作者：BadBot，IOBC Capital
就在昨晚，DeepSeek在Hugging Face發布了V3版本的更新——DeepSeek-V3-0324，模型參數為6850億，程式碼能力、UI設計、推理能力等顯著提高。
在剛結束的2025 GTC大會上，黃仁勳對DeepSeek給予了高度評價，同時強調，市場之前認為DeepSeek的高效模型會降低對英偉達晶片需求的理解是錯誤的，未來的運算需求只會更多，而不是更少。
DeepSeek作為演算法突破的明星產品，與英偉達的算力供應到底有什麼關係，我想先討論下算力與演算法對產業發展的意義。
算力與演算法的共生演化
在AI 領域，算力的提升為更複雜的演算法提供了運作基礎，使模型能處理更大量資料、學習更複雜模式；而演算法的最佳化則能更有效率地利用算力，提升運算資源的使用效率。
算力與演算法的共生關係正重塑AI產業格局：
技術路線分化：OpenAI等公司追求建構超大型算力集群，而DeepSeek等則專注演算法效率優化，形成不同技術流派。
產業鏈重建：英偉達透過CUDA生態系統成為AI算力主導者，雲端服務商則透過彈性算力服務降低部署門檻。
資源配置調整：企業研發重心在硬體基礎設施投資與高效率演算法研發間尋求平衡。
開源社群崛起：DeepSeek、LLaMA等開源模型讓演算法創新與算力優化成果得以分享，加速技術迭代與擴散。
DeepSeek的技術創新
DeepSeek的爆火絕對與它的技術創新分不開，我將使用通俗的語言解釋，讓大部分人都看得懂。
模型架構最佳化
DeepSeek採用了Transformer+MOE（Mixture of Experts）的組合架構，並引入了多頭潛在註意力機制（Multi-Head Latent Attension, MLA）。這種架構像是一個超級團隊，其中Transformer負責處理常規任務，而MOE像是團隊中的專家小組，每個專家都有自己的專長領域，當遇到特定問題時，由最擅長的專家來處理，這樣可以大大提高模型的效率和準確性。 MLA機制讓模型在處理資訊時更能靈活地關注不同的重要細節，進一步提升了模型的效能。
訓練方法革新
DeepSeek提出了FP8混合精準度訓練架構。這個框架像是一個智慧的資源調配器，它能夠根據訓練過程中不同階段的需求，動態地選擇合適的運算精度。在需要高精度運算的時候，它就使用較高的精度，以確保模型的準確性；而在可以接受較低精度的時候，它就降低精度，從而節省計算資源，提高訓練速度，減少記憶體佔用。
推理效率提升
在推理階段，DeepSeek引入了多Token預測（Multi-token Prediction, MTP）技術。傳統的推理方法是一步步來，每一步只預測一個Token。而MTP技術能夠一次預測多個Token，從而大大加快了推理的速度，同時也降低了推理的成本。
強化學習演算法突破
DeepSeek的新強化學習演算法GRPO（Generalized Reward-Penalized Optimization）優化了模型訓練流程。強化學習像是給模型配備了一個教練，教練透過獎勵和懲罰來引導模型學習更好的行為。傳統的強化學習演算法在這個過程中可能會消耗大量的運算資源，而DeepSeek的新演算法則更加高效，它能夠在保證模型效能提升的同時，減少不必要的運算，從而實現效能和成本的平衡。
這些創新不是孤立的技術點，而是形成了完整的技術體系，從訓練到推理全鏈條降低算力需求。一般消費級顯示卡現在也能運作強大的AI模型，大幅降低了AI應用的門檻，讓更多開發者和企業能夠參與AI創新。
對英偉達的影響
很多人認為DeepSeek繞過了Cuda層，從而擺脫了對英偉達的依賴。實際上，DeepSeek直接透過英偉達的PTX（Parallel Thread Execution）層進行演算法優化。 PTX是介於高階CUDA程式碼和實際GPU指令之間的中間表示語言，透過操作這一層級，DeepSeek能夠實現更精細的效能調優。
這對英偉達的影響是雙面的，一方面，DeepSeek其實與英偉達的硬體以及Cuda生態綁定更深了，AI應用門檻的降低又可能擴大整體市場規模；另一方面，DeepSeek的演算法優化可能改變市場對高階晶片的需求結構，一些原本需要H100等GPU才能運行的AI模型，現在可能在消費級數位。
對中國AI產業的意義
DeepSeek的演算法優化為中國AI產業提供了技術突圍路徑。在高階晶片受限背景下，"軟體補硬體"的思維減輕了對頂尖進口晶片的依賴。
在上游，高效率演算法降低了算力需求壓力，使算力服務商能透過軟體最佳化延長硬體使用週期，提高投資報酬率。 在下游，優化後的開源模型降低了AI應用開發門檻。眾多中小企業無需大量算力資源，也能基於DeepSeek模型開發競爭力應用，將催生更多垂直領域AI解決方案的出現。
對Web3+AI的深遠影響
去中心化AI Infra
DeepSeek的演算法最佳化為Web3 AI基礎設施提供了新的動力，創新的架構、高效的演算法和較低的算力需求，使得去中心化的AI推理成為可能。 MoE架構天然適合分散式部署，不同節點可以持有不同的專家網絡，無需單一節點儲存完整模型，這顯著降低了單節點的儲存和運算要求，從而提高模型的靈活性和效率。
FP8訓練框架則進一步降低了高階運算資源的需求，使得更多的運算資源可以加入到節點網路中。這不僅降低了參與去中心化AI運算的門檻，也提高了整個網路的運算能力和效率。
Multi-Agent System
智慧交易策略優化：透過即時市場數據分析agent、短期價格波動預測agent、鏈上交易執行agent、交易結果監督agent等的協同運行，幫助用戶獲得更高的收益。
智慧合約的自動化執行：智慧合約監控agent、智慧合約執行agent、執行結果監督agent等協同運行，以實現更複雜的業務邏輯自動化。
個人化投資組合管理：AI根據使用者的風險偏好、投資目標和財務狀況，幫助使用者即時尋找最佳的質押或流動性提供機會。
"我們只能看到很短的未來，但足以發現那裡有很多工作要做。"DeepSeek正是在算力約束下，透過演算法創新尋找突破，為中國AI產業開闢了差異化發展路徑。 降低應用門檻、推動Web3與AI融合、減輕對高階晶片依賴、賦能金融創新，這些影響正在重塑數位經濟格局。未來AI發展不再只是算力競賽，而是算力與演算法協同優化的競賽。在這條新賽道上，DeepSeek等創新者正在用中國智慧重新定義遊戲規則。
