就在昨晚，DeepSeek 在 Hugging Face 发布了 V3 版本的更新——DeepSeek-V3-0324，模型参数为 6850 亿，代码能力、UI 设计、推理能力等显著提高。

在刚刚结束的 2025 GTC 大会上，黄仁勋对 DeepSeek 给予了高度评价，同时强调，市场之前认为 DeepSeek 的高效模型会降低对英伟达芯片需求的理解是错误的，未来的计算需求只会更多，而不是更少。

DeepSeek 作为算法突破的明星产品，与英伟达的算力供应到底有什么关系，我想先讨论下算力与算法对行业发展的意义。

算力与算法的共生演化

在 AI 领域，算力的提升为更复杂的算法提供了运行基础，使模型能处理更大量数据、学习更复杂模式；而算法的优化则能更高效地利用算力，提升计算资源的使用效率。

算力与算法的共生关系正重塑 AI 产业格局：

技术路线分化：OpenAI 等公司追求构建超大型算力集群，而 DeepSeek 等则专注算法效率优化，形成不同技术流派。

产业链重构：英伟达通过 CUDA 生态系统成为 AI 算力主导者，云服务商则通过弹性算力服务降低部署门槛。

资源配置调整：企业研发重心在硬件基础设施投资与高效算法研发间寻求平衡。

开源社区崛起：DeepSeek、LLaMA 等开源模型使算法创新与算力优化成果得以共享，加速技术迭代与扩散。

DeepSeek 的技术创新

DeepSeek 的爆火绝对与它的技术创新分不开，我将使用通俗的语言解释，使大部分人都看得懂。

模型架构优化

DeepSeek 采用了 Transformer+MOE（Mixture of Experts）的组合架构，并引入了多头潜在注意力机制（Multi-Head Latent Attension, MLA）。这种架构像是一个超级团队，其中 Transformer 负责处理常规任务，而 MOE 像是团队中的专家小组，每个专家都有自己的专长领域，当遇到特定问题时，由最擅长的专家来处理，这样可以大大提高模型的效率和准确性。MLA 机制让模型在处理信息时能够更加灵活地关注不同的重要细节，进一步提升了模型的性能。

训练方法革新

DeepSeek 提出了 FP8 混合精度训练框架。这个框架像是一个智能的资源调配器，它能够根据训练过程中不同阶段的需求，动态地选择合适的计算精度。在需要高精度计算的时候，它就使用较高的精度，以保证模型的准确性；而在可以接受较低精度的时候，它就降低精度，从而节省计算资源，提高训练速度，减少内存占用。

推理效率提升

在推理阶段，DeepSeek 引入了多 Token 预测（Multi-token Prediction, MTP）技术。传统的推理方法是一步步来，每一步只预测一个 Token。而 MTP 技术能够一次性预测多个 Token，从而大大加快了推理的速度，同时也降低了推理的成本。

强化学习算法突破

DeepSeek 的新强化学习算法 GRPO（Generalized Reward-Penalized Optimization）优化了模型训练过程。强化学习像是给模型配备了一个教练，教练通过奖励和惩罚来引导模型学习更好的行为。传统的强化学习算法在这个过程中可能会消耗大量的计算资源，而 DeepSeek 的新算法则更加高效，它能够在保证模型性能提升的同时，减少不必要的计算，从而实现性能和成本的平衡。

这些创新不是孤立的技术点，而是形成了完整的技术体系，从训练到推理全链条降低算力需求。普通消费级显卡现在也能运行强大的 AI 模型，大幅降低了 AI 应用的门槛，使更多开发者和企业能够参与到 AI 创新中来。

对英伟达的影响

很多人认为 DeepSeek 绕过了 Cuda 层，从而摆脱了对英伟达的依赖。实际上，DeepSeek 直接通过英伟达的 PTX（Parallel Thread Execution）层进行算法优化。PTX 是一种介于高级 CUDA 代码和实际 GPU 指令之间的中间表示语言，通过操作这一层级，DeepSeek 能够实现更精细的性能调优。

这对英伟达的影响是双面的，一方面，DeepSeek 其实与英伟达的硬件以及 Cuda 生态绑定更深了，AI 应用门槛的降低又可能扩大整体市场规模；另一方面，DeepSeek 的算法优化可能改变市场对高端芯片的需求结构，一些原本需要 H100 等 GPU 才能运行的 AI 模型，现在可能在 A100 甚至消费级显卡上就能高效运行。

对中国 AI 产业的意义

DeepSeek 的算法优化为中国 AI 产业提供了技术突围路径。在高端芯片受限背景下，"软件补硬件"的思路减轻了对顶尖进口芯片的依赖。

在上游，高效算法降低了算力需求压力，使算力服务商能通过软件优化延长硬件使用周期，提高投资回报率。 在下游，优化后的开源模型降低了 AI 应用开发门槛。众多中小企业无需大量算力资源，也能基于 DeepSeek 模型开发竞争力应用，将催生更多垂直领域 AI 解决方案的出现。

对 Web3+AI 的深远影响

去中心化 AI Infra

DeepSeek 的算法优化为 Web3 AI 基础设施提供了新的动力，创新的架构、高效的算法和较低的算力需求，使得去中心化的 AI 推理成为可能。MoE 架构天然适合分布式部署，不同节点可以持有不同的专家网络，无需单一节点存储完整模型，这显著降低了单节点的存储和计算要求，从而提高模型的灵活性和效率。

FP8 训练框架则进一步降低了对高端计算资源的需求，使得更多的计算资源可以加入到节点网络中。这不仅降低了参与去中心化 AI 计算的门槛，还提高了整个网络的计算能力和效率。

Multi-Agent System

智能交易策略优化：通过实时市场数据分析 agent、短期价格波动预测 agent、链上交易执行 agent、交易结果监督 agent 等的协同运行，帮助用户获取更高的收益。

智能合约的自动化执行：智能合约监控 agent、智能合约执行 agent、执行结果监督 agent 等协同运行，实现更复杂的业务逻辑自动化。

个性化投资组合管理：AI 根据用户的风险偏好、投资目标和财务状况，帮助用户实时寻找最佳的质押或流动性提供机会。

"我们只能看到很短的未来，但足以发现那里有很多工作要做。"DeepSeek 正是在算力约束下，通过算法创新寻找突破，为中国 AI 产业开辟了差异化发展路径。 降低应用门槛、推动 Web3 与 AI 融合、减轻对高端芯片依赖、赋能金融创新，这些影响正在重塑数字经济格局。未来 AI 发展不再仅是算力竞赛，而是算力与算法协同优化的竞赛。在这条新赛道上，DeepSeek 等创新者正在用中国智慧重新定义游戏规则。

（X：@BadBot27)