Agentic?AI狂潮：為什么DeepSeek之后，AI芯片更暢銷了？
很多人說DeepSeek只是資本市場和民族主義的狂歡。但實際上就產品化的角度來看，DeepSeek-R1模型已經在包括騰訊微信、百度搜索、知乎直答等普通人能接觸到的應用中全面接入——即便DeepSeek的確有著偏高的幻覺率，經常瞎說八道，但它對中文網絡而言，的確已經成為不少人的工作助手。
但與此同時，我們也看到了今年春節前后DeepSeek爆火之時，資本市場的不理性。最初報道普遍提及DeepSeek-V3總訓練成本不到600萬美元，且模型質量還超越了同期的Llama 3.1, Claude 3.5；DeepSeek官網面向開發者的API標價(每百萬token價格)僅有OpenAI o1的幾十分之一；甚至有社區愛好者嘗試在本地部署滿血版617B參數規模的DeepSeek-R1，硬件成本投入不過4-5萬元人民幣。
有關AI使用成本大幅降低的說法登上不少媒體的頭版頭條，提供AI基礎設施的NVIDIA股價隨之下跌，就連能源板塊都受到影響。市場對AI芯片的需求真的會隨著DeepSeek的推出變得更低，乃至連電力需求也沒有之前預測得那么激進了嗎？
前不久在《國際電子商情》姊妹刊《電子工程專輯》發布的《DeepSeek的杰文斯悖論：AI芯片市場發展前瞻》一文中，我們明確提到了AI芯片及基礎設施短期受到DeepSeek的影響，只是市場的不理性行為。本文則期望從相對更全面的角度來解讀AI芯片市場的潛在發展可能性，及為什么說DeepSeek實際上是在助推AI芯片行業前行。
明確兩個基本事實
過去大半年，AI領域內特別火的一個詞是Agentic AI——國內有譯作代理式AI，也有譯作智能體AI的。參照NVIDIA對Agentic AI的定義，這個詞出現在Generative AI(生成式AI)之后，在Physical AI(具身智能)之前(圖1)。
圖1：AI發展的幾個階段 圖片來源：英偉達
拋開Agentic AI有利用各類技術“自動適配”做決策的能力，今年NVIDIA的GTC開發者大會上，黃仁勛說Agentic AI的關鍵特性是在感知和理解上下文以后，“它能邏輯推理(reason)，通過推理來回答或解決問題。”“它能在做出規劃以后再采取行動。”“現在，它還能理解多模態信息，學習網站或不同來源的文本、圖片、視頻資料，并基于這些信息和知識來工作。”
中文網絡普遍將reason譯作“推理”——但請注意這里的推理和我們在談AI訓練與推理(reference)式的推理有區別。Reference指的是將已經訓練好的AI模型投入到實際使用中，使用模型的過程即為reference；而reason則是指，通過一步步的規劃和邏輯推理來解決復雜問題的過程。
我們可以認為，開啟了“深度思考”以后的DeepSeek-R1即為典型的Agentic AI。目前新推向市場的對話式AI基本也都已經支持以邏輯推理的形式回答和解決問題了。而reason的過程的確包括了reference。通常我們說reason需要對相關信息(內部和外部的)做結構化，形成邏輯步驟進行邏輯推理，已經不單是獲取和使用既有信息的簡單reference。
比如黃仁勛在主題演講中提到的一個例子，讓AI安排婚宴之上的座次。這個問題需要考慮的因素至少包括了文化傳統、人際關系、家庭成員親疏、方便拍照的角度等。傳統大語言模型回答該問題時，以“one-shot”的方式給出答案少于500個token。云上的此類大語言模型服務都能迅速作答。
而邏輯推理模型(reasoning model)需要用到將近9,000個token才給出答案，正式作答的響應時間相比one-shot式的回答方式也慢了不少。但兩相對比不難發現，one-shot式的大語言模型更容易給出錯誤答案，具備reason邏輯推理能力的大語言模型則能輕易給出優解。
觀察DeepSeek-R1正式作答前的思考過程會發現，它甚至會對已經獲得的答案再做回測。邏輯推理模型會對問題做拆解，會在不同的方法間選擇最佳答案，會做一致性測試，甚至會將得到的答案“放回到方程中，確保其更高的正確性”(圖2)。
圖2：分步驟推理問題的Agentic AI 圖片來源：國際電子商情
從高抽象維度了解Agentic AI，對于我們搞清楚AI芯片市場的潛在發展有什么價值呢？因為既然不少人認為DeepSeek這類邏輯推理模型的誕生會讓AI芯片及基礎設施需求降低，我們就有必要先理解其基本概念，以及另外兩個基本事實：(1)Agentic AI是否顛覆了現有AI技術范式；(2)Agentic AI處在AI歷史發展長河里的哪個階段？
第一個問題很容易回答：雖然Agentic AI變得更智能了，也被包括NVIDIA在內的企業劃歸在生成式AI(Generative AI)之后，但其核心仍然是生成式AI，雖然它相較以前的大語言模型更高級了。其工作方式一樣未脫離預訓練、后訓練(包括fine-tune等流程)、推理(inference)的范式。
幻方量化和梁文鋒團隊的確在DeepSeek模型的訓練階段做出了各種工程創新，尤其在技術禁運的前提下，實現硬件利用效率的最大化，使得其訓練成本得到可觀的降低。但不得不承認的是，其中的絕大部分方法和技術是站在了巨人的肩膀上，比如說MLA(多層注意力架構)、MTP(多token預測)都是既有技術方案，DeepSeek則是這些技術實踐的佼佼者。
所以第一個問題的答案是，包括DeepSeek在內的Agentic AI并沒有顛覆現有AI技術范式?，F有絕大部分加入了邏輯推理能力的對話AI服務也依舊需要持續對模型做出精進，并在和用戶的交互中進行推理(reference)。
至于第二個問題，Agentic AI對于AI而言處在哪個階段。我們在過去一個季度采訪了好些市場參與者。幾乎所有市場參與者都認為，雖然AI是個有些年頭的技術，但其發展階段依舊相對初級。比如Imagination Technologies產品管理與市場營銷副總裁Dennis Laudick在接受《國際電子商情》采訪時就說：“從人工智能的改進規模和速度來看，很明顯，我們僅僅處于計算機編程方式和計算機功能發生根本性變革的開端。”
“展望未來，科技行業目前需努力的一個關鍵任務是利用現在可獲得的投資，開發相關解決方案和應用，為人工智能提供動力，使其走出增長階段，并充分發揮其潛力。”Dennis提到，自動駕駛、智能機器人都是對于AI而言極具吸引力和有待釋放價值的市場。
通常某市場處在初級發展階段時，會有幾個明確的市場信號：(1)市場參與者很多，初創企業扎堆，“百花齊放”；(2)部分市場參與者營收和利潤呈現出飆升態勢?；蛞部赡苁羌夹g未全面落地之前，部分市場參與者處在長期虧損狀態，投資者則因為看好該市場，而持續為其輸血，尋求長期利益。
AI芯片市場基本具備上述所有特點。《電子工程專輯》2024 Q4的國產AI芯片研究報告提到現有AI芯片市場參與者依舊眾多；頭部上市企業如寒武紀自上市以來虧損現狀暫無改善跡象，營收不確定性明確；NVIDIA 2025財年營收1,305億美元，同比增長114%——其中數據中心營收1,152億美元，增幅達到了142%——要知道這種看起來夸張的增速已經持續了好幾年。
Agentic AI帶來了什么
那么基于上述兩個問題的結論(1)包括Agentic AI在內的AI技術目前尚處于發展早期或高速發展期，(2)AI技術范式并未發生根本性轉變，基本可以推倒出，AI芯片、基礎設施都將持續高速發展，而不是像年初市場預期的那樣需求走低。那么市場潛力究竟還有多大，或者說Agentic AI究竟能帶來什么？
NVIDIA自己公布的數據是，面向美國4家頂級CSP(云服務供應商，包括AWS, Azure, GCP和OCI)的上一代Hopper顯卡出貨量，2024年達到巔峰，約為130萬片GPU。而去年GTC之上發布的Blackwell顯卡，到今年3月為止，則已經面向這幾家CSP出貨了大約360萬片GPU。這份數據一方面自然能看出，NVIDIA實現業績高速增長的部分依據；但與此同時也能表現AI技術處在發展的初級或高速發展階段。
所以研究機構Dell'Oro認為，全球數據中心的CapEx(資本支出)會在2028年超過1萬億美金；部分研究機構也將2030年半導體市場價值將破萬億美金的時間預期做了調整(比如IBS就將行業破萬億的時間提前到了2028年)，皆因AI技術的發展超出了許多人的預期。
這里的確有個相當不符合直覺的事實：如果說DeepSeek提高了AI技術的效率，相同算力達成的AI智能程度更高了，那么為什么說AI芯片及基礎設施價值還將持續走高？我們認為，這個問題大概可以從兩個角度來回答。(1)Agentic AI對AI算力的需求變化；(2)市場發展的杰文斯悖論。
先談第一個角度：Agentic AI對AI算力的需求變化問題。探討算力需求變化，無非分訓練、推理(reference)兩部分。
從訓練的角度來說，現有分析資料已經有不少去談DeepSeek公開所謂不到600萬美元的訓練成本實則僅涵蓋了總體成本的一部分——這600萬美元只包括了預訓練的GPU固定成本開銷，并沒有算上研發、人才、硬件等的總成本；也沒有算上企業要真正應用DeepSeek模型時的后訓練成本——就像騰訊面向微信用戶開放DeepSeek模型使用，并不是將模型拿來，架上自家的數據中心就能用的。要知道幻方量化很早就手握“萬卡”資源，當年僅有百度、騰訊、字節跳動等互聯網大廠才享有“萬卡”入場券。
訓練部分的成本問題，本文不再做詳述——可以肯定的是，單位算力投入達成的模型質量，或者訓練的整體效率水平的確是提高了的，但不能因此認為AI時代的總訓練成本有顯著下降，這一點將在后文的杰文斯悖論部分做詳述。
而在推理(reference)部分，很多人將DeepSeek官方標定的API百萬token輸入價格(緩存命中時，每百萬token，DeepSeek-V3為0.5元，DeepSeek-R1為1元)作為其推理成本低的依據。但實際上我們知道幻方量化并沒有打算藉由DeepSeek的商業運營來實現大規模盈利，DeepSeek官網長期處在“服務器繁忙”狀態，也未有推理基礎設施的擴大動作。這個標價并不能作為與其他模型推理成本對比的直接依據。
本文的第一部分已經闡明了Agentic AI并未改變AI技術范式，與此同時在婚宴座次安排的例子中，推理模型以將近9,000個token，得到了最優解。9,000個token的生成，相較于傳統大語言模型one-shot式僅500個token的輸出，在token生成速度相同的情況下，算力要求高了10+倍。
換句話說，AI計算的推理(reference)流程相比以前多出了10+倍的算力需求?？赡芎芏嘧x者對于大語言模型的算力需求沒有量級概念。對于邏輯推理流程來說，模型接到請求以后首先進行prefill(預填充)階段——可理解為思考過程，這個階段對算力要求很大；隨后在正式輸出階段，即decode(解碼)階段則對帶寬要求很高——此過程需要訪問內存中的海量數據，迭代進行快速和持續的數據搬運，每秒數據量可以達到數百TB/s。
而每個token的生成都需要反復進行decode操作，每次都意味著萬億規模參數、海量數據訪問。也就是說將近9,000個token輸出，每一個都要經歷這種規模的操作。很顯然，Agentic AI的推理(reference)算力需求相比過去是顯著增加的(注意：這里不能說成本顯著增加)。
在此基礎上還需要考慮一個因素：由于邏輯推理模型工作時，在算力一定的情況下，響應用戶請求的速度變慢了，則企業基于用戶體驗、留住用戶的角度，還要考慮提升響應速度。如果響應速度能提升10倍，則在token輸出相比過去要多出10倍的情況下，達成了用戶體驗的平衡。
圖3：算力一定時，資源分配在AI不同階段的變化 圖片來源：國際電子商情
所以總的來說，Agentic AI在顯著提升復雜任務推理能力的同時，大幅提升了單次推理的算力需求。市場此前認定DeepSeek大幅降低了AI訓練成本，即便這一命題成立，卻也忽略了其推理資源在增加的事實(雖然我們不能簡單地說，成本在增加)。換句話說Agentic AI時代，整體資源分配方式是從原本高算力需求的預訓練階段，逐漸向推理階段傾斜(圖3)。
更何況，從社會對AI的總投入來看，即便是訓練階段，AI的價值也真的沒有降低。
5年內，AI世界都發生了什么？
有個頗為有趣的事實，可能是立足生成式AI或Agentic AI帶來生活與工作便利當下的人們已經遺忘的：2020年的人類大概無論如何也不會想到，2025年的人會每天和AI說話，還借助AI來討論工作。
現在Youtube上熱門的AI課程，課后作業會要求學生訓練7B參數的模型(實則為fine-tune)?；仡?019年GPT-2剛發布之時，1.5B參數量已經讓行業與資本市場咋舌了。也就是說，2025年今天的任何一名AI專業學生，帶著已經不算強的Llama2-7B模型回到2020年前后，就足以讓彼時的OpenAI感到毀天滅地了?？梢夾I技術發展之快是完全顛覆了當代人的認知的。
另一個相關的重要結論在《DeepSeek的杰文斯悖論：AI芯片市場發展前瞻》中：在模型參數量級不變的情況下，每8個月模型能力就提升1倍。去年面壁智能就在發布會上說，如今2B參數量的模型，在實際表現上就能比肩幾年前170B參數量的模型。還有一些研究機構則提出，AI模型要達成相同能力所需算力，每年降低4-10倍。
則對應的，達成相同推理(reference)效果的成本就在近兩年大幅下降了。2022年1月GPT3的每百萬token推理成本(基于MMLU大型多任務語言理解基準)還在大幾十美元的高位，GPT3.5 Turbo就將該值拉到了2、3美元的程度，Llama2-7B實現了百萬token推理成本1美元，到近代的Llama 3.2-3B讓這個數字低到不足0.1美元。
短短3年時間，實現GPT3相似質量的AI模型推理價格下降了1,200倍。(如圖4；注意，這里的成本下降是指單位token的推理成本，而非單次推理的成本也下降到這一量級水平，尤其考慮Agentic AI單次推理的token數量增長了10+倍)
圖4：2022年至今大語言模型的成本下降趨勢 圖片來源：國際電子商情
可見在AI芯片堆算力“大力出奇跡”的同時，整個AI技術棧的上層也在努力提升AI效率，令AI使用成本的降速遠快于當年半導體領域的摩爾定律。或許很多人將AI技術稱作人類歷史的第四次科技革命是有道理的。
“這一階段，工程師致力于尋找以更低的成本達成相同效果的路徑，因此人工智能的發展階段和機械化飛行的演進并無二致。”Dennis說，“像DeepSeek這樣的突破性變化是必然會出現的。”畢竟要達成“人工智能無處不在、人盡可用”的目標，“就需要以更低的成本和更少的計算資源來實現。”
所以我們才說DeepSeek達成現如今的熱度和成就，是站在了巨人的肩膀上。業內同人過去幾年就有著相同的目標、做著相同的事情。這也是Agentic AI能夠進入人們日常生活的先決條件。因為如果推理成本沒有降到這個程度，以3年前GPT-3的推理成本，Agentic AI恐怕也只是有錢人的玩具。
這些是人類通往AGI(通用人工智能)的必由之路，則市場更不應當詫異這些年來企業、數據中心大量購入AI芯片的價值?？赡墁F下的核心問題是，AI效率在提高、算力也在提升，那么究竟人類需要多少算力才能達到真正意義上的AGI？
實際上研究機構每年所做的市場預測就是要回答這個問題?！禗eepSeek的杰文斯悖論：AI芯片市場發展前瞻》一文也已經援引了麥肯錫對未來5年的判斷。但我們認為，這仍然是個難以計算的復雜問題。“即便人工智能模型的效率在不斷提高，對人工智能的需求的增長速度仍遠遠超過硬件的供應速度。”這是包括Imagination在內的幾乎所有市場參與者的共識。
此處再給另外一個維度的參考，今年GTC上NVIDIA預告了2年后要上市的Rubin Ultra NVL576系統——該機架將由576片Rubin Ultra die構成，單片Rubin Ultra片內存儲1TB HBM4e。整個系統性能提升14倍，存儲資源漲8倍，系統內和系統外的互聯帶寬分別提升12倍和8倍(相比于GB300 NVL72)。
這顯然是突破了半導體“摩爾定律”的數字。數十倍性能提升在電子系統一年迭代時間里發生，且在NVIDIA看來還未必滿足AI算力需求：可見在現有市場參與者看來，DeepSeek會降低AI基建需求的早期誤判是可笑的(圖5)。
圖5：AI數據中心將是人類社會的中堅力量 圖片來源：國際電子商情
未來的AI總算力需求需求
最后還是回到經典的杰文斯悖論。Dennis評價DeepSeek的創新成果“實際上是為AI硬件打開了更大的市場”，“為世界創造了更多的AI技術應用空間”，“降低了AI計算需求門檻，為行業里的其他傳統企業和新創公司提供了全新的競爭手段”。
就像第一次科技革命之時，蒸汽機的效率提升致單位動力耗煤下降，但社會的煤炭總消耗量卻因為蒸汽機應用場景擴展而激增。類比AI市場，雖說達成相同能力的AI模型訓練和推理成本在下降，但總投入卻將發生大幅增加——因為需求也隨之增加了。
所以我們可以說(1)AI成本下降會進一步帶動AI應用的普及，更多行業和場景都會開始布局AI應用；(2)效率的提升也會促成新應用場景的出現，應用層面的創新甚至會是現在的人類始料未及的；
(3)帶動AI技術競爭和效率持續突破，也就是AI技術棧的持續效率優化會促進競爭，進一步帶動市場整體發展。雖然本文主要是在談AI模型及算法的效率提升，但近些年AI芯片的效率提升也在持續，不僅是NVIDIA的GPU、系統及諸如Dynamo這樣的中間件。Dennis在采訪中也說，最近發布的Imagination DXTP GPU IP，能效相比上代提升20%。這在我們看來會成為接下來幾年AI技術進步的常態。
遙想AlexNet剛剛促成這一波AI熱潮之時，就有人預言了“強AI”持續發展的時代，每5年的技術迭代，就可能讓人意想不到，再也回不去從前。今年的IIC Shanghai活動上，還有嘉賓認為，AI對人類生活習慣的潛在影響將超過智能手機?；蛟S2、3年以后的人類回望2025年的我們，就已經不理解為何當時的人類技術如此落后了。
