算力需求并非“越便宜、越扩张”

　　中评社北京4月23日电／据大公网报导，“初景革绪风，新阳改故阴。”DeepSeek的出现，不仅为AI的发展提供了更多技术路径的选择，也为行业应用的多样化奠定了基础，使人工智能走出了“规模至上”，摆脱了过去单一路径的局限，进而拓展了迈向更广阔空间的可能性。这一变革的意义，恰好可以从“杰文兹悖论”的视角加以审视。

　　首先，算力增长的内在逻辑在于模型边界的阶梯式突破，以及应用场景的不断演进。在人工智能发展的浪潮中，底层模型的边界正逐渐显现。尽管近几年大模型的规模持续扩张，无论是文本生成、图像理解，还是跨模态能力的拓展，底层模型的发展始终存在物理和理论上的边界。这些边界不仅源于算力和资料的限制，更涉及认知能力、泛化性、安全性等多方面的挑战。

　　视乎应用场景开发程度

　　算力的增长并非简单的线性积累，而是阶梯式突破边界，并推动其在现实场景中的应用落地。每一阶段算力的提升，都会伴随着底层模型能力的跃升，同时也意味着上一阶段模型的边界被突破，催生出更广泛的应用场景。大规模算力的投入使得长文本生成、逻辑推理、多轮对话成为可能。

　　然而，算力需求的持续增长，并不能仅依赖于底层模型参数规模的无序扩张，而需要建立在应用场景的开发。一方面，应用场景演进的软性需求在于同质性场景的挖掘。这些场景不仅有较高的算力需求，同时也能够大规模复用已有的模型能力，从而提高算力投资的回报率。另一方面，应用场景演进的硬性辅助在于交互能力的升级。而这些新型对话模式将大幅提升算力需求，因为它们涉及更复杂的即时计算、低延迟推理、多模态融合等技术要求。

　　其次，杰文兹悖论成立的关键在于算力需求的价格弹性。杰文兹悖论的核心在于，技术进步所带来的资源利用效率提升并不会减少资源消耗，反而会导致资源总消耗量的上升。这一现象的逻辑基础在于需求对价格的高度弹性─即当某种资源的获取成本下降时，市场需求的增长幅度足以抵销技术进步带来的节约效应。