DeepSeek 的低運算需求
DeepSeek 的主要貢獻在於：
- 透過高效的訓練方法（如 GRPO 和蒸餾技術），減少了大型模型在推理和訓練階段的運算資源需求。
- 蒸餾出的輕量模型，如 Qwen-7B 和 Qwen-32B，性能匹敵甚至超越未蒸餾的大型模型，且參數數量顯著縮減。
這種技術有潛力削減對高性能 GPU（如 NVIDIA A100、H100）的需求，特別是：
- 中小型企業或個人開發者：這些群體可能轉向較低成本的硬體（如 NVIDIA 低階 GPU 或其他硬體平台），因為 DeepSeek 顯著降低了運算門檻。
- 開源社群：更高效的模型意味著他們可以用較少的資源完成相同的工作，降低對高性能 GPU 的依賴。
影響： 這可能在短期內削弱 NVIDIA 高階 GPU（如 H100）的需求增長動能，尤其是在需要快速、大規模推理能力的應用場景。
NVIDIA的機遇
雖然 DeepSeek 減少了單一任務所需的運算量，但其技術也可能拓展 AI 的應用範圍，進一步刺激 NVIDIA GPU 的需求。
原因如下：
- 應用普及化：
- 減少運算成本後，更多的中小企業和個人開發者可能採用 AI 技術，例如用於客製化應用、數學推理、程式碼生成等。
- DeepSeek 的開源策略（如 R1 蒸餾模型）降低了技術門檻，讓更多使用者得以部署 AI，這些新的需求仍可能使用 NVIDIA 的中低階 GPU。
- 推動多樣化需求：
- 隨著 AI 模型變得輕量化，用戶可以在更多的設備上運行這些模型，例如邊緣設備、個人電腦或小型伺服器。這可能促進 NVIDIA 的消費級 GPU（如 GeForce 系列）的銷售。
- AI 生態的擴張：
- 高效模型的普及會促使更多公司探索新的商業場景，例如智慧工廠、自動駕駛、個人助理等。這些應用仍需要大規模的模型訓練和資料中心的支援，間接支撐高階 GPU 的需求。
NVIDIA市場地位
- CUDA 生態系統的優勢： 即便運算需求下降，DeepSeek 用戶仍可能傾向於使用 NVIDIA GPU，因為 CUDA 和其相關軟體生態已經是 AI 領域的事實標準，提供良好的開發體驗與優化能力。
- 模型訓練需求仍高： 雖然推理階段的需求可能降低，但大型模型的初始訓練（如 DeepSeek-R1 和 R1-Zero）仍需要大量的計算資源。這部分需求無法輕易被取代。
DeepSeek 對 NVIDIA 的綜合影響
- 短期風險： DeepSeek 的高效技術可能在一定程度上減少對高階 GPU 的需求，特別是單純用於推理的場景。
- 長期機會： 隨著 AI 應用範圍的擴大和用戶群體的多元化，DeepSeek 反而可能帶動整體 GPU 市場的需求，包括低階和中階產品。
- 市場轉型的推動者： DeepSeek 的出現更像是推動市場優化和技術創新的力量，鼓勵 NVIDIA 提供更多高效、經濟的解決方案，從而擴大其市場規模。
技術進步與傑文斯悖論
DeepSeek 的出現及其大幅降低運算需求的特性，讓每個 token 的生成成本顯著下降，這似乎可能減少對高性能 GPU 的需求。然而，這一現象可以用經濟學中的「傑文斯悖論」（Jevons Paradox）來解釋——技術進步提高了效率，反而可能導致資源需求的總量上升，並非下降。
傑文斯悖論的典型案例可以追溯到 19 世紀的煤炭使用。當時技術進步使蒸汽機變得更加高效，單位能量所需的煤炭量減少，但這種高效能驅動了蒸汽機的更廣泛應用，從而導致煤炭總消耗量不減反增。同樣的邏輯適用於現代科技，例如晶片技術進步，執行效率佳且低耗能。儘管單位晶片的耗能不斷下降，但整體運算需求因更多應用場景（如雲端計算、AI 訓練、物聯網等）爆炸式增長，導致全球總電力需求反而上升。
將這一理論應用於 DeepSeek，其降低運算成本的特性可能不僅不會抑制 GPU 的需求，反而會引發更大的市場增長。因為當每 token 的生成成本下降後，許多過去受限於運算成本的應用場景將變得經濟可行。企業可能更頻繁地部署生成式 AI，用於內容生成、數據分析、個性化行銷與客戶互動。甚至於那些原本因成本過高而被排除在 AI 市場之外的中小型企業與發展中國家，也可能大規模採用這類技術。隨著生成式 AI 的應用範圍不斷擴大，市場對高性能 GPU 的需求反而會因應用場景的多樣化和規模化而進一步增加。
此外，低成本的運算解決方案也將催生全新的市場。例如，原本高效運算僅侷限於少數科技巨頭，而現在有望拓展至廣泛的個人用戶或細分行業市場，從而帶來需求的倍增效應。
因此，DeepSeek 的出現並不僅僅是一場降低成本的技術革新，它更可能成為推動 GPU 需求增長的新引擎。在傑文斯悖論的框架下，技術進步帶來的效率提升，最終將驅動市場規模的快速擴大，而不是需求的減少。
