|
| DeepSeek通過引入創新的架構和訓練方法，實現了高效計算和卓越性能。（圖片來源：大公網） |
中評社北京4月23日電／據大公網報導，“初景革緒風，新陽改故陰。”DeepSeek的出現，不僅為AI的發展提供了更多技術路徑的選擇，也為行業應用的多樣化奠定了基礎，使人工智能走出了“規模至上”，擺脫了過去單一路徑的局限，進而拓展了邁向更廣闊空間的可能性。這一變革的意義，恰好可以從“傑文茲悖論”的視角加以審視。
首先，算力增長的內在邏輯在於模型邊界的階梯式突破，以及應用場景的不斷演進。在人工智能發展的浪潮中，底層模型的邊界正逐漸顯現。儘管近幾年大模型的規模持續擴張，無論是文本生成、圖像理解，還是跨模態能力的拓展，底層模型的發展始終存在物理和理論上的邊界。這些邊界不僅源於算力和資料的限制，更涉及認知能力、泛化性、安全性等多方面的挑戰。
視乎應用場景開發程度
算力的增長並非簡單的線性積累，而是階梯式突破邊界，並推動其在現實場景中的應用落地。每一階段算力的提升，都會伴隨著底層模型能力的躍升，同時也意味著上一階段模型的邊界被突破，催生出更廣泛的應用場景。大規模算力的投入使得長文本生成、邏輯推理、多輪對話成為可能。
然而，算力需求的持續增長，並不能僅依賴於底層模型參數規模的無序擴張，而需要建立在應用場景的開發。一方面，應用場景演進的軟性需求在於同質性場景的挖掘。這些場景不僅有較高的算力需求，同時也能夠大規模復用已有的模型能力，從而提高算力投資的回報率。另一方面，應用場景演進的硬性輔助在於交互能力的升級。而這些新型對話模式將大幅提升算力需求，因為它們涉及更複雜的即時計算、低延遲推理、多模態融合等技術要求。
其次，傑文茲悖論成立的關鍵在於算力需求的價格彈性。傑文茲悖論的核心在於，技術進步所帶來的資源利用效率提升並不會減少資源消耗，反而會導致資源總消耗量的上升。這一現象的邏輯基礎在於需求對價格的高度彈性─即當某種資源的獲取成本下降時，市場需求的增長幅度足以抵銷技術進步帶來的節約效應。 |
