算力不夠，智慧來湊？Deepseek們正在擺脫算力崇拜

算力神話正在松動

在科技圈，硅谷一直有一種“造物主”般的傲慢。從大模型誕生那天起，OpenAI的 CEO奧特曼就給全世界洗腦了一套暴力美學：智能等于算力，算力等于顯卡，顯卡等于成功。

但這套邏輯，正在被一群中國“算法瘋子”拆解。

近日， Google的一項研究發現，DeepSeek的R1和阿里云的qwq-32B模型，竟然能夠模仿人類的集體智能。

簡單說，在處理難題時，不再是一個人在戰斗，而是在內部演化出了一個“思想社會”。其中不同人格特征和領域專業知識的相互作用產生了更強大的能力。

大模型行業從不缺“堆料者”，但能讓 Google 彎下腰來研究底層邏輯的，寥寥無幾。這不僅是技術的勝利，更是中國企業在算力圍堵下，硬生生走出的一條“暴力效率主義”血路。

Deepseek更懂“省錢”

長期以來，硅谷的大模型發展路徑高度趨同甚至單一：堆最貴的卡，組最多的集群，投入最激進的資本。

從 GPT-3 到 GPT-4，再到 GPT-4o，這條路線被一次次驗證有效。Meta 為了 Llama 3 囤積了數十萬張 GPU，微軟與 OpenAI 推進的“星際門”項目，投資規模動輒以千億美元計，覆蓋算力、數據中心、電力基礎設施等全鏈條。這種打法并不復雜，本質上是通過資源冗余換取確定性領先。

換句話說，當算力足夠便宜、資本足夠充裕時，工程效率往往并非首要約束，真正重要的是“規模先到位”。

但 Google 這份研究揭開了另一個真相：DeepSeek 們之所以強，不是因為它們比 OpenAI 更能燒錢，而是它們更懂“省錢”。

研究指出，DeepSeek 等中國模型的能力躍遷，并非來自算力規模的指數級擴張，而是來自推理階段內部結構的重構。

這些模型在面對復雜指令時，并不是沿著單一生成路徑一路向前，而是會在內部并行展開多種解題策略，并通過持續的內部比較、博弈與修正，逐步收斂到更穩定的答案。

這種近似“多代理協商”的模式，并不追求單次推理速度的極限，卻顯著降低了單位算力下的錯誤率與返工成本。在算力受限的環境中，這種“少走彎路”的能力，往往比“跑得更快”更重要。

正是在這一背景下，MoE與 GRPO等技術路徑開始在國內模型中被高度重視。MoE 通過將模型能力拆分給不同“專家模塊”，避免了每一次推理都全模型啟動；GRPO 則通過分組對比和相對優化，提升模型在推理階段的穩定性和可控性。

這類技術選擇的共同目標只有一個：把有限算力的“智能產出”榨到極致。

這并不是一次偶然的技術選擇，而是一種被現實約束反復塑造出的工程哲學。

如果說硅谷仍在押注“重裝推進”的工業化路線，那么中國模型更像是在修煉一套輕量而高效的技術體系。通過結構、策略和調度上的精細設計，對沖算力劣勢。

這種“算法效率主義”并非理想主義，而是一種典型的生存型進化。當資源不再無限供給，效率本身就會從加分項，轉變為最核心、也最難復制的競爭壁壘。

大廠護城河的坍塌

在 Google 的研究案例中，被反復引用的中國模型，并不是聲量最大、發布會最密集的玩家，而是 DeepSeek和阿里通義千問。這并非簡單的“技術偶然”，而是中國 AI 競爭的“分水嶺”已經出現了。

過去兩年，國內大廠們沉迷于參數對標、榜單排名和在發布會上“吊打 GPT-4”，忙著在朋友圈曬各種看不懂的榜單，這些能在短期內贏得更多注意力。

但從基礎研究和工程演化的角度看，這種競爭方式的邊際價值正在快速下降。真正進入全球研究視野的，反而是那些持續在模型架構、推理效率和成本結構上做“臟活累活”的團隊。

DeepSeek 背靠幻方量化，其技術團隊長期浸泡在金融工程語境中，對算力成本、延遲控制和穩定性有著近乎苛刻的要求。在量化交易領域，算力從來不是無限變量，“如何用更少計算得到更可靠結論”本身就是核心能力。

因此，DeepSeek 從一開始就沒有將重心放在應用層敘事上，而是持續死磕推理成本與模型結構。即便沒有萬卡集群，只要架構足夠聰明，依然可以逼近前沿能力。

而阿里通義千問所選擇的路徑，則更具平臺型特征。

通過持續開源模型底座，阿里將模型訓練、評測和場景驗證的一部分成本，轉化為全球開發者的協同實驗。這種做法短期內看似削弱了“獨占優勢”，但從長期看，卻顯著加快了模型在真實復雜場景中的演化速度。

在這種開放體系中，模型更容易暴露問題，也更快完成修正，從而在模擬“集體智慧”與復雜決策方面走得更遠。

反觀某些還沉溺于做“套殼應用”或只顧著買流量的大廠，護城河正在變得搖搖欲墜。應用層的繁榮，建立在底層能力外包的基礎之上，一旦底層模型的差距被拉開，應用層的優勢往往難以長期維持。

互聯網行業從不缺跨界者，但真正成功的寥寥無幾。因為底層邏輯一旦錯位，再多的產品包裝也只是階段性繁榮。

在 AI 領域，如果不能在算法或架構層貢獻新的認知與方法論，那么競爭最終只會被壓縮到應用層的價格戰與內卷之中，而這，恰恰是最容易被后來者顛覆的地帶。

智能的“社會化”

Google 的這項研究，最細思極恐的地方在于：如果 AI 內部已經能模擬“集體智慧”，那么人類精英的價值還剩下多少？

研究提到，DeepSeek R1 等模型展現出的“內部辯論”能力，本質上，這意味著人類組織中大量依賴流程協作的崗位，將不可避免地被重新定義。

過去，一個大型企業的重大決策，往往需要多個部門參與：市場調研、戰略分析、風險評估、財務測算……

而現在，一個具備強推理能力的 AI Agent，已經可以在內部完成成百上千次模擬。

這并不是“自動化”，而是決策機制的內化。

對于字節跳動、美團、百度這類高度依賴數據與算法的公司而言，這意味著從“人機協作”向“機機協作”的過渡。

對于制造業巨頭，如小米、比亞迪而言，這意味著供應鏈與生產系統將第一次擁有“自反能力”。

它們不只是執行命令，而是能夠對命令本身提出質疑。

這也是為什么，越來越多企業開始將強推理模型引入非前端場景。不是為了聊天，而是為了判斷。

回到最初的問題：算力不夠，智慧真的能來湊嗎？

DeepSeek 與 千問給出的答案是：當資源不再無限，智慧才會被迫進化。

歷史反復證明，真正改變世界的技術路徑，往往誕生于約束之中，而不是溫室里。

今天，中國 AI 正在用一種并不張揚、卻高度有效的方式，重寫大模型的競爭邏輯。

它未必最快，但可能更穩；未必最貴，但更可持續。

而這，或許正是下一階段智能競爭的關鍵分水嶺。

馬斯克曾多次強調：“未來所有的工作都將由 AI 完成，除非你想為了興趣而工作。”當中國 AI 提前摸到了“集體智慧”的門檻，這種預測正加速從科幻變為現實。