理解。请对比：刚推出来贵到没人用的o1，以及掀起 API 价格战之后的豆包。推理成本的降低大概率会带来应用的繁荣，反而会拉动更大的算力需求。 这里再引用下星球 Y 博的评论，现在回头看非常前瞻：DeepSeek-V3 将支持私有部署和自主微调，为下游应用提供远大于闭源模型时代的发展空间。未来一两年，大概率将见证更丰富的推理芯片产品、更繁荣的 LLM 应用生态。 6. 如何平衡北美仍在疯狂的基建，和过去浪费的投资？美国的确CSP 仍在疯狂抢电，都抢到 2030 年去了。其实各大 CSP 过去 2 年千亿美金砸下去，没有一家单纯是为了训练，基本都是自身业务需求 + 推理业务增长驱动。只有微软为 OpenAI 准备的算力 credit、AWS 算力租赁给了下游客户用于训练、Meta/xAI 部分算力用于自身训练，但算力大头都是因为自身的推荐系统业务/自动驾驶业务本身需求。以及微软已经相当于拒绝了 Sam Altman 继续 All in 的诉求，转而聚焦回报更确定的推理（Satya 亲口这么说）。 因此幻方这件事对北美 CSP 来说，客观来讲，过去某些训练投入的确是打水漂了。为冒险、探索新市场付出的必要成本。但看未来，开源的整体繁荣一定最终是利好这些 “中间商”。之前我们阐述过，他们其实不是亲自冒险的矿工，他们只是铲子的搬运工，以及基于这些模型（无论开源 or 闭源）建立更具商业价值的应用生态。卡并不只是用于训练，越来越大比例会挪到推理。假如训练的高效让模型更快进步，应用生态更加繁荣，他们怎么可能不继续投呢？ 最后，继续引用下《the bitter lesson》：长远来看，算力才是真正的决胜因素。历史的经验一次又一次地告诫我们，AI 研究者常常试图将人类的知识灌输到 AI 算法中，这种做法在短期内通常有效，并且带来个人成就感和虚荣心。但长远来看，它会造成瓶颈，甚至阻碍进一步发展。最终的突破性进展往往源于一种截然不同的思路，即通过搜索和学习来扩展算力规模。而那些最终的成功往往伴随着苦涩，难以被下咽，因为算力的成功，意味着对我们以人类为中心的固有思维和虚荣心，是一记响亮的耳光。 本文作者：信息平权，来源：信息平权，原文标题：《DeepSeek 利空算力？》风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。</div>

OpenAI

微软

DeepSeek 的算力问题引发讨论，分析指出 550 万美元的训练成本仅为 DeepSeek-V3 的零头，且不包括前期研究成本。算力需求随着算法进步和技术演变而降低，后发追赶者可避免浪费。尽管训练效率提高，整体成本未必下降，反而可能导致更高的算力需求。幻方的成功代表开源相对闭源的胜利，推动社区繁荣。

- DeepSeek-V3 的训练成本为 550 万美金，实际成本更高。  
- 推理成本降低将促进应用繁荣，拉动算力需求。  
- 开源模型的成功将对北美 CSP 产生积极影响。  