1月27日周一，deepseek-R1的发布持续发酵。
有人欣喜若狂，认为R1的创新会大大降低AI训练和推理的计算成本。
也有人忧心忡忡，担心这意味着AI对算力的需求可能触顶——股市里的恐慌因子就这样被点燃。
英伟达股价在当日深度跳水，跌幅一度接近18%。
市场弥漫着不安，有人甚至断言：“也许GPU时代辉煌不再，AI算力要少了，英伟达高估值的故事讲到头了。”
然而就在1月28日，戏剧性的转折出现了。
英伟达股价大幅回升，收盘涨近9%，一天市值飙升2550亿美元，创下历史第三大单日市值涨幅。
这波迅猛反弹到底为什么？
R1：降低成本≠不需要算力
让我们先回到“deepseek-R1”。
它之所以备受关注，正是因为其创新性架构带来了训练效率和推理效率的双重提升。
依靠新的算法优化和并行化策略，R1在更低算力投入下能展现出更高的模型性能。
R1看似降低了训练和推理的单位成本，却不会因此让对算力的需求曲线走平——因为一旦有了更高的效率，AI研究者们势必会想要在更短时间内进行更多实验、调优更大规模的模型，从而进一步推动算力的使用。
换句话说，R1的强大性能本身或许就因为算力不足而“被限制”了。
无论是研究阶段还是应用阶段，深度学习一直有个朴素却真理般的规律——“算力×数据×算法=AI魔力”。
而这三者中，算力往往被称为“最现实的天花板”。
推理消耗同样惊人
除了训练阶段，推理阶段对算力的需求也依旧庞大。
最近，OpenAI首席产品官Kevin Weil在接受访谈时直言，尽管Pro版定价达到200美元/月，但OpenAI目前仍在亏损，其主要原因就是推理阶段的海量计算消耗。
首席产品官 Kevin Weil：OpenAI 不是傻子，o3 一个月后推出
大量用户的请求源源不断涌来，远远超出20美元档位所能覆盖的需求，显然这笔“算力账单”令他们倍感压力。
在推理环节，模型要在极短时间内做出实时响应，尤其在大模型的多轮对话、代码编写、场景生成等高度复杂任务中，后台所调用的GPU集群需提供持续、高速的计算支持，这使得计算资源的“烧钱”属性比训练过程更难预测，也更难压缩。
对那些拥抱大模型应用的公司而言，所有需求都离不开GPU集群的“猛干”。
卡帕西：AI对计算需求“传奇般贪婪”
“AI 对计算的需求是传奇般的贪婪”——Andrej Karpathy
他在1月28日的社交媒体上如此形容深度学习的发展趋势，并配合了一个细节颇为惊艳的长篇阐述：深度学习的两大核心学习方式——模仿学习（监督学习）和试错学习（强化学习），都需要海量的算力来支撑。
无论是以合成数据生成的方式扩大数据规模，还是在各种环境中进行强化学习，不断尝试、不断失败再不断修正，背后都依赖庞大的计算能力的推动。
他还强调了合成数据生成与强化学习之间的关系——二者在本质上是一种对照或者“等价”过程：不断试验、筛选、再验证，一步步累积微小的优势，直到出现“惊喜的突破”。
马斯克也对他的上述观点表示赞同。
有趣的是，有网友调侃卡帕西是不是囤积了英伟达的股票，又不想直接说出来。
结语
那些认为R1“革命”会颠覆算力需求的投资者很快发现：R1带来的只是效率的提升，而非对算力需求的削减。
随着更多大模型应用走向商用，人类对“智能”的贪婪，很难有天花板。
哈佛大学心理学家史蒂文·平克在《心智探奇》里提到：“人类创新是不断自我扩展的过程，当你发明了一个新工具，它往往能为你打开更多通往未知的大门，而未知带来的魅力足以让你不惜一切代价去探索。”
AI时代最真实的写照或许就是对计算力的永恒渴望。当R1进一步证明了算法创新的可行性时，人们反而会不断加大对更大算力环境的追求。
深度学习的实验浪潮在短期内不会退却，企业对AI基础设施投入的热情仍在高涨。
