DeepSeek近期推出的R1與V3大型語言模型（LLMs）掀起業界熱議。
Counterpoint Research 12日發表DeepSeek相關資料指出，DeepSeek近期推出的R1與V3大型語言模型（LLMs）掀起業界熱議。這兩款開源模型不僅展現卓越性能，更在成本上具備顯著優勢，API價格比ChatGPT o1低達96%，顛覆AI產業過往對高效能模型須依賴巨額資金與算力堆砌的認知。
DeepSeek透過創新的計算效率，使其AI模型在表現上可與市場領先者競爭。這不僅讓投資人開始關注「資源高效運用」對AI發展的潛在影響，也可能促使產業重新審視現有的擴展法則，反思大規模算力是否仍是訓練先進模型的唯一途徑。
隨著DeepSeek發布其高效能模型，市場對AI運算資源需求的預期產生動搖，導致資料中心相關企業股票出現普遍下跌。特別是NVIDIA，1月27日股價單日暴跌近17%，市值蒸發超過5000億美元，創下美股史上最大單日跌幅。儘管之後市場有所回穩，但投資人仍密切關注AI基礎設施支出的未來走向。
隨著DeepSeek和Meta等公司推動開源AI，市場對封閉式專有模型（如OpenAI）形成更大挑戰。開源LLMs的崛起正在改變AI生態系，使競爭格局從技術領先轉向成本與可用性競爭。值得關注的是，DeepSeek的成功不僅涉及技術創新，也帶入地緣政治因素，其發布時機與美國5000億美元「星門計畫（Stargate Project）」的宣布相近，耐人尋味。
DeepSeek透過多種技術突破，大幅降低訓練成本：
- 強化學習（Reinforcement Learning）： 運用「鏈式思考（Chain of Thought）」技術，使模型能夠自我調適與推理，減少記憶與計算資源需求。
- 稀疏激活（Sparse Activation）： 僅啟用部分模型參數（671B參數中僅37B參數活躍），降低計算負擔。
- 8位元精度（8-bit Precision）： 採用FP8混合精度技術，有效降低GPU記憶體使用與計算成本。
- 多Token預測（Multi-Token Prediction）： 一次預測多個詞元，加速訓練與推理過程。
據業內消息，DeepSeek訓練其模型僅使用約2000至2048張NVIDIA H800 GPU，並額外獲取約10,000張A100 GPU，整體訓練預算約600萬美元。相比OpenAI與Anthropic等競爭對手動輒投入超過1億美元，DeepSeek的成本控制策略確實展現了AI訓練的新可能性。
市場影響與未來展望
Counterpoint Research表示，儘管DeepSeek在成本與技術上展現突破，其訓練成本的真實性仍受市場質疑，業界亦關注其是否接受政府補助或未披露的資源支持。不過，DeepSeek的成功已促使產業重新審視AI發展模式，可能對半導體與數據中心市場帶來長期影響。
DeepSeek的創新是否將改變AI發展規則？AI產業能否擺脫高昂算力依賴，走向更可持續發展的模式？這些問題將成為未來市場觀察的焦點。
