上个月，OpenAI CEO 山姆・奥尔特曼在社交媒体上表示，号称 52 万亿参数量的 GPT-5 将在数月内发布。相较于上一代 GPT-4 的 2 万亿参数，体量上足足增长了 26 倍，虽无公布具体的训练成本，但想必也一定是个天文数字，堪称大模型领域的 “力大砖飞”。
反观 LLM 界的 “黑天鹅”，DeepSeek-V3 却仅用了 2048 块英伟达 H800 ，耗费了 557.6 万美金就完成了训练，一度引起硅谷恐慌，力证了：算力并非不可逾越的堡垒。
一边是暴力填鸭，一边是技术深化，2025 年的大模型似乎走出了两条截然不同的道路，也逐渐撕开了 AI 行业最残酷的真相：早期以 “算力” 建立护城河的大模型厂商们，在面对新一轮技术冲击时，高成本的算力反而成为了其灵活发展的累赘。
算力的必要性和局限性
作为数字经济的 “新电力”，算力在大模型的训练和推理过程中确实起到了不可或缺的作用。
以 OpenAI 为例，早期在 GPT-4 的训练中，大概就使用了 25000 个 A100 芯片。如果 OpenAI 云计算的成本是差不多 1 美元 / 每 A100 小时的话，那么在这样的条件下，仅一次训练的成本大约是 6300 万美元，同期还不乏实验、试错以及其他成本。OpenAI 的技术负责人直言：“每一次模型迭代都需要近乎天文数字的算力支撑。”
而在推理成本方面，截至 2024 年 3 月，OpenAI 就已花费 40 亿美元租用微软的服务器集群，该集群相当于 35 万个英伟达 A100 芯片，算力消耗不可谓不大。
反观国内，同样印证了这一规律。2025 年初，南京智算中心联合寒武纪，基于 7280 块国产 AI 加速卡构建全国产化算力平台，以运行 DeepSeek 671B 大模型，在供应链优化、智能客服等零售场景实现毫秒级响应。
南京智算中心机房来源：南京智算中心
这二者的共性在于：算力始终是大模型研发的 “基础设施入场券”，正如 DeepSeek 技术白皮书所言：大模型的竞争，首先是算力基础设施的竞争。
但其实，“算力” 本质上是一种 “商品化” 资源，自带经济周期属性，随着硬件成本的下降和云服务的普及，算力也逐渐脱离卖方市场，一些囤货居奇的算力厂商更是很难转型。
比如，2023 年 AI 大模型热潮期间，算力需求呈爆发式增长，英伟达 H100 8 卡节点年租金峰值达到 20 万元，而随着大模型从训练阶段转向推理阶段，算力需求骤减（训练需千卡级，推理仅需单卡级），2024 年 H100 8 卡节点年租金跌至 6 万，很多中小型企业也能依靠算力租用跑步入场。
而在算力租赁市场，截至去年，很多算力中心都出现了出租率不高、回款周期长，甚至一些底子不深的厂商直接关停一半机房，以降低日常运营成本。
来源：《算力荒，自主化智算还有必要吗？》- 脑极体
可见，大模型厂商早期在硬件性能和算力中心上的建设，虽然能够在短期内加速模型的训练和推理，但并不意味着竞争对手无法通过硬件设施的 “经济逆周期”，以及技术优化实现弯道超车，这就是 “算力” 这一大模型发展的必要资源所刻在骨子里的局限性。
直至 DeepSeek 的出现，“卡多模优” 的大模型发展格局，彻底失去优势。
护城河的重构：从 “堆料” 到 “四维壁垒”
相较于单纯的硬件 “堆料”，模型创新、数据规模、算法工程及生态构建的四维能力矩阵，正成为越来越多大模型厂商穿越周期的关键壁垒。2025 年行业数据显示，头部厂商研发投入中，算法优化（ 38% ）与场景化工程（ 27% ）的占比已超过硬件采购（ 25% ），书写新竞争法则 —— 效率优先于规模。
以 DeepSeek 为例，通过 “三维创新体系” 重构行业范式：
-
模型层，首创 “神经元动态剪枝 + 混合精度训练” 架构，使 1.6 万亿参数模型体积压缩 80% ，推理速度提升 500%；
-
数据层，构建金融 / 政务领域 “知识 - 行为 - 反馈” 三元数据闭环，标注成本降低 65%；
-
而在跟算力相关的工程层，其分布式训练调度系统，将千卡集群利用率从 58% 提升至 92%。
凭借这套组合拳下来，DeepSeek 训练成本降至同期竞品的 17% ，这种 “技术驱动型” 增长，不仅是对思维链突破、数据处理、系统优化等技术的最佳诠释，甚至使得 DeepSeek 利润猛增。
以行业具体实施来看。在算力的制约下，长足以来，业内很多人都不太看好 MaaS 这样的商业模式，因为 MaaS 的核心成本是算力租赁，依赖 API 调用按 token 计费，本质上可以看作为 “算力批发”—— 想要赚钱，你就得投入大量算力储备，保证高并发和弹性伸缩，碰上 API 价格内卷，很多厂商根本负担不起高额得硬件投入。
但随着 DeepSeek 出现，通过大规模的并行（包括数据并行和专家并行），尽可能为每个 GPU 分配均衡的计算负载、可通信负载，以技术升级，提升算力效率。根据《DeepSeek-V3 / R1 推理系统概括》一文中阐述：以 24 小时计算，DeepSeek V3 和 R1 推理服务峰值占用总和 278 个节点，平均占用 226.75 个节点（每个节点为 8 个 H800 GPU ）。假定 GPU 租赁成本为 2 美金 / 小时，日成本为 87072 美元 / 天。
而对比 24 小时所输出的 tokens 全部按照 DeepSeek R1 的定价计算，理论上一天的总收入为 562027 美元 / 天，成本利润率高达 545%。
除此之外，开源生态正加速成为模型创新的催化剂。Meta Llama 3 通过开源策略（免费使用、多平台支持）及训练效率优化（预训练数据扩展、后训练技术），使中小企业模型部署成本显著降低；智谱 GLM-4 依托 10 万开发者社区的持续优化，在代码生成等任务上实现同参数模型的性能超越，体现了开源协作对模型迭代的推动作用。
如此看来，这场产业革命的深层动因，不仅源于算力资源的成本周期，更源自于技术演进的内在规律：
-
算力供给的周期调整：2023-2025 年全球总算力复合增长率达 147%，但单位算力成本下降曲线（年降 68%）远超规模扩张速度，标志着算力正从 “战略资源” 向 “基础建设” 加速蜕变。简言之，算力主导的大模型经济，难以覆盖早期硬件设备上的成本投入；
-
价值创造的路径迁移：算法创新对模型效能的贡献率从 2020 年的 38% 跃升至 2025 年的 67%。例如 DeepSeek 的算法优化、理论利润，间接证明了算法创新才能撬动算力效益，并也能实现很好的商业变现。
站在 2025 年的时代坐标回望，算力作为产业发展的 “数字燃料”，已完成了它帮助早期模型厂商爬坡式发展的使命，随着越来越多大模型应用的加速投产，模型厂商们能依仗的绝不是训练、推理这些模型的算力规模，而是真正能让这些算力产生乘积效应的技术创新、能力整合，以及市场洞察。
算力之争的终局，是通过技术让算力不再成为问题。
