过去两年，英伟达（Nvidia, NVDA）凭借在高性能图形处理器（GPU）领域的领先地位，站稳了人工智能浪潮的中心。不论是科技巨头还是初创企业，都在争相购买英伟达的GPU用于训练AI模型。然而，这一趋势近日似乎出现了动摇的苗头。
中国AI初创公司DeepSeek近期推出了一种名为R1的推理模型，训练费用大幅低于目前主流AI模型。这似乎引发了市场对英伟达未来增长潜力的担忧：如果能够用更少的算力资源实现性能上的突破，AI行业对英伟达GPU的需求是否会就此减少？
事实并非如此简单。一种被称为杰文斯悖论（Jevons Paradox）的经济学理论，或许能为我们提供不同的视角。
DeepSeek的R1推理模型以超低成本实现了与主流模型媲美甚至更优的性能。官方资料显示，R1的训练费用仅为560万美元，而同类AI模型的训练成本往往高达数亿美元。这一效率的提升引发了业内对硬件依赖度降低的关注，部分投资者担忧，随着AI行业技术的不断优化，硬件（尤其是昂贵的GPU硬件）的市场需求可能呈下降趋势。
然而，如果进一步分析的话，这种假设或许还未看到全貌。AI的发展不仅取决于训练效率的提升，还包括模型规模的扩展和实际应用场景的落地。在这些领域，算力需求仍有可能继续增长。
1856年，英国经济学家威廉·斯坦利·杰文斯首次提出了一个有趣的经济现象，即当一项技术效率提高时，资源的使用总量往往会增加而非减少，这被称为杰文斯悖论。最初，这一理论是针对煤炭能源而言：尽管技术提升让煤炭采掘和利用效率更高，但反而推动煤炭的使用量大幅增加。
在AI行业中，类似的现象正在发生。当AI模型的训练成本下降时，企业更容易开发、部署和使用AI技术，推动AI进一步融入更多的实际应用。例如：
随着AI技术的普及，这些场景对实时计算（推理）算力的需求将显著增加。推理阶段需要大量的GPU计算资源，特别是在大规模部署情况下，例如实时翻译、视频处理、自动化交通控制等场景。正如“你并不只需要一个爱因斯坦，而是需要成千上万个爱因斯坦同时工作”，这种对大规模AI推理能力的需求恰恰可能为英伟达这样的公司带来持续的市场机会。
英伟达的未来不仅取决于训练层面的市场空缺，也取决于AI行业整体的扩张。Meta（META）最近宣布，公司将把2025年的资本支出预算提升至600亿到650亿美元，这一数字几乎是2024年的支出预算（380亿至400亿美元）的1.5倍。更重要的是，Meta计划建设一个专门的AI超级计算数据中心，其规模接近曼哈顿岛大小。
这一举措表明，即使训练效率提升，企业在人工智能基础设施上的投入仍未见放缓。事实上，AI的普及化正在催生更大规模的硬件需求。无论是用于推理计算的GPU，还是RAM、存储等其他硬件设备，整体算力需求将会逐年增加。
尽管如此，英伟达也无法完全高枕无忧。在AI训练市场，推理阶段的硬件需求可能更加多样化，这将加剧竞争。例如，谷歌（Google）、英特尔（Intel）正在加速优化AI专用芯片（如TPU），而AMD等公司也尝试进入高性能计算领域。此外，成本较低的技术解决方案（如DeepSeek的创新算法）依然可能分流部分市场份额，尤其在中小型企业或者成本敏感行业中。
从长期来看，这种竞争环境可能导致英伟达在某些细分市场中面临增长压力。但从整体行业规模扩张的趋势来看，硬件业务的需求基本盘仍然稳固。
DeepSeek的技术突破无疑引发了市场对AI行业硬件依赖度的思考，但杰文斯悖论告诉我们，技术效率的提升往往与资源需求的增加相伴而生。尤其是随着更多AI应用落地，推理阶段算力的需求可能会帮助英伟达继续保持行业中的核心地位。
同时，需要注意的是，AI行业的快速发展为多样化的竞争者提供了机会。从硬件到算法再到云服务，未来的市场格局或许将更加复杂和多变。然而，正如Meta的扩张计划所示，AI市场的整体蛋糕正在变得越来越大，而英伟达无疑会继续分享其中的一大块。
