「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，都會伴隨着底層模型能力的躍升，同時也意味着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，同時也能夠大規模複用已有的模型能力，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。
例如，在19世紀的英國，蒸汽機技術的革新大幅提高了煤炭的燃燒效率，但這並未減少煤炭的使用量，反而因工業規模擴大，推動了煤炭需求的急劇上升。類似的現象在能源、交通、製造等多個領域屢見不鮮，成為經濟學中一個廣為討論的悖論。當這一理論被應用到算力領域時，形成了一個類似的假設─隨着晶片製造工藝的提升、雲計算的普及以及平行計算架構的優化，算力的成本正在持續下降。理論上，這一趨勢將刺激更大規模的算力消耗，進而形成「越便宜、越擴張」的迴圈。
然而，傑文茲悖論能否成立的關鍵在於，算力需求是否具有足夠的價格彈性。換言之，如果單位算力的價格下降，需求必須以足夠快的速度增長，才能抵銷單位效率提升所帶來的節約效應。而現實情況並非如此簡單。算力需求的增長不僅受價格驅動，還受到資料可得性、演算法複雜度、行業適配度等多重因素的制約。因此，僅僅依賴算力成本的下降，並不足以推動所有行業全面進入「算力消費爆炸」的階段。
最後，算力市場的現實困境在於需求彈性的非對稱性。從實際市場表現來看，算力需求的價格彈性呈現出顯著的非對稱性，不同市場主體的反應存在較大分化。
一是，模型參數數量並不能無約束地擴張，同時DeepSeek的發展也表明，在提升模型性能方面，參數數量的增加並非唯一途徑。通過引入創新的架構和訓練方法，DeepSeek實現了高效的計算和卓越的性能。
二是，對於普通企業和個人開發者而言，算力需求的增長受到諸多限制。1）資料治理的範式困境。AI模型的訓練依賴於大量高品質資料，而資料獲取的成本和合規風險在許多行業都極為嚴峻。2）技術躍遷的生態壁壘。並非所有企業都具備深度學習的專業能力，許多中小企業難以建立高效的AI開發流程，即便算力成本下降，也無法有效利用這些資源。3）創新周期的效益拐點。AI模型的參數規模達到一定閾值後，算力投入的邊際收益遞減。因此，在未來的算力革命中，技術創新的重心可能不再是單純擴展計算能力，而是提升算力利用效率。需求彈性也將從「野蠻擴張」步入「理性收斂」的新階段，算力市場的發展邏輯或將發生深刻變革。
（作者為工銀國際首席經濟學家、董事總經理）
