第六章 大模型 — 训练军备竞赛与推理工业化

6.1 开篇：大模型的军备竞赛

「如果说 GPU 是 AI 时代的石油,那大模型就是炼油厂。问题是:这座炼油厂的建造成本已经从一亿美元飙升到十亿美元,而且每六个月就得推倒重建一次。」

2024 年底,OpenAI 内部流出一份备忘录,标题只有四个字:「We need more. 」 More compute、more data、more money。这份备忘录的背景是 GPT-5 的训练预算已经突破 30 亿美元,而 Google DeepMind 的 Gemini 2.0 Ultra 据传动用了超过 50,000 张 H100 ,连续训练超过 90 天。欢迎来到大模型的军备竞赛。

数据口径说明:上表训练成本为业界估算或公司官方披露,非经审计数据。DeepSeek-V3 的 $5.6M 仅指最终训练阶段 GPU 租用成本(官方技术报告口径),不含研发人力、数据准备及前期实验。OpenAI/Google 成本为综合多家研究机构估算中位数。这场军备竞赛的本质是什么? 不是技术之争,是资本之争。让我用一个比喻:1960 年代的太空竞赛,美苏两国把 GDP 的相当比例砸进火箭。今天的 AI 竞赛,几家公司正在把数十亿美元砸进 GPU 集群。差别在于—— 太空竞赛是国家行为,AI 竞赛是私人资本驱动 (虽然背后也有国家意志)。截至 2026 年 6 月,全球大模型领域的格局可以用「2+2+N」来概括:

• 美国双雄:OpenAI (估值约 $850B ,截至 2026 年 3 月融资轮口径)与 Google DeepMind (Alphabet 市值约 $2.5T ,截至撰稿时)
• 中国双雄:DeepSeek (未上市,估值未公开)与阿里云 Qwen (阿里巴巴集团市值约 $350B ,截至撰稿时)

6.2 训练 vs 推理：成本结构的根本差异

训练：一次性的巨额资本开支

• N 个挑战者:Anthropic (估值约 $380B ,截至 2026 年 2 月融资轮口径)、Meta AI (开源路线)、Mistral (欧洲代表)、xAI (Musk 的 Grok ) 但真正让行业震动的,不是这些巨头的投入规模,而是一个来自中国的团队——DeepSeek—— 用不到 600 万美元的训练成本,做出了逼近 GPT-4 水准的模型。这一事件的意义,我们在 6.6 节详述。要理解大模型的经济学,首先要搞清楚一个内核区分:训练 (Training )和推理(Inference )是两门完全不同的生意。训练就像盖一座工厂。你需要:
• 数据:数万亿 token 的高品质语料
• 算力:数万张顶级 GPU 连续运行数月
• 电力:一次顶级训练的耗电量相当于一个小型城市数月用电
• 人才:顶级 ML 研究员年薪 $500K-$2M (硅谷口径)
• 时间:3-6 个月的连续训练,一次失败就得重来

训练的成本结构:

• GPU 租用/折旧:60-70% |最大头,H100 集群
• 电力:10-15% |随集群规模线性增长
• 人力:10-15% |顶级研究团队
• 数据获取/处理:5-10% |含授权费、清洗成本
• 网络/存储:3-5% |高速互联、分布式存储

推理：持续的营运开支

推理就像开工厂生产。每次用户提问,模型都需要消耗算力来生成回答。这是一个边际成本不为零的生意。推理的经济特征:

• 持续性:只要有用户使用,就持续产生成本
• 规模效应:用户越多,总成本越高(但单位成本可降低)
• 延迟敏感:用户期望即时回应,不能排队太久

关键差异对照

• 硬件需求不同:推理更看重吞吐量和延迟,而非峰值算力
• 性质:资本开支(CapEx )|营运开支(OpEx )
• 频率:一次性(每代模型)|持续性(7×24 )
• GPU 需求:高端(H100/B200 )|可用中端或专用芯片
• 瓶颈:内存带宽、互联|吞吐量、延迟
• 可预测性:较高(固定周期)|随需求波动
• 优化方向:加速收敛、减少失败|降低单次推理成本这个区分为什么重要?

因为它决定了投资逻辑的根本不同:

• 投资训练侧,你投的是「研发军备竞赛」—— 赢家通吃,风险极高
• 投资推理侧,你投的是「工业化生产」—— 规模经济, 现金流可预测截至 2026 年中,行业共识正在形成:推理成本将超过训练成本,成为 AI 计算的主要支出。根据多家研究机构估算(Epoch AI、SemiAnalysis 等),到 2027 年:
• 全球 AI 训练计算支出:约 $500-800 亿/年
• 全球 AI 推理计算支出:约 $1,500-2,500 亿/年推理与训练的比例正在从 2024 年的 2:1 扩大到 2027 年预估的 3:1 甚至 4:1。

推理工业化的投资含义

数据口径:上述预测综合 Epoch AI (2025 年报告)、SemiAnalysis 及 Goldman Sachs Research 估算。预测数据存在较大不确定性,实际数字可能因 AI Agent 普及速度而有显著偏差。推理的「工业化」意味着什么?

• 专用硬件崛起:NVIDIA 的推理专用 GPU (如 L40S、B200 推理配置)、Google TPU、Groq LPU、各类 AI ASIC
• 推理即服务:云端推理 API 成为标准化商品(如同今天的云计算)
• 边缘推理:模型压缩、量化技术让中小模型可在边缘设备运行

6.3 开源 vs 闭源：商业模式之战

闭源阵营:API 付费的「订阅经济」

• 推理优化软件:vLLM、TensorRT-LLM、各类推理框架成为关键基础设施对投资者而言,推理侧的机会更像「卖水给淘金者」—— 不需要押注哪个模型会赢,只需要押注「所有模型都需要被大规模部署」。大模型行业正在上演一场「安卓 vs iOS」的翻版:开源阵营与闭源阵营的商业模式之战。代表:OpenAI、Anthropic、Google

商业模式:

• API 调用计费:按 token 收费(输入/输出分开计价)
• 订阅服务:ChatGPT Plus $20/ 月、Pro $200/ 月、Team/Enterprise 分层
• 企业授权:私有部署、定制微调

优势:

• 直接的收入模型,现金流清晰
• 护城河:数据飞轮(用户交互数据 → 模型改进 → 更多用户)
• 品牌溢价:OpenAI 这个名字本身就值钱

劣势:

• 需要持续保持技术领先(一旦被追平,定价压力巨大)
• 用户锁定成本低(切换 API 提供者相对容易)
• 监管风险:反垄断、数据隐私 OpenAI 的财务窗口(公开口径):
• 年化收入:约 $12.7B |2025 年 2 月公开口径
• 月活用户:约 4 亿|2025 年公开口径
• 企业客户:约 200 万+ |2025 年公开口径
• 估值:约 $850B |2026 年 3 月融资轮口径

开源阵营:「卖铲子」的生态经济

• 亏损:约 $5B/ 年|2024 年财年估算(媒体口径) 数据口径说明:OpenAI 为非上市公司,财务数据基于公司公开声明及媒体报导,未经独立审计。代表:Meta (Llama )、DeepSeek、阿里(Qwen )、Mistral

商业模式:

• Meta :模型免费,目的是拉低竞争对手的护城河,保护自己的广告帝国
• DeepSeek :模型免费/低价 API ,背后是幻方量化的私有投资需求
• 阿里 Qwen :模型免费,拉动阿里云计算收入
• Mistral :开源社区版 + 闭源商业版的混合模式

开源的经济逻辑:

2025-2026 年的战况

• 免费模型 → 开发者生态 → 平台黏性 → 周边变现这和 Android 的逻辑一模一样——Google 把 Android 免费给手机厂商,目的是确保 Google Search 和 Play Store 的分发地位。闭源 vs 开源的性能差距正在迅速缩小:

○

○

○

• MMLU GPT-4o (闭源):~90% DeepSeek-V3 (开源):~88% 差距:2%

○

○

○

• HumanEval GPT-4o (闭源):~92% DeepSeek-V3 (开源):~89% 差距:3%

○

○

○

• MATH GPT-4o (闭源):~76% DeepSeek-V3 (开源):~75% 差距:1%

○

○

○

• 推理(GSM8K ) GPT-4o (闭源):~95% DeepSeek-V3 (开源):~94% 差距:1% 数据口径:上表数据来自各模型官方技术报告及公开 Benchmark 排行榜,测试时间点为 2025 年上半年。不同评测版本可能有差异。

投资者应该站哪边?

我的观点:这不是一场「只能选一边」的战争。正确的投资框架是:

• 闭源巨头的价值在于「全栈集成 + 品牌 + 分发」—— 类似 Apple
• 开源生态的价值在于「周边服务 + 定制化 + 部署工具」 —— 类似 Android 生态

6.4 大模型的经济学：训练成本、推理成本、定价训练成本的指数增长

• 真正的赢家可能是两边都需要的「基础设施」—— 芯片、云计算、推理优化历史规律告诉我们:当开源追平闭源时,价值会从模型本身转移到应用层和基础设施层。就像 Linux 追平 Windows 后,价值没有消失—— 它转移到了 Red Hat (服务)、AWS (云)、Docker/Kubernetes (工具)。 「摩尔定律的邪恶双胞胎」—— 大模型的训练成本正在以每年约 4 倍的速度增长。

○

○

○

• GPT-3 年份:2020 估算训练成本:~$4.6M 来源:学术估算

○

○

○

• PaLM 年份:2022 估算训练成本:~$12M 来源:学术估算

○

○

○

• GPT-4 年份:2023 估算训练成本:~$100M 来源:OpenAI CEO 公开暗示

○

○

○

• Gemini Ultra 1.0 年份:2023 估算训练成本:~$200M 来源:业界估算

○

○

○

• GPT-5 年份:2025 估算训练成本:$3-5B (传闻) 来源:多家媒体引述

○

○

○

• 下一代(2027 ) 年份:2027 估算训练成本:$10B+ ? 来源:Dario Amodie 公开推测

这条增长曲线能持续吗? 有两派观点: 「天花板派」认为:

• 高品质训练数据即将枯竭(「互联网上的好文本已经用完了」)
• 能源供应跟不上(见第三章)
• 投资回报递减(模型越大,边际改善越小) 「突破派」认为:
• 合成数据可以解决数据瓶颈
• 新架构(如 MoE )提高效率

推理成本的惊人下降

• Scaling Laws 仍然有效,只是需要更聪明地 Scale 作为投资者,我倾向于:短期(2-3 年)训练成本继续上升,但增速会放缓。原因是 MoE 架构和更高效的训练方法正在改善「每美元算力」的产出。如果训练成本在暴涨,推理成本则在暴跌。GPT-4 级别模型推理成本变化(每百万输出 token ):
• 2023 年 3 月(GPT-4 发布):$60 |—
• 2023 年 11 月(GPT-4 Turbo ):$30 |-50%
• 2024 年 5 月(GPT-4o ):$15 |-75%
• 2025 年初(GPT-4o-mini 等):$0.60 |-99%
• 2025 年中(竞争加剧):$0.15-0.60 |-99.7% 数据口径:价格为 OpenAI 官方 API 定价。实际成本因使用场景、批量折扣及第三方提供商而异。两年内,同等能力模型的推理价格下降了 99% 以上。这是什么概念?这相当于 2023 年一杯咖啡的价格能买到 1 次 GPT-4 回答,到了 2025 年中同样的钱能买到 500 次以上。

推理成本暴跌的驱动力:

• 模型架构改进:MoE (Mixture of Experts )让每次推理只启动部分参数
• 量化技术:FP16 → INT8 → INT4 ,精度略降但速度大幅提升
• 推理优化框架:vLLM、TensorRT-LLM 等开源框架持续优化
• 硬件进步:新一代 GPU 的推理效率更高

定价策略：大模型的「电信化」

• 竞争压力:DeepSeek 等低价入局者倒逼全行业降价大模型的定价正在经历和电信行业类似的演化:
• 阶段一:高价垄断(2023 ) → 「GPT-4 是唯一选择,爱用不用」
• 阶段二:差异化竞争(2024 ) → 「我更便宜/更快/更准」
• 阶段三:价格战(2025 ) → 「所有人都在降价抢市场」
• 阶段四:分层定价(2026+ ) → 「基础免费,高级付费,企业定制」这对投资者意味着什么?
• 纯模型公司的毛利率将持续承压(就像电信运营商)
• 有差异化场景的公司能维持较高定价(就像企业级 SaaS )

6.5 AI Agent 的崛起：从对话到行动

什么是 AI Agent ?

• 基础设施提供者受益于总量增长(不管谁降价,推理量都在增加) 如果说 2023 年是「聊天机器人」元年,2025-2026 年就是AI Agent 元年。简单说:AI Agent = LLM + 工具使用 + 记忆 + 自主规划传统 LLM 是「你问我答」—— 被动的对话。AI Agent 是「你给我目标,我自己想办法完成」—— 主动的行动。

举例:

• 订机票:告诉你怎么订|直接帮你订好
• 写报告:生成文本|搜索数据+ 分析+ 生成+ 排版
• 修 Bug :解释错在哪|读代码+ 定位问题+ 写修复 + 提交

AI Agent 为什么重要?

• 投资研究:回答问题|持续监控+ 分析+ 生成报告+ 提醒因为它把大模型从「对话界面」变成了「生产工具」—— 从 ChatGPT 变成了「AI 员工」。McKinsey 估算(2025 年报告口径):AI Agent 到 2030 年可自动化全球约 30% 的工时。这意味着什么?
• 推理需求暴增:一个 Agent 完成一项任务可能需要调用模型几十甚至几百次
• 工具生态繁荣:Agent 需要连接各种外部工具和 API

Agent 的技术栈

• 新的商业模式:按任务完成收费,而非按 token 收费

Agent 对推理计算的影响

一个关键洞察:Agent 会成倍放大推理需求。传统聊天:用户问 1 个问题 → 模型回答 1 次 → 消耗 1 次推理 Agent 完成任务:用户下达 1 个指令 → 模型可能需要:

• 分析任务(1 次推理)
• 规划步骤(1 次推理)
• 搜索信息(3-5 次推理)
• 调用工具(2-3 次推理)
• 集成结果(1 次推理)
• 验证输出(1 次推理)

2025-2026 年 Agent 格局

• 合计:10-15 次推理如果 Agent 普及,推理量可能是纯聊天场景的10-50 倍。这就是为什么我在 6.2 节说「推理成本将超过训练成本」—— 不是因为单次推理变贵了(事实上在变便宜),而是因为推理次数将指数级增长。
• OpenAI Operator :通用 Agent |浏览器操作、任务完成
• Anthropic Claude (含 Computer Use ):通用 Agent |电脑操作、多步推理
• Google Project Mariner :浏览器 Agent |Chrome 插件形态
• Microsoft Copilot :办公 Agent |深度集成 Office 生态
• Salesforce Agentforce :企业 Agent |CRM 场景专用
• Devin (Cognition AI ):编程 Agent |自主软件开发

Agent 的投资逻辑

• 各类 Crypto AI Agent :链上 Agent |DeFi 交互、交易运行 Agent 对投资者的含义:
• 做多推理基础设施:Agent 成功 = 推理需求爆炸
• 做多任务具/API 生态:Agent 越多 → 需要连接的工具越多
• 做多垂直 Agent :通用 Agent 做得好不代表垂直场景做得好

6.6 中国大模型:DeepSeek 的冲击

DeepSeek 是谁?

• 谨慎看待 Agent 平台:目前太早期,赢家未定 2024 年底至 2025 年初,一件事震动了整个 AI 行业:DeepSeek- V3 发布。DeepSeek 是中国量化私募基金幻方量化(High-Flyer Capital Management )于 2023 年成立的 AI 研究实验室。

关键背景:

• 幻方量化管理规模约百亿人民币(估算)
• 创始人梁文锋是技术出身的量化交易员
• DeepSeek 团队约 300 人(截至 2025 年口径)

DeepSeek-V3 的冲击

• 不接受外部融资,完全自有资金运营 DeepSeek-V3 的技术报告显示:
• 架构:MoE (671B 总参数,37B 活跃)
• 训练 token :14.8T
• 训练 GPU :2,048 张 H800
• 训练时间:约 2 个月
• 训练成本:$5.576M (仅 GPU 租用)
• 性能水平:接近 GPT-4o (多个 Benchmark ) $5.576M vs $100M+ 。这是什么概念? 如果一家中国公司能用 1/20 的成本做出类似水平的模型,那:
• OpenAI/Google 的「高投入= 高壁垒」逻辑受到挑战
• 闭源模型的定价权被严重削弱

「DeepSeek 冲击」的市场反应

• 美国限制中国获取先进芯片的策略效果存疑 2025 年 1 月 27 日,DeepSeek-R1 (推理模型)全面开放后:
• NVIDIA 股价单日下跌约 17% (截至 2025 年 1 月 27 日收盘,市值蒸发约 $5,930 亿)
• Broadcom、AMD 等芯片股同步大跌
• 全球科技股普遍承压股价数据口径:基于 NYSE/NASDAQ 收盘价,截至标注日期。后续股价已有波动,此处仅记录事件日表现。市场恐慌的逻辑是:「如果训练成本可以这么低,是不是不需要那么多 GPU 了?」但我认为市场反应过度了。原因:
• DeepSeek 的成本口径被误读:$5.6M 只是最终训练的 GPU 成本,不含前期数千次实验、人力和数据成本
• Jevons Paradox (杰文斯悖论):效率提升 → 成本下降 → 需求暴增 → 总消耗反而增加
• 推理需求会爆发:更便宜的模型意味着更多人用得起 → 推理总量反而上升

DeepSeek 的技术创新

DeepSeek 为什么能用更低成本做出好模型?不是因为「省钱」,而是因为技术创新:

• Multi-head Latent Attention (MLA ):压缩 KV Cache ,大幅降低推理时的内存需求
• DeepSeekMoE :更精细的专家路由机制,提高参数效率
• FP8 混合精度训练:在训练阶段就使用低精度,减少算力需求
• Multi-Token Prediction :一次预测多个 token ,加速训练

对产业格局的长期影响

• 高效的工程实践:据报导,团队从芯片层面优化了通信效率 DeepSeek 事件揭示的深层趋势: 一、「算法效率」vs 「暴力堆算力」过去两年,行业默认逻辑是「更多 GPU = 更好的模型」。DeepSeek 证明了算法创新可以极大地提高资源效率。这意味着:
• 长期来看,AI 的竞争不只是「谁有更多 GPU」,也是「谁更会用 GPU」
• 但这不意味着不需要 GPU—— 而是同样的 GPU 能产出更多价值二、中国 AI 并未被「卡脖子」卡死尽管美国限制向中国出口 A100/H100 等高端芯片,DeepSeek 用较低规格的 H800 (相当于 H100 的「阉割版」)依然做出了顶级模型。这说明:
• 出口管制增加了成本和难度,但没有形成绝对封锁
• 中国团队在约束条件下展现了极强的工程适应能力

中国大模型全景

• 长期来看,可能反而加速了中国自主芯片(如华为升腾) 的演进三、开源的「鲇鱼效应」 DeepSeek 选择开源,意味着全球任何人都可以基于其成果继续改进。这加速了整个行业的技术扩散,也进一步压缩了闭源模型的「独占期」。除 DeepSeek 外,中国大模型生态还包括:

○

○

○

• 阿里巴巴模型:Qwen 系列特点:开源+ 云服务商业模式:拉动阿里云收入

○

○

○

• 字节跳动模型:豆包/Seed 特点:海量用户场景商业模式:产品内嵌

○

○

○

• 百度模型:文心一言特点:搜索+ 云集成商业模式:API+ 订阅

○

○

○

• 腾讯模型:混元特点:企业场景商业模式:云+ 企微生态

○

○

○

• 智谱 AI 模型:GLM 系列特点:学术背景商业模式:API+ 企业服务

○

○

○

• 月之暗面模型:Kimi 特点:长上下文商业模式:C 端产品

○

○

○

• MiniMax 模型:海螺 AI 特点:多模态商业模式:API+ 产品

中国大模型市场的特点:

• 价格战激烈:2024 年多次「百模大战」降价潮
• 场景驱动:更注重应用落地而非 Benchmark 刷榜
• 政策支持:各地政府大力扶持 AI 产业

6.7 投资 Playbook :大模型层框架：大模型投资的「四象限」

• 数据优势:中文语料丰富、应用场景多元

象限一：推理基础设施（高确定性 × 高回报）

逻辑:不管谁的模型赢,推理需求都在暴增。投资标的类型:

• 推理专用芯片公司(Groq、Cerebras、SambaNova 等)
• 推理优化平台(如提供模型压缩/量化/部署的公司)
• 推理即服务(如 Fireworks AI、Together AI、Replicate )

关键指针:

• 每百万 token 成本的改善速度
• 客户留存率(推理服务的黏性)

象限二：模型 API 平台（高确定性 × 中等回报）

• 与头部模型的兼容性逻辑:企业需要统一的模型接入层,不想被单一模型锁定。

投资标的类型:

• 模型路由/聚合平台
• 模型评估/监控工具

象限三：前沿模型训练（低确定性 × 潜在高回报）

• AI Gateway/AI Middleware 风险:云巨头(AWS Bedrock、Azure AI、Google Vertex )可能吃掉这个市场。逻辑:风投逻辑,押注下一个 OpenAI。

当前估值已经极高:

• OpenAI :~$850B (2026 年 3 月融资轮)
• Anthropic :~$380B (2026 年 2 月融资轮)

象限四：垂直场景应用（中等确定性 × 中等回报）

• xAI :~$50B+ 问题:在这些估值下,退出路径是什么?IPO 市场能容纳几个千亿美元的 AI 公司? 作为投资者,除非你是早期参与者或有特殊渠道,否则此时进入前沿模型公司的风险收益比并不理想。逻辑:大模型是通用基座,垂直场景才是最终价值创造。

有前景的垂直方向:

• 法律:合同审查、案例研究
• 医疗:辅助诊断、药物研发
• 金融:研究报告、风控、合规
• 教育:个性化教学、批改

具体投资建议

• 代码:自动开发、测试、部署风险:护城河可能较浅(如果底层模型持续进步,垂直应用的「技术壁垒」会被侵蚀)。一级市场(PE/VC ):
• 推理优化/部署:★★★★★|确定性高,需求爆发
• Agent 框架/平台:★★★★☆|方向明确,但赢家未定
• 垂直 Agent :★★★★☆|找到对的场景就有护城河
• 模型公司(早期):★★★☆☆|估值已高,需极早介入
• 数据/标注:★★★☆☆|被合成数据替代的风险

二级市场(公开市场):

• 云计算巨头:★★★★★|MSFT/GOOG/AMZN
• GPU 龙头:★★★★☆|NVDA (但注意估值)
• AI 赋能的 SaaS :★★★★☆|ServiceNow/Palantir 等

风险清单

• 纯概念 AI 股:★★☆☆☆|小心追高二级市场数据口径:星级评分为作者个人观点,非投资建议。股票提及仅作举例,不构成买入推荐。市场状况瞬息万变,读者应独立判断。

投资大模型层需要关注的风险:

• Scaling Laws 失效风险:如果「更大= 更好」的规律打破,巨额训练投入可能变成沉没成本
• 商品化风险:开源模型追平闭源 → 模型层变成 commodity → 毛利率暴降
• 监管风险:各国 AI 法规趋严,可能限制模型能力或增加合规成本
• 地缘风险:中美脱钩加剧 → 供应链分裂 → 效率损失
• Black Swan 技术风险:新架构(如非 Transformer 架构)颠覆现有格局

我的内核观点

「Don't bet on the model. Bet on the infrastructure that all models need. 」不要押注哪个模型会赢。押注所有模型都需要的基础设施。

• 能源瓶颈风险:电力供应跟不上 AI 算力需求(见第三章) 这是本章最重要的一句话。在一场军备竞赛中,最稳的赢家不是任何一支军队,而是卖武器的。在 AI 大模型的竞赛中:
• 模型可能更替(今天的 GPT-5 可能在一年后被超越)
• 但推理基础设施的需求只会增加
• 工具生态的价值只会累积

6.8 本章小结

• 数据飞轮一旦转起来就停不下来

本章要点回顾

• 军备竞赛的本质是资本竞赛:训练顶级模型的成本从数百万美元飙升至数十亿美元,形成极高的资金壁垒。但 DeepSeek 证明,技术效率也能突破资金壁垒。
• 训练 vs 推理是两门不同的生意:训练是一次性资本开支, 推理是持续营运开支。推理的总支出正在超过训练,且随 Agent 普及将进一步加速。
• 开源 vs 闭源并非零和游戏:两者各有优势,真正的赢家是两边都需要的基础设施。价值正在从「模型本身」向「模型周边」迁移。
• 推理成本暴跌正在释放需求:两年内下降 99% 的推理价格,加上 AI Agent 的崛起,意味着推理计算需求可能比多数人预期的增长更快(Jevons Paradox )。
• AI Agent 是下一个增长飞轮:从「对话」到「行动」的转变,将把推理需求放大 10-50 倍。Agent 的普及是推理基础设施最大的催化剂。
• DeepSeek 冲击的真正含义:不是「不需要 GPU 了」,而是「同样的 GPU 能做更多事」。效率提升 → 成本下降 → 需求爆发 → 总 GPU 消耗反而增加。
• 投资框架:基建优于模型:在不确定哪个模型会赢的前提下,投资所有模型都需要的推理基础设施、部署工具、Agent 框架,是风险调整后的最优策略。如果大模型是「引擎」,那谁来提供「燃料」?下一章我们将深入探讨 AI 的数据层—— 从训练数据到矢量数据库,从数据标注到合成数据, 这个容易被忽视的层级正在酝酿巨大的投资机会。免责声明本书内容仅供教育及信息参考之用途,并不构成投资建议、财务建议或交易建议。本书提及的任何公司、代币、股票、基金或投资工具,均不构成作者买入、卖出或持有的建议。所有投资均涉及风险,包括可能损失本金。读者应根据自身的财务状况、风险承受能力和投资目标作出独立判断,并在作出任何投资决定前咨询持牌专业顾问。加密货币及相关数字资产波动极大,未必适合所有投资者。各地对加密货币的监管政策不同,读者有责任了解并遵守其所在地区的相关法律法规。本书中的数据及市场信息以撰稿时为准,出版后可能出现重大变化。尽管已尽一切努力确保信息的准确性,但作者对其完整性或准确性不作任何保证,亦不对因依赖本书内容而导致的任何直接或间接损失承担责任。过往表现并不代表未来结果。