DeepSeek「降本增效」衝擊全解

終於我要寫DeepSeek。講到DeepSeek，我覺得我應該是所有關注AI最晚寫的人，那也給我一個有趣的小小優勢。

業界熱議》

DeepSeek三大貢獻　改變AI市場生態

首先，我覺得DeepSeek關於很多的細節與事實，是很晚才被釋放出來。其次，AI極為瘋狂的競爭環境，導致DeepSeek不可能是釋出後就沒有對手的反饋，一定會有對手的反應，才會有對應的釋出。所以基本上就是，我覺得關於DeepSeek的所有細節與對手的反應，是一直到最近，具體就是現在，才整體被釋出，比方說非常值得討論的GPT（生成式預訓練轉換器模型）深度研究這個王牌，現在才被逼出來。

大概就是這樣的情況，這是我目前覺得比較晚寫的好處。

關於DeepSeek的工作細節與文章和邏輯，汗牛充棟，但是我認為比較早出來的文件不是很可靠，因為它通常有幾個問題。

首先，外界不是很清楚或理解，相關的技術整合在過去其實沒有那麼罕見，主要因為DeepSeek是用更高的效能與非常好的成本，把這個邏輯做出來。但這些技術並不是他們發明，他們卻有滿好的強化技術；不管是模型蒸餾或是MOE（混合專家模型），都不是從天上掉下來的技術。事實上，MOE一直是法國Mistral AI的強項，所以這次受到重大衝擊的就有Mistral。

再來是成本部分。雖然宣稱只花600萬美元，但DeepSeek沒有把很多前置的訓練成本計算進來，只算最後的訓練成本。

在宣傳上這是可以理解的，這是一種宣傳的邏輯。如果是你說只有花600萬美元，但實際上的部署費可能在5億美元到10億美元之間，還是用了5萬張GPU，算力可能等同至少有兩萬張較高效能的卡。600萬美元的說法就類似那個老笑話：小資族存錢10年就買到房子，沒說的是自己存錢10年是付了5%的頭期款買了房子，但爸媽卻出了95%房貸啊。

扣除這些過度宣傳事情，然後DeepSeek最大的貢獻有3個：

第1是它因為開源（這一點當然市場也有人在爭議），所以相對可以自行部署，也有釋出對應的開發邏輯。本身對應的論文有把它的食譜一定程度的公開，所以這對於整個AI領域是有極大幫助的。

第2是它證明在這幾個大廠之外，是有可能做出一些新的空間。本來因為GPU問題，很多都放棄了基礎模型的小型科技公司，有機會重新殺入戰局。大家對於工程上的解決方案感覺多了很多可能性，這對整個市場的投資是好事。

第3個貢獻是產生漣漪效應，讓這些大廠願意比較競爭，或是釋出更多的作法。如果不是DeepSeek，我們用上超便宜的谷歌Gemini API與GPU的深度研究恐怕還要很多時間。

DeepSeek對我們最大的幫助，是讓我們了解到對於整體的工程解構還有很大的可能性，現在可以做到很多有趣的可能性，所以不一定只能仰賴大廠，這是一個我覺得滿好的邏輯。雖然5億美元還是很多，但拿得出來的人也是很多。

另外的作法本身也是工程優化，所以成本降了一到兩個數量級，DeepSeek公開後，很多人用類似的工程手段做出類似的模型，AI數據教母李飛飛的團隊，只花了20美元的算力就又蒸餾出一個類似的模型。

盤點商機》

降本增效可能性增加　半導體長線看好

這個有改變AI目前大廠壟斷的態勢嗎？我覺得目前這樣講還是略微樂觀，但在很多領域大廠的壟斷的確會受到嚴重挑戰，尤其是邊緣運算或者堪用就好的場景。

從最近的行動可以看出，大廠的領先優勢依然存在，而且他們可以迅速把API（應用程式開發介面）的價錢降到比DeepSeek還要低（至少暫時是這樣），比如Google Gemini 2。所以這點我認為是稍嫌樂觀，我不覺得大廠的技術水平或費用效能比有那麼差。

由於這次DeepSeek它釋出的時間點是在下一個大廠的釋出更新節點的中間，所以會有立刻追上的感覺，但是從大廠立刻應對的手段可以看出，下一代產品是大家都有所準備的。

那回到這點，既然降本增效的路徑有被找出來，輝達、台積電等公司後續如何？首先本來就不可能讓輝達用如此高的毛利率壟斷，但降本增效可能性增加，一定會增加長期半導體需求，這應該是一個共識，但短期震盪不可免。