实话世经/算力需求并非“越便宜、越扩张”\程 实

　　图：DeepSeek通过引入创新的架构和训练方法，实现了高效计算和卓越性能。

　　“初景革绪风，新阳改故阴。”DeepSeek的出现，不仅为AI的发展提供了更多技术路径的选择，也为行业应用的多样化奠定了基础，使人工智能走出了“规模至上”，摆脱了过去单一路径的局限，进而拓展了迈向更广阔空间的可能性。这一变革的意义，恰好可以从“杰文兹悖论”的视角加以审视。

　　首先，算力增长的内在逻辑在于模型边界的阶梯式突破，以及应用场景的不断演进。在人工智能发展的浪潮中，底层模型的边界正逐渐显现。尽管近几年大模型的规模持续扩张，无论是文本生成、图像理解，还是跨模态能力的拓展，底层模型的发展始终存在物理和理论上的边界。这些边界不仅源于算力和资料的限制，更涉及认知能力、泛化性、安全性等多方面的挑战。

　　视乎应用场景开发程度

　　算力的增长并非简单的线性积累，而是阶梯式突破边界，并推动其在现实场景中的应用落地。每一阶段算力的提升，都会伴随着底层模型能力的跃升，同时也意味着上一阶段模型的边界被突破，催生出更广泛的应用场景。大规模算力的投入使得长文本生成、逻辑推理、多轮对话成为可能。

　　然而，算力需求的持续增长，并不能仅依赖于底层模型参数规模的无序扩张，而需要建立在应用场景的开发。一方面，应用场景演进的软性需求在于同质性场景的挖掘。这些场景不仅有较高的算力需求，同时也能够大规模複用已有的模型能力，从而提高算力投资的回报率。另一方面，应用场景演进的硬性辅助在于交互能力的升级。而这些新型对话模式将大幅提升算力需求，因为它们涉及更复杂的即时计算、低延迟推理、多模态融合等技术要求。

　　其次，杰文兹悖论成立的关键在于算力需求的价格弹性。杰文兹悖论的核心在于，技术进步所带来的资源利用效率提升并不会减少资源消耗，反而会导致资源总消耗量的上升。这一现象的逻辑基础在于需求对价格的高度弹性─即当某种资源的获取成本下降时，市场需求的增长幅度足以抵销技术进步带来的节约效应。

　　例如，在19世纪的英国，蒸汽机技术的革新大幅提高了煤炭的燃烧效率，但这并未减少煤炭的使用量，反而因工业规模扩大，推动了煤炭需求的急剧上升。类似的现象在能源、交通、制造等多个领域屡见不鲜，成为经济学中一个广为讨论的悖论。当这一理论被应用到算力领域时，形成了一个类似的假设─随着晶片制造工艺的提升、云计算的普及以及平行计算架构的优化，算力的成本正在持续下降。理论上，这一趋势将刺激更大规模的算力消耗，进而形成“越便宜、越扩张”的回圈。

　　然而，杰文兹悖论能否成立的关键在于，算力需求是否具有足够的价格弹性。换言之，如果单位算力的价格下降，需求必须以足够快的速度增长，才能抵销单位效率提升所带来的节约效应。而现实情况并非如此简单。算力需求的增长不仅受价格驱动，还受到资料可得性、演算法复杂度、行业适配度等多重因素的制约。因此，仅仅依赖算力成本的下降，并不足以推动所有行业全面进入“算力消费爆炸”的阶段。

　　最后，算力市场的现实困境在于需求弹性的非对称性。从实际市场表现来看，算力需求的价格弹性呈现出显著的非对称性，不同市场主体的反应存在较大分化。

　　一是，模型参数数量并不能无约束地扩张，同时DeepSeek的发展也表明，在提升模型性能方面，参数数量的增加并非唯一途径。通过引入创新的架构和训练方法，DeepSeek实现了高效的计算和卓越的性能。

　　二是，对于普通企业和个人开发者而言，算力需求的增长受到诸多限制。1）资料治理的范式困境。AI模型的训练依赖于大量高品质资料，而资料获取的成本和合规风险在许多行业都极为严峻。2）技术跃迁的生态壁垒。并非所有企业都具备深度学习的专业能力，许多中小企业难以建立高效的AI开发流程，即便算力成本下降，也无法有效利用这些资源。3）创新周期的效益拐点。AI模型的参数规模达到一定阈值后，算力投入的边际收益递减。因此，在未来的算力革命中，技术创新的重心可能不再是单纯扩展计算能力，而是提升算力利用效率。需求弹性也将从“野蛮扩张”步入“理性收敛”的新阶段，算力市场的发展逻辑或将发生深刻变革。

　　（作者为工银国际首席经济学家、董事总经理）