DeepSeek预示算力需求“打骨折”？业界：别只盯着训练 AI行业进入推理时代
日前，深度求索DeepSeek-V3横空出世，在AI行业内引发巨震，关键原因之一就是预训练成本之低——这个参数量高达671B的大模型，在预训练阶段仅使用2048块GPU训练了2个月，且只花费557.6万美元。与此同时，DeepSeek-V3相比其他前沿大模型，性能却足以比肩乃至更优。
在这背后，DeepSeek-V3采用了用于高效推理的多头潜在注意力(MLA)和用于经济训练的DeepSeekMoE。研发团队证明，多Token预测目标(Multi-Token Prediction，MTP)有利于提高模型性能，可以用于推理加速的推测解码。后训练方面，DeepSeek V3引入了一种创新方法，将推理能力从长思维链模型(DeepSeek R1)中，蒸馏到标准模型上。这在显著提高推理性能的同时，保持了DeepSeek V3的输出风格和长度控制。
有观点认为，DeepSeek-V3极低的训练成本或许预示着AI大模型对算力投入的需求将大幅下降，甚至有观点将27日A股算力概念的下跌与之联系在一起。但也有观点认为，DeepSeek表现固然优秀，但其统计口径只计算了预训练，数据的配比需要做大量的预实验，合成数据的生成和清洗也需要消耗算力。此外，在训练上做降本增效不代表算力需求会下降，只代表大厂可以用性价比更高的方式去做模型极限能力的探索。
“最重要的是，我们正式进入了分布式推理时代。” 谈及DeepSeek-V3时，Lepton AI创始人兼CEO贾扬清针对推理方面指出，“一台单GPU机器(80×8=640G)的显存已经无法容纳所有参数。虽然更新大显存机器确实可以装下模型，但不论如何，都需要分布式推理来保证性能和未来扩展。”
中信证券研报也指出，近日，DeepSeek-V3的正式发版引起AI业内广泛高度关注，其在保证了模型能力的前提下，训练效率和推理速度大幅提升。DeepSeek新一代模型的发布意味着AI大模型的应用将逐步走向普惠，助力AI应用广泛落地；同时训练效率大幅提升，亦将助力推理算力需求高增。
日前，深度求索DeepSeek-V3横空出世，在AI行业内引发巨震，关键原因之一就是预训练成本之低——这个参数量高达671B的大模型，在预训练阶段仅使用2048块GPU训练了2个月，且只花费557.6万美元。与此同时，DeepSeek-V3相比其他前沿大模型，性能却足以比肩乃至更优。
在这背后，DeepSeek-V3采用了用于高效推理的多头潜在注意力(MLA)和用于经济训练的DeepSeekMoE。研发团队证明，多Token预测目标(Multi-Token Prediction，MTP)有利于提高模型性能，可以用于推理加速的推测解码。后训练方面，DeepSeek V3引入了一种创新方法，将推理能力从长思维链模型(DeepSeek R1)中，蒸馏到标准模型上。这在显著提高推理性能的同时，保持了DeepSeek V3的输出风格和长度控制。
有观点认为，DeepSeek-V3极低的训练成本或许预示着AI大模型对算力投入的需求将大幅下降，甚至有观点将27日A股算力概念的下跌与之联系在一起。但也有观点认为，DeepSeek表现固然优秀，但其统计口径只计算了预训练，数据的配比需要做大量的预实验，合成数据的生成和清洗也需要消耗算力。此外，在训练上做降本增效不代表算力需求会下降，只代表大厂可以用性价比更高的方式去做模型极限能力的探索。
“最重要的是，我们正式进入了分布式推理时代。” 谈及DeepSeek-V3时，Lepton AI创始人兼CEO贾扬清针对推理方面指出，“一台单GPU机器(80×8=640G)的显存已经无法容纳所有参数。虽然更新大显存机器确实可以装下模型，但不论如何，都需要分布式推理来保证性能和未来扩展。”
中信证券研报也指出，近日，DeepSeek-V3的正式发版引起AI业内广泛高度关注，其在保证了模型能力的前提下，训练效率和推理速度大幅提升。DeepSeek新一代模型的发布意味着AI大模型的应用将逐步走向普惠，助力AI应用广泛落地；同时训练效率大幅提升，亦将助力推理算力需求高增。
▌AI行业“下一件大事”？
“我们已经达到了数据峰值……AI预训练时代无疑将终结。” OpenAI联合创始人兼前首席科学家Ilya Sutskever前不久曾如此断言。
多位AI投资人、创始人和CEO们在接受采访时都表示，AI的Scaling Law定律的收益正在逐步衰减。
包括a16z合伙人Anjney Midha、微软CEO Satya Nadella在内，AI行业CEO、研究人员和投资人们，已经发出了新的判断：我们正处于一个新的Scaling Law时代——“测试时间计算时代”，即“推理时代”。这项能力让AI模型在回答问题之前，能有更多时间和算力来“思考”，“这特别有希望成为下一件大事” 。
▌AI应用崛起呼唤推理算力
为什么推理如此关键？
除了“旧版Scaling Law”效应衰减之外，还有一个原因就在于AI应用——英伟达竞争对手、AI芯片制造商Cerebras曾如此解释，“快速推理是解锁下一代AI应用的关键。从语音到视频，有了快速推理之后，以前无法实现的响应式智能应用程序将成为可能。”
以近期风头大盛的豆包为例，不久前豆包大家族全面更新，豆包大模型应用场景不断拓展，民生证券指出，这使得对推理算力的需求不断攀升，主要集中在硬件设备算力需求、数据中心规模扩张需求、通信网络需求三方面。
具体而言，豆包大模型将带来多少推理端的算力需求增量？分析师根据目前豆包的月活、日活以及日均token调用量为基础，做出保守、中性、乐观3种假设，预计豆包大模型或将带来759、1139、1898亿元的AI服务器资本开支需求。
随着AI应用显著带动算力建设，分析师指出，字节算力资本开支持续攀升。
另外，上周还有报道指出，小米正在着手搭建自己的GPU万卡集群，将对AI大模型大力投入。小米大模型团队在成立时已有6500张GPU资源。
当然，字节跳动与小米不是个例，海外科技巨头也正在大手笔加大资本开支。据摩根士丹利预估，海外四大科技巨头在2025年的资本开支可能高达3000亿美元，其中亚马逊964亿美元、微软899亿美元、Alphabet 626亿美元、Meta 523亿美元。
虽说目前暂时无法明确其中有多少资金将用于AI算力建设，但从这些巨头此前的种种表态与近年的资本方向可以想到，AI占比不会太低。
Bloomberg Intelligence最近的一篇报告显示，企业客户可能会在2025年进行更大规模的AI投资，而AI支出增长将更侧重于推理侧，以实现投资变现或提升生产力。
随着端侧AI放量，豆包、ChatGPT等AI应用快速发展，多家券商研报指出，算力需求会加速从预训练向推理侧倾斜，推理有望接力训练，成为下一阶段算力需求的主要驱动力。
a16z合伙人Anjney Midha表示，如果推理计算成为扩展AI模型性能的下一个领域，那么对专门用于高速推理的AI芯片的需求可能会大幅增加。如果找到答案与训练模型一样需要大量计算，那么AI领域“卖铲人”将再次获胜。
(文章来源：财联社)
加载全文
