DeepSeek反共识判断：国产AI算力核心矛盾转向产能缺口

DeepSeek的反共识判断：国产卡不缺生态，只缺产能

市场曾将DeepSeek的突破概括为“以算法效率替代算力堆叠”，但对此或有不一样的见解。效率优化只是为了在有限资源下训练更大模型，中国AI与美国的根本差距仍在算力；与此同时，AI编程、高级编译器与超节点正在削弱国产卡的生态约束。国产算力下一阶段的核心矛盾，会不会正从“能不能用”转向“为什么还不够用”？

DeepSeek常被市场解读为“用更少算力做更强模型”，但DS本身给出的判断是：效率提升不会终结算力投入，中国AI与美国的核心差距仍是资源；国产卡生态正出现明确解决路径，未来更硬的约束可能从“能不能用”转向“有没有足够多的卡”。

一、发生了什么？——DeepSeek提高了效率，却依然极度缺卡

1. 中美AI的差距，首先是算力差距：

中国与美国在AI领域的主要差距并不源于人才本身，而是源于算力资源。国内并不缺少足够聪明的研究人员，但美国头部实验室拥有更大的集群，可以进行更多轮架构试验、参数搜索和失败训练。算力不足不仅限制最终模型规模，也限制研究人员积累大规模训练经验。因此，看似是人才、模型能力和应用上的差距，向前追溯，很大程度上仍是算力差距。

大模型研发也不是凑齐一批GPU、完成一次正式训练即可。真正的领先来自训练前的大量实验、消融测试和错误迭代。即使国内企业勉强堆出一个超大模型，如果没有足够算力支持此前的研究，也很难复制美国公司的研发密度。这决定了国内更现实的路线，是在可以承受的规模内提升算法、架构和工程效率，再随着资源增加逐步扩大模型。

1. 对中国而言，Scaling远未结束：

DeepSeek证明了模型可以更高效，但这并不意味着Scaling已经失效。梁文锋仍然相信，更大的数据、模型和训练计算能够改善效果、解锁新能力。DeepSeek没有继续大幅扩大模型规模，并不是认为现有规模已经足够，而是因为当前资源只能支持相应规模。

他认为，硅谷可以讨论Scaling是否逐渐接近瓶颈，但中国AI企业离这个问题还很远。中国尚未获得足够算力去充分检验Scaling的边界，当前主要矛盾不是“扩大规模还有没有收益”，而是“有没有条件扩大规模”。

……

风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。