最新消息
💡 推理模型為何更耗能？從 DeepSeek 到 Gemini 3，看懂矽谷如何築起「算力長城」

作者：小編於 2026-01-23

40
次閱讀

中國 AI 新創 DeepSeek 發布 R1 模型滿週年，曾以其超高成本效益震撼全球市場，引發對美系「算力霸權」的強烈質疑。然而，《晶片戰爭》作者克里斯．米勒於 2026 年初最新評論中點破，當時的恐慌多源於對事實的扭曲。指出，DeepSeek 的成功僅是全球演算法優化趨勢中的一個縮影，而非打破了「規模定律」。事實上，具備思考能力的「推理模型」對算力需求不減反增。美國科技巨頭如 Google 與 OpenAI 透過更高密度的運算投入，依然在處理複雜流程的穩定性上保持絕對領先。隨著 OpenAI 轉向開源反擊，中國模型的市佔優勢正受到挑戰。米勒強調，美中競爭的核心差距仍繫於「運算資源」的投入量，美國憑藉掌控高階晶片供應鏈與龐大的資本支出，依舊穩居全球 AI 賽道的領袖地位。

💡 推理模型為何更耗能？從 DeepSeek 到 Gemini 3，看懂矽谷如何築起「算力長城」

📖 文章快速導覽

引言：回首 DeepSeek R1 震撼——是一場技術革命，還是資本恐慌？
🛡️ 破解「效率迷思」：米勒如何解讀 DeepSeek 的低成本策略
🧬 推理模型的耗能真相：為什麼「思考」比「背誦」更貴？
📊 2026 全球 AI 算力支出與領先模型比較表
🏗️ 封閉 vs. 開源：OpenAI 如何靠「開源轉身」反擊中國新創
💡 專家建議與未來展望：晶片規模是不可逾越的「物理牆」
✅ 結論：矽谷依然是 AI 賽道的領跑者

🌪️ 引言：一場驚動華爾街的「深度求索」

2025 年初，全球科技界與金融圈共同經歷了一場震撼：來自中國的 AI 新創公司「深度求索（DeepSeek）」發布了 R1 推理模型。這款模型宣稱僅耗費了傳統大廠極小比例的預算與晶片數量，卻在多項基準測試中達成了媲美 OpenAI 頂尖模型的表現。這一訊息在當時引發了全球資本市場的劇烈大地震。

投資者開始質疑，如果 AI 訓練真的可以如此「廉價」，那麼輝達（Nvidia）動輒數萬美元的 GPU 還有誰會買？這股恐慌導致輝達及相關半導體類股股價一度出現恐慌性拋售，單日市值蒸發規模甚至接近兆元美金。

然而，在 DeepSeek R1 發布屆滿週年的 2026 年初，《晶片戰爭》作者**克里斯．米勒**在《巴隆周刊》撰文指出，回頭檢視這段歷史，當時的恐慌顯然「扭曲了事實」。他強調，儘管 DeepSeek 的技術確實展現了高度的軟體工程智慧，但這僅僅是全球 AI 大趨勢中的一環，**晶片規模）**依然是區分「平庸 AI」與「頂級 AI」的最核心關鍵，更是美中競爭中不可逾越的物理高牆。

🛡️ 破解「效率迷思」：米勒如何解讀 DeepSeek 的低成本策略

📍 1. 效率進步是產業共識，而非中國專利

米勒在評論中精準點出，DeepSeek 當初宣稱其訓練或部署所需的晶片數量遠低於對手，這聽起來像是某種「黑科技」，但放眼全球，這其實是整個產業的集體進化。

📈 數據點而非轉折點：從 Meta 的 Llama 系列到 Mistral，全球的軟體工程師都在尋找用更少參數、更低能耗達成更高智慧的方法。DeepSeek 的成本降低，只是演算法效率提升趨勢中的一個顯著「數據點」，它證明了軟體優化的潛力，但並非打破了 AI 發展的物理規律。
🧩 軟體補償算力：米勒分析，中國企業之所以在演算法效率上如此激進，本質上是因為受到美方高階晶片（如 H100/B200 系列）嚴格出口管制的倒逼。在缺乏「暴力算力」支援的情況下，中國新創被迫在受限的框架內開發出更精簡的混合專家架構（MoE）。這是一種「資源受限下的被迫創新」，雖然令人佩服，但也暴露出其硬體資源的短缺。

📍 2. 演算法紅利的遞減效應

雖然透過更聰明的數據清洗與架構設計，開發者可以讓 1,000 顆晶片發揮出過去 5,000 顆的效果，但這種紅利是有天花板的。

⚖️ 規模定律的殘酷性：當美國企業（如 OpenAI 或 Google）同時擁有最先進的演算法，且手中握有 10 萬顆甚至 100 萬顆最新型晶片時，雙方的能力鴻溝非但不會縮小，反而會因為「算力基數」的巨大差異而持續擴大。這就像兩名賽車手，即便落後者的駕駛技術（演算法）再精湛，若對方的賽車引擎（晶片）馬力強大十倍，落後者依舊難以在直道上完成超越。

🧬 推理模型的耗能真相：為什麼「思考」比「背誦」更貴？

💡 1. 推理模型的運作邏輯

米勒特別指出，DeepSeek 所引發的「推理模型」風潮，本質上是非常耗費算力的。

慢思考機制：模型在回答前會進行大量的邏輯推演與自我檢驗。
訓練量的反增：為了讓模型學會「如何思考」，在訓練階段投入的數據與算力密度反而比傳統模型更高。

🚀 2. 算力與能力的「線性正相關」

米勒列舉 2025 年底至 2026 年初發布的領先模型：

Google Gemini 3：展現了極致的多模態整合。
Anthropic Opus 4.5：在複雜長文本推理上達到新高度。
這些模型的突破都證明了一件事：只要持續投入更多算力，AI 的上限依然看不到終點。 這正是為什麼美國科技公司對資料中心與 AI 晶片的需求並未放緩，反而加速擴張。

📊 2026 全球 AI 算力支出與領先模型比較表

根據摩根大通高盛的最新數據，美中雙方在算力規模上的差距依然巨大。

廠商 / 陣營	旗艦模型	算力投入規模 (Est.)	2025 資本支出	核心技術定位
OpenAI / MS	GPT-5.2	超百萬顆 GPU 集群	約 $1,200 億美元	封閉式專有模型、全能通用型
Google	Gemini 3	自研 TPU v6 集群	約 $950 億美元	原生多模態、Google 生態系整合
Anthropic	Opus 4.5	高密度運算架構	約 $500 億美元	深度推理、高安全性代碼編寫
DeepSeek (中)	V3.2 / R1	受限於中低階 GPU	約 $100 億美元	開源、極致成本優化

🏗️ 封閉 vs. 開源：OpenAI 如何靠「開源轉身」反擊中國新創

🛡️ 1. 免費的代價：品質與算力成本

米勒指出，雖然 DeepSeek 與阿里巴巴等公司推出了大量免費開源模型，但這並未動搖美國企業的獲利根基。

算力仍要收費：模型軟體雖然免費，但運行模型的算力依然昂貴。
品質溢價：高階企業用戶（如製藥、金融、法律）能夠明顯察覺模型在處理複雜流程時的品質差異，他們更願意付費使用更穩定、更強大的封閉式服務。

🚀 2. 史上最快下載：OpenAI 的戰術反擊

研究開源生態的學者藍珀特統計，OpenAI 在 2025 年 8 月釋出的開源模型，成為史上下載速度最快的模型，甚至超越了所有中國競爭對手。這顯示出當美國領先者決定進入開源市場時，其品牌與技術實力仍具壓倒性。

💡 專家建議與未來展望：晶片規模是不可逾越的「物理牆」

🎯 1. 晶片限制政策的辯論

米勒認為，美中 AI 競爭的核心差距不在於人才（兩國人才同樣優秀），而在於**「訓練時投入的運算資源」**。這證實了美國對華晶片出口管制政策的戰略意義：

限制天花板：如果中國無法獲取最新的高效能晶片，其開源模型的品質在長期來看「不太可能」超越美國的領導者。

🔮 2. 來自 DeepSeek 的自我警訊

最具參考價值的訊息並非來自矽谷，而是來自 DeepSeek 自己。在其 V3.2 模型的技術報告中，DeepSeek 坦承：「雖然開源在進步，但封閉式專有模型的性能成長正在明顯加快。」 這說明當算力堆疊到一定規模時，封閉式系統的優化效率將遠超分散的開源社群。

✅ 結論：矽谷依然是 AI 賽道的領跑者

DeepSeek 震撼週年後，市場方向並未因那場「輿論風暴」而改變。米勒的結論非常明確：美國企業在 AI 晶片、模型品質、與銷售表現 上依舊保持絕對領先。

摩根大通指出，美國雲端巨頭去年的資本支出仍高達 3,400 億美元。這筆巨資不僅是用來買晶片，更是用來築起一道名為「算力規模」的物理長城。只要規模定律持續發揮作用，掌控晶片供應鏈的美國將繼續主導 AI 產業的未來。

專營台灣/日本/泰國/越南

工業地產/房地產買賣出租

物件眾多、無法即時刊登

請直接加LINE ID:803033

0981-681-379 曾先生告知需求

詠騰社群連結

官方Facebook粉專👉🏻https://www.facebook.com/www.yuteng.com.tw

官方IG👉🏻instagram.com/yuteng.tw?igsh=MXM5Y2Vib2J4NDEzcw==

官方Tiktok👉🏻tiktok.com/@yutengtw

官方Youtube👉🏻https://www.youtube.com/channel/UCuJkPV3xU7YNnFJV9c_yrXQ