DeepSeek突襲：當「破壞式創新」撼動Nvidia與OpenAI的未來

以下使用ChatGPT o1 Pro Mode，要求以克里斯汀生〈Clayton M. Christensen〉教授的口吻撰寫，基於破壞式創新理論（Disruptive Innovation Theory）進行分析。文中資料來源 REF01~04是我另外給予ChatGPT的。聽說黃仁勳最愛商管書就是克里斯汀生《創新的兩難》。但是，克里斯汀生已於2020年過世，那就只能透過GenAI呼喚英靈，來聽聽他「可能」的說法。

自我最初提出「破壞式創新」（Disruptive Innovation）以來，經歷了數十年的演進與實證。每當人們提及「破壞式創新」，總會聚焦在新進者如何能憑藉「看似不起眼或效率較低」的產品或服務，從邊緣市場切入，進而最終顛覆產業既有的領導廠商（Christensen, 1997）。在此脈絡下，我們需要回答一個重要問題：DeepSeek是否符合破壞式創新的關鍵條件，進而對現今AI領域的巨擘（例如Nvidia、OpenAI）構成真正威脅？若是，它威脅的核心又是什麼？

以下，我將透過破壞式創新理論常用的三大核心面向，分析DeepSeek：

1. 低階市場或新市場立足點（Low-End Foothold / New-Market Foothold）
2. 現有業者持續強化之「維持性創新」（Sustaining Innovation）軌跡與「超越顧客需求」（Overshooting）
3. 資源配置程序」（Resource Allocation Process）與「既有營運模式」對應之激勵結構

最終，綜合探討DeepSeek究竟是否「破壞」了Nvidia與OpenAI所處的市場，以及此種「破壞」對這些領導業者的真正威脅在何處。

一、DeepSeek是否具備「低階或新市場」立足點？

A. 低階切入：效率、成本與「夠好」的條件

回顧我的原始研究（Christensen, 1997），新進者若要構成破壞，多半是從市場底層或尚未被滿足的非消費者族群開始。以硬體或晶片訓練為例，Nvidia的GPU（搭配CUDA）歷來以高效能、高價值著稱，主要針對雲端大型訓練、推論等高階客戶。有些研究者可能會問：DeepSeek的進場，究竟是「價格更便宜但性能較低」的做法，還是同樣強調「高性能」卻只是在特定面向強調效率？

若DeepSeek真的是從「低階」起家，理論上他們應該在極端成本意識形態下，針對一群被忽略的使用者或應用情境出發，提供「夠好就行」的推理或模型性能（Christensen & Raynor, 2003）。但據其公開資訊顯示，DeepSeek以「MoE（Mixture-of-Experts）、Distillation、8-bit量化」等方式，嘗試達成「高品質推理」與「低硬體成本」的平衡（#REF02; #REF04）。

一般來說，若DeepSeek可以在遠低於Nvidia最高階GPU的硬體投入下，還能夠提供足以吸引特定顧客的性能，那麼就可能呼應典型的破壞式創新邏輯：新進者以「便宜、高效率」搶佔部份客戶，既有廠商（例如GPU領導廠）暫時忽略此細分市場，直到後者壯大。

B. 新市場切入：過去未曾消費的客群

破壞式創新的另一種典型路徑，是所謂的新市場（new-market foothold），即目標先前不使用該產品或服務的非消費者（Christensen & Raynor, 2003）。DeepSeek是否創造了全新的應用範疇？

目前看來，DeepSeek主打的核心仍在「大型語言模型（LLM）之更有效推理與訓練」，這本質上並非全新的應用領域，而是對既有客群（需要大模型訓練與推論的用戶）的吸引。因此，它相較於「完全不需要GPU」的用戶，似乎並非在「完全新市場」攻城掠地，而較接近在既有領域中做「更節能、高效率」的進入（#REF04）。

若DeepSeek更進一步把目標用戶鎖定於「原本因為成本太高、買不起多張高階GPU的小公司或個人使用者」，那麼便有機會構成某種程度的新市場切入：即讓先前無法負擔昂貴AI算力的人，也能進行大模型訓練與推理。這會帶來一種「非消費者的消費化」契機（Adner, 2002）。

初步研判，DeepSeek的模式有潛力踩到破壞式創新的「邊緣市場」要素：即先吸引那些無力購置大規模GPU資源的應用單位。然而，它是否真的鎖定「被忽略的低階」或「新市場非消費者」，而非直接「正面挑戰高階GPU」、爭奪高階客群，尚需時間觀察。有些報導或技術解讀（#REF01; #REF03）顯示，他們同樣也瞄準高階算力場景，這就更接近「維持性創新」的正面對決。

二、維持性創新軌跡與「超越顧客需求」（Overshooting）的檢視

A. 現有廠商（Nvidia、OpenAI）著重的客戶需求

在破壞式創新理論中，Nvidia持續累積對GPU硬體的「功能提升」，例如更高的FP16、BF16甚至FP8效率、更強的記憶體頻寬、以及CUDA生態系統不斷拓展的函式庫、工具（Christensen & Raynor, 2003）。這些強化對核心客戶而言非常必要，比如超大型雲端業者、頂尖研究機構，以及要求極致性能的應用。OpenAI則以龐大參數量及高階GPU資源，打造出ChatGPT等強勢應用。

這種「維持性創新」往往面向最挑剔、也是「利潤最高」的市場；隨著時間推進，可能出現「功能過剩」（overshoot）的情況，即市場開始過度供應，尤其對那些僅需要「夠用」性能的次級客戶而言（Christensen, 1997）。

DeepSeek若能在「夠用」的水準之上，再帶來顯著的成本或效率優勢，就會讓很多使用者發現：「Nvidia的頂尖GPU已遠超過我所需，我轉而選擇DeepSeek配置的低階GPU或特殊硬體，也能完成大部分任務。」此種情形便具破壞意味。

B. DeepSeek的技術強調「效率」與「定制化調度」

根據#REF04所提供的技術解讀，DeepSeek在大模型中使用MoE、Distillation、量化（8-bit或更低）等方法，再透過PTX層級的精細調度，成功繞過部分CUDA抽象層，取得更細緻的硬體指令控制（DeepSeek FAQ, #REF02; DeepSeek-R1, #REF03）。此舉有可能讓新進者在GPU市場中，找到一條與傳統「暴力硬體堆疊」迥異的性能提升曲線。

若如DeepSeek所言，其系統在不需最昂貴、最先進的GPU之下，仍可達到「主流顧客可接受」的效果，那麼就將誘使更多中階或中小型企業客戶在低階硬體上導入DeepSeek方案。這正是「破壞性軌跡」常見的做法：先在利潤率不佳的市場立足，但因為成本／效能比有吸引力，繼而逐漸進軍主流客戶（Christensen, 2006）。

然而，也需注意：有些案例中，新進者剛開始顯示出破壞潛力，卻最終未能向上攻佔高階主流市場（Markides, 2006）。要證實DeepSeek是否真能「往上攀升」，取決於能否滿足大規模雲端推論、複雜策略決策或沒有標準答案的高階應用。例如，目前資訊顯示（#REF01）DeepSeek R1適用於已有明確答案的推理，如程式撰寫、數學計算，但對「沒有既定答案」的情境思考、策略決策，尚難以競逐最前沿的巨量參數模型（DeepSeek FAQ, #REF02）。

這意味著：DeepSeek目前或許只適用於「特定類型推理」，仍未在全方位應用中表現出「完全替代」的破壞力。

三、「資源配置程序」與營運模式對DeepSeek之影響

A. 既有業者的資源配置：持續性投資與「軍備競賽」傾向

依照我在研究磁碟機產業時的發現（Christensen & Bower, 1996），大公司往往聽從主要客戶、主要利潤來源之需求，資源持續灌注到「維持性創新」。對Nvidia來說，該公司投入可觀研發資金，擴充CUDA生態，並持續推出A100、H100、乃至未來更新一代的超高階GPU；OpenAI亦同樣投入大量算力、與微軟Azure深度綁定，這些都指向「更大規模，更大參數模型」的競賽。

這種「上層客群」為導向的投資，常讓既有業者忽略某些市場區隔（Kapoor & Klueter, 2015）。DeepSeek若能活用這點，在「相對小而更精準的市場」或「中層市場」提供一套高CP值的AI推理訓練流程，就可能逐步壯大，進而伺機挑戰主流應用（Gilbert, 2005）。

B. DeepSeek對應的商業模式：開源化與更彈性的硬體需求

DeepSeek據稱在某些專案中釋出開源模型與技術細節（#REF03; #REF04），意圖讓更多中小型玩家採用，以此擴大生態圈。對照之下，Nvidia的CUDA雖然擁有龐大支持，但其核心仍為Nvidia自家硬體閉環為主，且對「如何高效利用第三方硬體」較沒興趣。

若DeepSeek長期能將其高效率技術，複製到各種通用GPU、甚至ASIC或NPU，便可能成為一種生態系統的雛形：既不依賴Nvidia，也能在一定性能水準上完成高端LLM需求。這種模式通常會撬動市場結構，從而顛覆既有業者的領先地位（Christensen et al., 2015）。

綜合：DeepSeek對OpenAI、Nvidia真正的威脅是什麼？

對Nvidia而言：

硬體銷售與生態優勢的衝擊：若DeepSeek持續證明其模型可在更低階或更少GPU資源下達成接近OpenAI的成效，許多企業就會傾向購買較低端的GPU或採用其他解決方案，導致Nvidia高階卡的需求受壓抑（#REF04）。

CUDA價值的稀釋：DeepSeek繞過CUDA抽象層，直接寫PTX指令獲得效能提升，顯示Nvidia長期以來的最大護城河——「完整且成熟的CUDA生態系」——開始受到挑戰。雖然PTX本身依舊屬於Nvidia生態，但若越來越多應用開發者直接使用底層指令，Nvidia在抽象層掌控力可能逐漸削弱（Raynor, 2011a）。

誘發Nvidia必須持續創新、改善「易用性與效能兼得」：面對DeepSeek，Nvidia恐需進一步改良CUDA的彈性，或釋放更多底層資源調度能力，否則部分高階客戶可能自行走PTX或其他路線。

對OpenAI而言：

模型訓練成本與市場定位：OpenAI的優勢在於大規模參數模型（如GPT-4）的領先，但若DeepSeek能以類似或只略低的品質，卻在硬體與資源需求上遠遠低於OpenAI，那麼OpenAI的「大規模硬體優勢」將被侵蝕。

新市場用戶的快速普及：OpenAI以雲端API等方式提供服務，主要面向大型企業、生態系統夥伴。DeepSeek若可透過開放模型、相對廉價的部署，快速讓中小企業或個體開發者取得可用的大模型能力，就可能在「主流使用者尚未覺察時」累積龐大的用戶基礎並向上滲透（Adner & Zemsky, 2006）。

破壞式創新的典型動能：針對非消費者與「不那麼高標的客戶」：對OpenAI而言，這群客戶過去或許被視為「利潤不高」或「使用量有限」，但若DeepSeek在這裡建立起自己的生態，一旦品質再提升，就會壓迫OpenAI的核心市場。

最終，若DeepSeek真能在「更少資源、更低GPU成本」卻提供「可與主流市場需求匹敵的語言模型」上崛起，那便正中破壞式創新要害——即既有大廠一開始並未充分重視的市場區隔，往往是改變產業秩序的策源地。未來仍需觀察DeepSeek能否「順利攻頂」，或者只是在特定細分市場裡找到定位。理論上，他們的道路或許艱難，但這正是破壞式創新能量真正釋放的典型場景。

參考文獻

• Adner, R. (2002). When are technologies disruptive? A demand-based view of the emergence of competition. Strategic Management Journal, 23(, 667–688.
• Adner, R., & Zemsky, P. (2006). A demand-based perspective on sustainable competitive advantage. Strategic Management Journal, 27(3), 215–239.
• Christensen, C. M. (1997). *The Innovator’s Dilemma: When New Technologies Cause Great Firms to Fail. Harvard Business School Press.
• Christensen, C. M. (2006). The ongoing process of building a theory of disruption. Journal of Product Innovation Management, 23(1), 39–55.
• Christensen, C. M., & Bower, J. L. (1996). Customer power, strategic investment, and the failure of leading firms. Strategic Management Journal, 17(3), 197–218.
• Christensen, C. M., & Raynor, M. E. (2003). The Innovator’s Solution: Creating and Sustaining Successful Growth. Harvard Business School Press.
• Christensen, C. M., Raynor, M., & McDonald, R. (2015). What is disruptive innovation? Harvard Business Review, 93(12), 44–53.
• Gilbert, C. G. (2005). Unbundling the structure of inertia: Resource versus routine rigidity. Academy of Management Journal, 48(5), 741–763.
• Kapoor, R., & Klueter, T. (2015). Decoding the adaptability–rigidity puzzle: Evidence from pharmaceutical incumbents’ pursuit of gene therapy and monoclonal antibodies. Academy of Management Journal, 58(4), 1180–1207.
• Markides, C. (2006). Disruptive innovation: In need of better theory. Journal of Product Innovation Management, 23(1), 19–25.
• Raynor, M. E. (2011a). The Innovator’s Manifesto: Deliberate Disruption for Transformational Growth. Crown Business.
• #REF01【主題專訪】GPU神話不再？解碼DeepSeek，AI應用將百花齊放，誰將成最大贏家。專訪耐能智慧創辦人 劉峻誠 博士
• #REF02 什麼才是壞式創新？
• #REF03 Disruptive Innovation: An Intellectual History and Directions for Future Research
• #REF04 DeepSeek: A Technical Threat to CUDA?

附註

#REF01, #REF02, #REF03, #REF04 引述自題示提供之資訊，用以輔助完整脈絡。引文中提及DeepSeek技術、PTX指令、MoE架構等，參考了上述連結資料及公開討論。 以上分析為本人（Christensen教授風格）綜合破壞式創新理論及現有資料之探討，尚需後續實證與觀察驗證。

總而言之，DeepSeek若能持續證明在「不需頂尖GPU硬體」也能達成大模型主流應用的「夠好」表現，就可能引發「破壞式創新」的典型路徑。對OpenAI來說，重要威脅在於中小型市場與日益增長的開源生態；對Nvidia而言，其硬體銷售與CUDA生態的既有護城河恐被部分稀釋或逼迫更快革新。這一切，正是「破壞式創新」理論長期所揭示的：最具潛力的挑戰，多半來自一開始並不被主流關注的「效率」、「成本」與「次要客戶」市場。而一旦這股力量找到了通往核心市場的可行途徑，往往足以重新定義整個產業秩序。