還記得小學(xué)課本上的“兩小兒辯日”的場景么？在AI領(lǐng)域，DeepSeek的橫空出世，也衍生出了一個(gè)關(guān)于“算力需求到底是變少了還是變多了”的辯題。

也許，你在一些AI行業(yè)峰會上，甚至身邊朋友那，可能會遇到下面這樣的辯論：

A：“DeepSeek的問世，簡直是AI領(lǐng)域的一次革命！它通過極大降低大模型訓(xùn)練和推理的成本，原本難以企及的計(jì)算任務(wù)，如今都變得輕而易舉。這直接導(dǎo)致了英偉達(dá)股價(jià)的暴跌，大家都在討論，算力的瓶頸將不再存在，GPU市場可能迎來一場萎縮?！?/p>

B：“你錯(cuò)得離譜！DeepSeek的確讓訓(xùn)練成本降低了，但這背后隱藏的，是算力需求的爆發(fā)。它不僅沒有減少對GPU的需求，反而加速了對算力的渴求！因?yàn)槟Ｐ偷哪芰σ坏┨嵘?，用戶的需求就不再是‘偶爾’使用，而是‘深度’依賴，甚至是‘日?！枨蟆Ｄ阍趺茨苷J(rèn)為需求會停滯？”

A：“你看看，英偉達(dá)的股價(jià)已經(jīng)暴跌了，而且，微軟在算力投資上似乎也開始變得謹(jǐn)慎了。模型需要的算力越來越少，那算力就會變得低廉甚至過剩，那我們還屯那么多GPU干什么，當(dāng)飯吃么？”

B：“你錯(cuò)了！當(dāng)算力消耗變得低廉，更多的復(fù)雜任務(wù)將不再被視為負(fù)擔(dān)，反而會成為標(biāo)準(zhǔn)操作。你想想，DeepSeek讓模型能夠處理更復(fù)雜的事務(wù)，意味著接下來我們要處理的數(shù)據(jù)量、任務(wù)的復(fù)雜度，都會成倍增長。這種增長不可能局限于短期，它將在未來呈現(xiàn)指數(shù)級擴(kuò)張。而這會導(dǎo)致我們對算力和GPU的需求，呈現(xiàn)出爆發(fā)式的增長?！?/p>

那么，到底是誰對誰錯(cuò)呢？是不是像“中醫(yī)還是西醫(yī)好”這個(gè)話題一樣，成為一個(gè)永遠(yuǎn)的懸案呢？其實(shí)不是，我們覺得答案很明顯——算力需求沒有因?yàn)镈eepSeek的出現(xiàn)變少，而是變得更多了。至于理由，接下來，我們一條一條的分析。

DeepSeek是降低了算力成本，但也釋放了需求

誠然，DeepSeek在成本下降方面帶來的沖擊波，的確很大。通過創(chuàng)新的訓(xùn)練策略顯著降低了AI模型的訓(xùn)練和推理成本，其V3模型僅用約2000張H800 GPU訓(xùn)練，總成本不超過600萬美元。此外，DeepSeek在推理成本上也極具優(yōu)勢，每百萬Token輸入成本僅為1元。這種低成本模式使得AI開發(fā)門檻大幅降低，推動了AI技術(shù)的普及和商業(yè)化進(jìn)程。

而且，DeepSeek的低成本策略對英偉達(dá)股價(jià)的確帶來了立竿見影的沖擊。2025年1月27日，DeepSeek開源模型推出后，英偉達(dá)股價(jià)暴跌17%，市值蒸發(fā)近6000億美元。

但是，英偉達(dá)最近發(fā)布了年報(bào)，從年報(bào)數(shù)據(jù)來看，業(yè)績非常好，似乎并沒有受多大影響。

更重要的是，美國那邊似乎并沒有放慢大規(guī)模投資算力的步伐。例如：Meta計(jì)劃打造史上最大的AI數(shù)據(jù)中心，預(yù)計(jì)投資超過2000億美元；OpenAI、軟銀和甲骨文將共同投資5000億美元用于“星際之門”項(xiàng)目；微軟計(jì)劃在2025財(cái)年投資800億美元用于AI智算中心建設(shè)。

當(dāng)我們把視線放在國內(nèi)，如果算力需求真的下降了，甚至出現(xiàn)算力過過剩了，那DeepSeek官網(wǎng)總是“服務(wù)器繁忙”又怎么解釋？

更多的用戶，意味著更大的算力消耗

2024年，雖然國內(nèi)發(fā)布了很多大模型產(chǎn)品，甚至出現(xiàn)了“百模大戰(zhàn)”的盛況。但說實(shí)話，很多大模型產(chǎn)品的能力著實(shí)不敢恭維。由于能力的限制，盡管投入了大量的資源和市場推廣，始終未能觸及用戶需求的深層次。結(jié)果是，用戶的數(shù)量和活躍度一直處于一個(gè)相對瓶頸的狀態(tài)，日活躍用戶突破千萬級別就已經(jīng)是很難了。

然而，DeepSeek的能力獲得突破。人們突然發(fā)現(xiàn)，大模型居然可以這么強(qiáng)，真的能解決不少問題了，而不是一個(gè)可有可無的“玩具”。

這一點(diǎn)，正是它迅速突破用戶量瓶頸的核心原因。從早期的數(shù)百萬用戶，DeepSeek在短時(shí)間內(nèi)便突破了千萬、億級用戶的限制，并且這只是開始。未來，隨著DeepSeek及其后續(xù)技術(shù)的不斷迭代，我們可以預(yù)計(jì)到，用戶接入量將繼續(xù)以指數(shù)級的速度增長，從單純的千萬級別，到數(shù)億、甚至十億級的用戶接入，這一切都在眼前。

DeepSeek的強(qiáng)大能力不僅僅改變了AI的應(yīng)用方式，它還推動了用戶群體的“破圈”效應(yīng)。從以往只能在科技行業(yè)、數(shù)據(jù)科學(xué)家或企業(yè)高管中應(yīng)用的局限，DeepSeek的突破讓它真正實(shí)現(xiàn)了對多元化用戶群體的全面覆蓋。

從學(xué)生、家庭主婦、退休人員，到職場新人、創(chuàng)業(yè)者、創(chuàng)意工作者，DeepSeek的能力逐步突破了傳統(tǒng)的專業(yè)壁壘，將AI真正帶入了每個(gè)人的日常生活。比如，學(xué)生利用DeepSeek進(jìn)行個(gè)性化學(xué)習(xí)輔導(dǎo)，家庭主婦用它規(guī)劃智能家居并處理日常任務(wù)，創(chuàng)意工作者借助AI進(jìn)行內(nèi)容創(chuàng)作，甚至是老人也能通過DeepSeek與智能助手進(jìn)行日常交流，獲取健康建議和生活指南。

可以說，DeepSeek讓大模型實(shí)現(xiàn)了“破圈”，從一個(gè)小眾的前沿科技產(chǎn)品，在短短一兩個(gè)時(shí)間就變成全名普及的產(chǎn)品。這海嘯般的新用戶，也意味著海嘯般的算力需求。而一旦接不住，那“服務(wù)器繁忙”就成了一種必然。

不僅用的人多了，還用得更頻繁了

隨著模型能力的增強(qiáng)，不僅用戶數(shù)量會指數(shù)級增長，單個(gè)用戶的使用頻率也會顯著增加。

隨著模型越來越精準(zhǔn)、越來越全面，迅速從偶爾使用的“工具”，變成了每個(gè)用戶的日常依賴。這種依賴并非是偶爾的需求，而是通過日?；?、頻繁化的任務(wù)處理，深入到每個(gè)用戶的生活和工作當(dāng)中。

比如，在辦公場景中，DeepSeek的強(qiáng)大能力使得它成為了員工日常工作中不可或缺的一部分。原本員工或許只是偶爾用它查查資料，詢問下某些問題，但是隨著模型越來越智能，它不僅能快速給出準(zhǔn)確的回答，還能結(jié)合上下文給出建議和分析，幫助員工提升效率。

假設(shè)一個(gè)產(chǎn)品經(jīng)理每天都會問DeepSeek關(guān)于市場動態(tài)、競品分析以及文案優(yōu)化的建議，最開始或許他是每周才用幾次，但隨著DeepSeek能力的增強(qiáng)，經(jīng)理逐漸發(fā)現(xiàn)，幾乎每天都能從DeepSeek那里獲取到更高效、更精準(zhǔn)的工作輔助，從而逐步提升使用頻率。一個(gè)簡單的問答需求，逐步發(fā)展成了日常工作的常規(guī)支持，甚至是在不同環(huán)節(jié)中反復(fù)調(diào)用AI助手。

在教育領(lǐng)域，尤其是針對學(xué)生的個(gè)性化學(xué)習(xí)應(yīng)用，DeepSeek同樣顯示出強(qiáng)大的潛力。也許，學(xué)生不僅依賴它來解答數(shù)學(xué)問題，還是日常學(xué)習(xí)的一部分。比如，學(xué)生每天早上可能會用DeepSeek幫助自己理解一個(gè)新概念，或者檢查一下作業(yè)的答案；課間時(shí)，可能會再次詢問DeepSeek某個(gè)歷史事件的細(xì)節(jié)，甚至在晚上自習(xí)時(shí)，向DeepSeek請教一些難懂的課本內(nèi)容。這種從偶爾一問到天天依賴的轉(zhuǎn)變，讓DeepSeek成為了學(xué)生每天復(fù)習(xí)和學(xué)習(xí)的伴侶。

同樣，在創(chuàng)意行業(yè)，DeepSeek的能力提升也能讓設(shè)計(jì)師、作家等職業(yè)的用戶，頻繁地進(jìn)行交互。對于設(shè)計(jì)師來說，DeepSeek不僅僅是“設(shè)計(jì)建議”的來源，它能幫忙生成創(chuàng)意草圖，提供色彩搭配建議，甚至給出符合市場趨勢的設(shè)計(jì)靈感。最初，設(shè)計(jì)師或許只是偶爾使用它來獲得靈感，但隨著模型越來越強(qiáng)大，設(shè)計(jì)師發(fā)現(xiàn)，很多小的修改都能通過DeepSeek輕松完成，從而每天、甚至一整天都在和它進(jìn)行互動。

在個(gè)人健康管理領(lǐng)域，DeepSeek的作用也正在逐步加深。越來越多的人開始依賴AI模型來進(jìn)行個(gè)性化的健康建議、疾病預(yù)防、營養(yǎng)規(guī)劃等。比如，用戶可以通過DeepSeek記錄每日的飲食和運(yùn)動情況，并詢問它關(guān)于健康飲食、運(yùn)動方案的建議。現(xiàn)在，很多人感覺身體不適，第一反應(yīng)可能不是找醫(yī)生，而是找DeepSeek問一問，先分析一下自己的健康狀況。

對于普通消費(fèi)者，DeepSeek的應(yīng)用場景同樣廣泛。很多人可能最初只是偶爾用它來查天氣、詢問食譜，但隨著它不斷優(yōu)化和升級，用戶的需求也會不斷增長。比如，家里的家務(wù)管理、孩子的作業(yè)輔導(dǎo)，甚至日常購物和旅游規(guī)劃，都可能成為用戶每天詢問DeepSeek的內(nèi)容。想象一下，一位家長每天都向DeepSeek詢問孩子的學(xué)習(xí)情況，或者請它為家庭成員定制健康食譜，每次與DeepSeek的互動，都是一次計(jì)算任務(wù)的啟動。這些看似簡單的日常需求，累積起來，同樣會對算力產(chǎn)生持續(xù)的消耗。

從一個(gè)偶爾查詢的工具，DeepSeek逐漸轉(zhuǎn)變?yōu)橐粋€(gè)全天候、無時(shí)不在的智能助手。這種變化雖然表面上看起來只是用戶行為的轉(zhuǎn)變，但它背后所帶來的算力消耗，卻是巨大的。每一次用戶的提問、每一次模型的響應(yīng)，都是算力消耗的累積，而這也意味著，隨著使用頻率的提升，對算力的需求只會越來越大。

能力越強(qiáng)，就會讓他做越難的事情

隨著大模型能力的不斷增強(qiáng)，用戶對它的依賴不僅停留在日常的簡單查詢或生成任務(wù)上，而是逐步深入到復(fù)雜的決策支持和多步驟的任務(wù)執(zhí)行中。這種轉(zhuǎn)變標(biāo)志著人類與AI交互的深度提升，不再是“簡單問答”那么單一，而是走向了更加復(fù)雜、跨領(lǐng)域的深度協(xié)作。

舉個(gè)例子，在軟件開發(fā)領(lǐng)域，程序員最初使用大模型可能僅僅是為了快速獲取某個(gè)技術(shù)問題的答案或代碼段。然而，隨著模型能力的提升，程序員將開始依賴它來解決更為復(fù)雜的開發(fā)問題。例如，在開發(fā)一款大型應(yīng)用時(shí)，開發(fā)團(tuán)隊(duì)可能需要模型幫助他們設(shè)計(jì)架構(gòu)、選擇技術(shù)棧、進(jìn)行系統(tǒng)優(yōu)化，甚至在開發(fā)過程中通過模型進(jìn)行動態(tài)的性能調(diào)優(yōu)和bug修復(fù)。

這個(gè)過程不僅涉及大量的推理和決策，還需要模型與開發(fā)人員之間進(jìn)行持續(xù)的互動與反饋，每一步的優(yōu)化和調(diào)整都可能是實(shí)時(shí)的，反映著一個(gè)不斷變化的系統(tǒng)。這不僅僅是生成幾行代碼，而是從需求分析到架構(gòu)設(shè)計(jì)，再到開發(fā)過程中的實(shí)時(shí)調(diào)優(yōu)和錯(cuò)誤修復(fù)，每一環(huán)都需要模型進(jìn)行高頻次的計(jì)算和推理。

另一例子是股票投資領(lǐng)域，對于投資者來說，最初他們可能只希望模型能簡單回答某只股票的基本信息或趨勢預(yù)測。然而，隨著模型的能力提升，投資者開始要求它提供更復(fù)雜的決策支持，如多種投資策略的評估、實(shí)時(shí)數(shù)據(jù)分析、風(fēng)險(xiǎn)預(yù)測和資產(chǎn)配置建議。這時(shí)，模型不僅需要整合宏觀經(jīng)濟(jì)數(shù)據(jù)、行業(yè)動態(tài)和公司財(cái)報(bào)，還要根據(jù)不同的市場環(huán)境實(shí)時(shí)調(diào)整預(yù)測，甚至在投資組合發(fā)生變化時(shí)，立即提供調(diào)整建議。

這一過程不是單純的數(shù)值計(jì)算，而是一個(gè)多變量、多層次的推理過程，模型需要通過不斷的反饋和優(yōu)化來支持投資決策。每一次市場波動，模型都需要重新分析，調(diào)整投資策略，實(shí)時(shí)提供決策建議。

這些任務(wù)的復(fù)雜性，決定了算力需求的急劇增加。這種需求并非線性增長，而是隨著任務(wù)復(fù)雜性的提升，呈現(xiàn)出指數(shù)級的加速增長。算力的需求將不僅僅是簡單的疊加，而是一個(gè)不可忽視的“爆發(fā)式增長”。而這種增長，是任何技術(shù)成本的下降所無法完全抵消的。

我們馬上就將見證“模態(tài)災(zāi)難”

目前，大部分主流的大模型應(yīng)用依賴的是單一模態(tài)：文本生成、圖像生成。比如，DeepSeek的強(qiáng)大文本生成功能，已經(jīng)能夠在各類對話式應(yīng)用中，幫助用戶高效獲取信息，生成各類創(chuàng)意內(nèi)容。而在視覺領(lǐng)域，類似MidJourney、DALL·E等圖像生成模型已經(jīng)能夠讓用戶快速創(chuàng)作出令人驚嘆的圖像。然而，這些應(yīng)用的算力需求相對有限，主要集中在對已有數(shù)據(jù)的生成和處理上，盡管它們已經(jīng)足夠強(qiáng)大，但它們的算力消耗還是在某個(gè)范圍內(nèi)可控。

然而，隨著大模型能力的提升，下一步的發(fā)展將是多模態(tài)的融合——尤其是圖像生成向視頻生成、3D建模以及虛擬環(huán)境創(chuàng)造的擴(kuò)展。這一轉(zhuǎn)變，將讓算力需求的增長呈現(xiàn)幾何級數(shù)的爆發(fā)，并使現(xiàn)有的計(jì)算資源面臨前所未有的壓力。

當(dāng)前，圖像生成任務(wù)已經(jīng)在一定程度上推動了GPU算力的增長，但這一階段的算力需求仍屬于可控范圍。視頻生成任務(wù)，尤其是需要高質(zhì)量和高分辨率的生成，將是算力需求急劇增長的一個(gè)節(jié)點(diǎn)。例如，要生成一段3D虛擬環(huán)境中的視頻，模型不僅需要處理豐富的視覺細(xì)節(jié)，還需要實(shí)時(shí)生成場景的動態(tài)變化、光影效果以及物體間的交互。而這些操作，要求模型不僅具備強(qiáng)大的圖形處理能力，還要具備超高的計(jì)算速度和精度——每一秒鐘的畫面，都需要通過復(fù)雜的計(jì)算來保證流暢、自然的呈現(xiàn)。

更進(jìn)一步，3D虛擬空間建模和虛擬現(xiàn)實(shí)，甚至全息影像的生成，將徹底改變我們對計(jì)算資源的認(rèn)知。3D建模與虛擬現(xiàn)實(shí)的結(jié)合，不僅僅是生成一個(gè)靜態(tài)場景，更是需要模擬一個(gè)充滿動態(tài)交互的虛擬世界。

比如，在虛擬現(xiàn)實(shí)中，用戶不僅能看到自己身處的虛擬環(huán)境，還可以與環(huán)境中的對象進(jìn)行互動，甚至參與到實(shí)時(shí)變化的虛擬情境中。這一切，都需要極其強(qiáng)大的算力來支撐——不僅僅是渲染圖像那么簡單，還需要實(shí)時(shí)的物理引擎、行為建模、智能交互等多層次的計(jì)算。

這些任務(wù)的難度和算力需求遠(yuǎn)遠(yuǎn)超過現(xiàn)階段的圖像和視頻生成，因?yàn)樗鼈儾粌H涉及到靜態(tài)內(nèi)容的創(chuàng)作，還要考慮到動態(tài)、交互性和實(shí)時(shí)反饋，每個(gè)環(huán)節(jié)都需要處理海量的數(shù)據(jù)、極為復(fù)雜的推理和計(jì)算。

隨著多模態(tài)技術(shù)的爆發(fā)，算力需求將進(jìn)入一個(gè)全新的維度。從單一模態(tài)的圖像生成到視頻、虛擬空間、全息影像的生成，大模型將需要在多個(gè)領(lǐng)域同時(shí)進(jìn)行復(fù)雜計(jì)算。這一轉(zhuǎn)變意味著，不僅現(xiàn)有算力資源難以支撐未來的需求，甚至我們所知的計(jì)算架構(gòu)也將面臨前所未有的挑戰(zhàn)。多模態(tài)的爆發(fā)，將推動算力需求進(jìn)入一個(gè)全新的“超算時(shí)代”，并讓每一項(xiàng)創(chuàng)新都需要更強(qiáng)大的硬件和計(jì)算支持來支撐其飛速發(fā)展。

我們來算一筆總賬

隨著大模型技術(shù)的不斷進(jìn)步，算力需求正在變得越來越復(fù)雜，尤其是當(dāng)我們考慮到不同技術(shù)進(jìn)步、用戶需求增長以及新應(yīng)用場景的引入時(shí)。為了更準(zhǔn)確地預(yù)測未來五年內(nèi)的算力需求變化，我們嘗試來構(gòu)建一個(gè)分析模型，將一些增大或者減小算力需求的因素都考慮進(jìn)去，來計(jì)算一下幾年之后到底是需要多少算力。

需要指出的是，這只是一個(gè)粗淺的模型，做了一些限定和假設(shè)，可能存在不夠合理，或者參數(shù)設(shè)定不夠準(zhǔn)確的問題，敬請指正。

接下來，我們來考慮幾個(gè)因素：

1. 大模型技術(shù)進(jìn)步帶來的算力需求下降

大模型技術(shù)進(jìn)步帶來的算力需求下降并不是線性遞減的，而是隨著技術(shù)不斷成熟，每年下降的幅度會逐漸減小。在第一年，隨著技術(shù)的突破，算力需求大幅下降，但隨著技術(shù)逐步飽和，后續(xù)每年下降的幅度將逐年收窄。

- 2025年：假設(shè)大模型技術(shù)進(jìn)步將使得推理和訓(xùn)練所需算力大幅下降，估計(jì)下降 10倍。

- 2026年：隨著技術(shù)逐步深化和市場反饋，下降幅度減小，預(yù)計(jì)下降 5倍。

- 2027年：技術(shù)進(jìn)一步成熟，但下降幅度逐漸減小，預(yù)計(jì)每年算力需求將下降 2倍。

因此，五年后的算力需求將降至原來的 2% 左右。

2. GPU和AI芯片技術(shù)進(jìn)步帶來的算力提升與成本下降

隨著GPU和AI芯片技術(shù)的進(jìn)步，算力將成倍提升，而成本將大幅降低。假設(shè)每年GPU和AI芯片的算力提升為 100%，而每年單位算力的成本將下降 50%。

五年后，單個(gè)芯片（比如GPU）的算力將是初始的 32倍，而單位算力的成本將降至初始的3%。

3. 用戶量增長帶來的算力需求增長

隨著大模型應(yīng)用的普及，用戶量將呈現(xiàn)爆發(fā)性增長，尤其是在技術(shù)成熟后，用戶對AI技術(shù)的依賴將大幅增加。我們假設(shè)未來五年內(nèi)的用戶量增長如下：

- 2025年：假設(shè)現(xiàn)有用戶量為 1億。

- 2026年：由于技術(shù)突破和應(yīng)用普及，用戶量將增長至 10億，增長 10倍。

- 2027年：用戶量將進(jìn)一步增長至 30億，增長 3倍。

- 第三年后：增長逐漸放緩，但依然維持較高增長率，第五年預(yù)計(jì)用戶量將接近 50億，之后保持基本穩(wěn)定。

因此，用戶量將是當(dāng)前的 50倍，并且隨著用戶基數(shù)增大，算力需求也將同步增長。

4. 用戶使用頻率提升帶來的算力需求增長

隨著大模型技術(shù)的提升，用戶將會更頻繁的使用DeepSeek這類大模型產(chǎn)品。

- 2025年：假設(shè)每位用戶平均每天使用大模型 2次。

- 2026年：隨著大模型能力增強(qiáng)和應(yīng)用普及，用戶每天使用的頻率將增加到 10次。

- 2027年：由于任務(wù)復(fù)雜性提升和更多場景的應(yīng)用，預(yù)計(jì)用戶每天使用次數(shù)將增加至 12次。

- 后續(xù)幾年：用戶使用深度繼續(xù)提升，每位用戶每天的使用次數(shù)平均將達(dá)到 20次。

這種頻繁的使用將大大提升對算力的需求，預(yù)計(jì)算力需求將增長 10倍。

5、任務(wù)復(fù)雜度的提升所帶來的算力需求增長

從單純的文本問答，到處理高頻、深度的任務(wù)（如應(yīng)用開發(fā)、股票投資、復(fù)雜方案設(shè)計(jì)與執(zhí)行等），計(jì)算資源需求將大幅提升。任務(wù)復(fù)雜性提升帶來的算力需求增長這個(gè)指標(biāo)，可以設(shè)定今年是1倍，明年是10倍，后年是100倍，然后基本穩(wěn)定。因?yàn)閷θ祟惗?，任?wù)的復(fù)雜度是有一個(gè)天花板的，不存在無限復(fù)雜的任務(wù)。

6. 多模態(tài)技術(shù)帶來的算力需求增長

目前，大模型主要聚焦于文本和圖像生成應(yīng)用，未來隨著多模態(tài)技術(shù)的發(fā)展，視頻生成、3D建模、虛擬環(huán)境構(gòu)建等需求將激增，帶來算力需求的急劇上升。

- 2025年：多模態(tài)技術(shù)還處于初步階段，因此目前算力需求的增加主要來源于圖像生成應(yīng)用，假設(shè)算力需求為 1倍。

- 2026年：隨著視頻生成技術(shù)的發(fā)展，算力需求將增加至 10倍，視頻內(nèi)容生成的需求將遠(yuǎn)超當(dāng)前圖像生成。

- 2027年：隨著3D建模、虛擬現(xiàn)實(shí)等技術(shù)的發(fā)展，算力需求將增加至 100倍，并且應(yīng)用場景從娛樂擴(kuò)展到設(shè)計(jì)、醫(yī)療等領(lǐng)域。

- 2028年：到了未來第四年，隨著全息影像和虛擬環(huán)境生成技術(shù)的廣泛應(yīng)用，算力需求將達(dá)到 1000倍。

因此，5年后，預(yù)計(jì)多模態(tài)技術(shù)的普及將推動算力需求增長1000倍。

接下來，我們做個(gè)簡單計(jì)算，5年后，總的算力需求增長情況：2%（模型進(jìn)步帶來的算力需求下降）X50倍（用戶規(guī)模增長）X10倍（單個(gè)用戶使用頻率）X100倍（任務(wù)復(fù)雜度提升）X1000倍（多模態(tài)）=100萬倍。

需要說明的是，上面的計(jì)算可能不準(zhǔn)確，但大致的方向是確定的，那就是將來的算力需求將呈現(xiàn)出指數(shù)級增長。

站在AI發(fā)展史的新節(jié)點(diǎn)上，我們不僅看到了算力的需求爆發(fā)，也應(yīng)該意識到，在未來，算力將不再僅僅是技術(shù)發(fā)展的“瓶頸”，它將成為推動創(chuàng)新的核心動力。這意味著，在未來的技術(shù)競賽中，誰能更好地解決算力供給問題，誰就能在這個(gè)全新的智能時(shí)代脫穎而出。

然而，真正的挑戰(zhàn)并不在于單次計(jì)算的成本下降，而是在于如何在需求急劇激增的時(shí)代，設(shè)計(jì)出更加高效的計(jì)算架構(gòu)和硬件系統(tǒng)。隨著技術(shù)的快速發(fā)展，現(xiàn)有的計(jì)算架構(gòu)和硬件系統(tǒng)將面臨前所未有的壓力，簡單地提升算力可能已無法滿足日益增長的需求。如何在保證算力提升的同時(shí)，保持系統(tǒng)的可持續(xù)性、成本效益和靈活性，將成為業(yè)界亟需解決的關(guān)鍵問題。

換句話說，未來的競爭不再僅僅是單純的算力對決，而是基于智能計(jì)算架構(gòu)、能效優(yōu)化、資源調(diào)度、以及硬件創(chuàng)新等多個(gè)維度的綜合較量。只有那些能夠在這場變革中找到最優(yōu)解的公司，才能真正掌握未來的技術(shù)制高點(diǎn)，迎接算力需求爆發(fā)的時(shí)代。

在這個(gè)過程中，DeepSeek和其他大模型的出現(xiàn)，正是觸發(fā)這場變革的起點(diǎn)。隨著技術(shù)的進(jìn)一步發(fā)展，我們將見證一個(gè)以“需求爆發(fā)”為核心的新計(jì)算時(shí)代的到來。