【DeepSeek】最強國產大殺器？輝達一家就沒了近4.3兆

DeepSeek一夜爆火，不僅刷屏全球網際網路，還被多次“擠”到當機，更是一夜暴擊美股，嚇崩輝達，分析師驚呼AI企業迎來“斯普特尼克時刻”。

周一，歐美科技股重挫，輝達跌近17%，市值蒸發近6000億美元(近4.3兆人民幣）為美股史上規模最大，晶片指數大跌超9%，博通跌超17%，台積電跌超13%。

納指跌超3%領跌，納指100創六周最大跌幅且市值蒸發近1兆美元，晶片指數大跌超9%為2020年3月以來最差表現，歐美AI供應鏈概念股下挫，但亞馬遜和Meta轉漲。

DeepSeek引發了全網激烈討論，而真正引人注目的是其打破傳統AI資本支出規模。

開發該模型僅用2個月，花費不到600萬美元，相比之下，Meta團隊僅薪酬就超過DeepSeek全部培訓預算，Open AI每年支出超過50億美元，“星際之門”計畫正生成投資5000億美元......

華爾街認為，AI企業盈利或面臨走低風險、也有將此類比AI泡沫破滅時刻，同時還有認為領先AI公司不會放棄先進GPU。對AI行業而言，人工智慧開發變得更加容易，硬體要求和成本將大幅下降，競爭急劇加劇、科技巨頭“護城河”變“小水坑”。

而海外網友才開始經受R1的“洗禮”，DeepSeek又發佈了新的模型，給閉源模型帶來開源圖像生成的震撼......

01 DeepSeek暴擊歐美科技股，輝達市值蒸發近4.3兆，規模創美股史上最大

周一，輝達也同時失去全球市值最大公司的寶座，不及蘋果和微軟，跌至第三。

由於輝達在主要指數中佔有較大的比重，其股價下跌對整個美股市場產生了重要影響。據彭博社資料，包括本周一在內，標普500指數市值損失最大的10個交易日中，有8次都是與輝達大跌相關。

周一納指跌超3%，標普500指數跌近1.5%，資金輪轉至道指，道指上漲0.65%。輝達兩倍做多ETF收跌將近34%。美股半導體ETF重挫超9.8%，這是2020年3月16日以來的最大單日跌幅，2020年當天收跌超14%。

以輝達為首的科技股重挫，令包括輝達CEO黃仁勳在內的全球前500位富豪的資產淨值在1月27日合計蒸發1080億美元。其中，黃仁勳財富一日損失201億美元。

同日，輝達表示，DeepSeek是出色的人工智慧（AI）進步，推理即運行AI模型的計算過程需要大量輝達GPU和高性能網路支援。

輝達兩倍做多ETF收跌將近34%。美股半導體ETF重挫超9.8%，這是2020年3月16日以來的最大單日跌幅，2020年當天收跌超14%。

歐美晶片製造商以及為AI和資料中心供電的全產業鏈公司齊跌。晶片指數大跌超9%，博通跌超17%，台積電跌超13%，AMD和阿斯麥跌約6%，Altman押注的核電股Oklo跌近26%，投資AI的科技巨頭中，微軟跌4.6%後跌幅砍半，亞馬遜和Meta轉漲，蘋果漲超3%。

受避險情緒推動，美元和美債收益率急跌至五周多最低，交易員還上調聯準會降息押注，完全消化年內降息50個基點美元。風險資產美油盤中跌3%，比特幣一度跌穿10萬美元，股市大跌帶來的流動性問題令黃金也跌超1%。

02 華爾街: AI企業盈利面臨走低風險、美股迎來AI泡沫破滅時刻

DeepSeek對整個AI行業意味著什麼？華爾街怎麼看？

傑富瑞分析師Graham Hunt團隊指出，科技巨頭們面臨資本支出合理性的質疑，或導致資料中心收入和利潤增長軌跡走低。

瑞穗則提到，這發生在一個“痛苦的時刻”：

花旗分析師Atif Malik認為， 儘管美國公司在最先進 AI 模型上的主導地位可能會受到挑戰，但我們估計在不可避免的更嚴格的環境中，美國公司仍然佔據優勢。因此，我們預計領先的AI公司不會放棄更先進的GPU，最近AI資本支出公告表明了對先進晶片的需求。

伯恩斯坦報告認為， DeepSeek實際上討論的是兩個模型系列，但價格戰的言論足以讓Mag7本已不明朗的投資回報率雪上加霜。

DeepSeek 的定價確實遠遠超過了競爭對手，該公司的模型定價比 OpenAI 的同類模型便宜 20 到 40 倍， 當然，我們不知道 DeepSeek 在這方面的經濟效益（而且這些模型本身是開放的，任何想要使用它們的人都可以免費使用），但整個事情提出了一些非常有趣的問題，關於專有與開源努力的作用和可行性，可能值得做更多的研究……

高盛分析師稱，目前的明確共識是，謹慎看跌美國科技股，直到公佈美股科技巨頭Mag 7財報為止，財報的重點是AI相關資本支出。DeepSeek帶來的部分關鍵影響是，軟銀對“星際之門”的投資回報、資本雄厚的網際網路巨頭與初創企業可能存在競爭、推理相比預訓練所需的計算資源大幅減低、中國企業有進一步全球擴張的潛力。

對AI行業意義方面，dropbox AI 副總裁 Morgan Brown做了一系列的總結：

1、首先，介紹一些背景：目前訓練頂級AI模型的成本極其高昂。OpenAI、Anthropic 等僅在計算上就花費了1億美元以上。他們需要擁有數千個4萬美元GPU的大型資料中心，這就像需要一整座發電廠來運行一家工廠一樣。

2、DeepSeek 突然出現並說，如果我們花 500 萬美元做這件事會怎麼樣？”他們不只是說說而已——他們真的做到了。他們的模型在許多工上匹敵甚至擊敗了 GPT-4 和 Claude。人工智慧世界震動了。

3、怎麼做到的？他們從頭開始重新思考一切。傳統AI就像是把每個數字都寫成32位小數，DeepSeek是如果我們只使用 8 位小數呢？它仍然足夠準確！砰——所需記憶體減少了 75%。

4、然後是他們的多標記預測，普通人工智慧的閱讀方式就像一年級學生一樣：“這......貓......坐......”DeepSeek 一次讀完整個短語，速度快2倍，精準率高90%。當你處理數十億個單詞時，這一點很重要。

5、但真正聰明的是：他們建立了一個“專家系統”。他們沒有使用一個試圖瞭解一切的大型人工智慧（比如讓一個人同時成為醫生、律師和工程師），而是擁有只在需要時才醒來的專門專家。

6、傳統模型：所有 1.8 兆參數始終處於活動狀態，DeepSeek總共 671B，但一次只能啟動37B。這就像擁有一支龐大的團隊，但只召集每個任務真正需要的專家。

7、結果令人震驚：培訓成本：1 億美元 → 500 萬美元；所需 GPU：100000 → 2000；API 成本：便宜 95%；可以在遊戲 GPU 而不是資料中心硬體上運行。

8、最瘋狂的部分都是開放原始碼的，任何人都可以檢查他們的工作，程式碼是公開的，技術論文解釋了一切。

9、重要的是，它打破了“只有大型科技公司才能涉足人工智慧”的模式，你不再需要價值數十億美元的資料中心，幾個好的 GPU 就可以做到這一點。

10、對於輝達來說，這很可怕。他們的整個商業模式都建立在銷售利潤率高達90%的超級昂貴 GPU 的基礎上，如果每個人都能突然用普通的遊戲 GPU 做 AI……那麼，你就知道問題所在了。

11、關鍵在於：DeepSeek 的團隊不到 200 人，但 Meta 的團隊僅薪酬就超過了 DeepSeek 的整個培訓預算……而且他們的模型並不那麼好。

12、這是一個經典的顛覆故事：既有者最佳化現有流程，而顛覆者重新思考根本方法。

13、影響巨大：人工智慧開發變得更加容易；競爭急劇加劇；大型科技公司的“護城河”看起來更像水坑；硬體要求（和成本）大幅下降。

14、OpenAI 和 Anthropic 等巨頭不會止步不前。他們可能已經在實施這些創新，但效率精靈已經從瓶子裡出來了——不可能再回到“只是投入更多 GPU”的方法了。

15、最後的想法：這感覺就像是我們回顧時會認為的一個轉折點，就像個人電腦讓大型機變得不那麼重要，或者云計算改變了一切。人工智慧即將變得更加普及，成本也更低。問題不在於它是否會顛覆當前的參與者，而是顛覆的速度有多快。

03 輝達正面臨前所未有的威脅

還有分析表示，輝達實際上很難達到市場的高期望。分析表示，輝達面臨著前所未有的競爭威脅，20倍預期銷售額和75%毛利率的溢價估值越來越難以證明其合理性。該公司在硬體、軟體和效率方面的所謂“護城河”都出現了令人擔憂的裂痕，地球上數以千計最聰明的人，在數十億美元的資本資源的支援下，正試圖從各個角度攻擊他們。

在硬體方面，Cerebras和 Groq的創新架構表明，輝達的互連優勢（其資料中心主導地位的基石）可以通過徹底的重新設計來規避。更傳統的是，每個主要的輝達客戶（Google、亞馬遜、微軟、Meta、蘋果）都在開發定製晶片，這可能會蠶食高利潤資料中心的收入。

軟體護城河似乎同樣脆弱，MLX、Triton 和 JAX 等新的高級框架正在抽象化CUDA的重要性，而改進AMD驅動程式的努力可能會解鎖更便宜的硬體替代品。最重要的是，我們看到了LLM驅動的程式碼轉換的出現，它可以自動將CUDA程式碼移植到任何硬體目標上運行，從而有可能消除輝達最強大的鎖定效應之一。

最令人震驚的是DeepSeek最近的效率突破，以大約1/45的計算成本實現了可比的模型性能。這表明整個行業一直在大量過度組態計算資源。再加上通過思維鏈模型出現的更高效的推理架構，對計算的總體需求可能比目前的預測要低得多。這裡的經濟效益是令人信服的：當DeepSeek能夠達到GPT-4等級的性能，同時API呼叫費用降低95%時，這表明要麼的客戶在浪費資金，要麼利潤率必須大幅下降。

台積電將為任何資金充足的客戶生產具有競爭力的晶片，這一事實自然限制了輝達的架構優勢。但從根本上講，歷史表明，市場最終會找到繞過人為瓶頸的方法，從而產生超額利潤。

04 剛剛暴擊華爾街，DeepSeek再發佈新開源AI模型

其中，70億參數的Janus-Pro-7B號稱在圖像建立的能力方面超越了OpenAI 的DALL-E 3和Stable Diffusion模型。

DeepSeek展示的下圖可見，在文生圖GenEval和DPG-Bench基準測試中，Janus-Pro-7B的精準率較前代Janus大幅提高，精準率測試結果分別為80%和84.2%，高於包括DALL-E 3在內的其他對比模型，Janus的精準率分別為61%和79.7%。

DeepSeek稱，Janus-Pro和JanusFlow的程式碼基於MIT許可證授權，這意味著它們可以不受限地用於商業用途。

1）Janus-Pro採用視覺編碼解耦方式 統一Transformer架構

Janus-Pro是一款統一多模態理解與生成的創新框架，通過視覺編碼解耦的方式，採用獨立的路徑分別處理多模態理解與生成任務，從而解決視覺編碼器在兩種任務中的功能衝突，大幅提升模型在不同任務中的適配性與性能，同時仍使用統一的 Transformer 架構處理多模態任務。

DeepSeek介紹：

“Janus-Pro 是一種新穎的自回歸框架，統一了多模態理解和生成。它通過將視覺編碼分離為獨立的路徑來解決以前方法的侷限性，同時仍然使用單一、統一的轉換器架構進行處理。Janus-Pro超越了之前的統一模型，並達到或超過了特定任務模型的性能。Janus-Pro 的簡單、高靈活性和有效性使其成為下一代統一多模式模型的有力候選者。”

Janus-Pro基於DeepSeek-LLM-1.5b-base 和 DeepSeek-LLM-7b-base兩個架構打造，使用SigLIP-L視覺編碼器，高品質圖像生成能力，支援384x384 解析度輸入，滿足多場景需求，並採用LlamaGen Tokenizer生成模組，下採樣率為 16，生成更精細的圖像。

Janus-Pro架構高度靈活且設計統一，可適配視覺問答、圖像標註等多模態場景。

下圖可見Janus-Pro和Janus的文生圖效果對比。相比Janus，Janus-Pro對短提示詞的輸出更穩定，視覺質量提高，細節更豐富，且增加了生成簡短文字的功能。

2）JanusFlow極簡架構 無需複雜架構修改 生圖支援384x384解析度

DeepSeek介紹，JanusFlow這個框架將圖像理解和生成統一在一個模型中。

對於JanusFlow，DeepSeek採用了“一種極簡架構，將自回歸語言模型與生成建模中最先進的方法“矯正流”（Rectified Flow）相結合。” DeepSeek發現，矯正流可以在大語言模型（LLM）框架內直接訓練，無需進行複雜的架構修改。

換言之，JanusFlow的架構極簡，直接將生成流融入LLM框架，從而簡化了多模態建模流程。

DeepSeek稱，JanusFlow 是一款統一的理解和生成多模態大語言模型（MLLM）。它將視覺編碼與多模態理解和生成分離，它基於 DeepSeek-LLM-1.3b-base建構。

對於多模態理解，JanusFlow使用 SigLIP-L 作為視覺編碼器，支援384 x 384圖像輸入。對於圖像生成，JanusFlow 使用矯正流與SDXL-VAE結合，生成 384 x 384解析度圖像。提供的檢查點是預訓練和監督微調後的EMA檢查點。

下圖可見JanusFlow的基準測試表現與LLaVA等其他模型對比，以及它的生圖結果展示。

(華爾街見聞)