DeepSeek崛起，人工智能算力呈現出五大發展趨勢

21世紀經濟報道記者白楊 北京報道

在ChatGPT掀起全球AI狂歡兩年後，大模型賽道迎來一位現象級選手——DeepSeek以黑馬姿態闖入公衆視野。

高性能、低成本，並且完全開源，DeepSeek成爲了攪動市場的“鮎魚”。毫無疑問，DeepSeek的開源，將推動AI應用生態的繁榮，這也大大加快了整個AI大模型的發展進程。

根據IDC和浪潮信息聯合發佈的《2025年中國人工智能計算力發展評估報告》（簡稱“報告”），85%的企業認爲生成式人工智能將與ERP、電子商務一樣，成爲企業重要的新型工作負載。

IDC數據顯示，目前全球超過70%的組織已經開始對生成式人工智能技術進行投資或處於初步測試階段，已經有17%的組織將生成式人工智能應用和服務引入生產環節。

而2025年，全球企業生成式人工智能支出預計將達到691億美元，2028年超過2022億美元，2023-2028年五年年複合增長率爲59.2%。

伴隨大模型技術的持續發展和生成式AI新興應用場景不斷涌現，報告指出，全球人工智能算力發展正呈現出五大發展趨勢。

趨勢一：規模法則（Scaling law）在當前人工智能發展中仍然占主導地位

規模法則（Scaling law）目前正在從預訓練擴展到後訓練和推理階段。基於強化學習、思維鏈等算法創新在後訓練和推理階段更多的算力投入，可以進一步大幅提升大模型的深度思考能力。

同時，基於傑文斯悖論的現象表明，DeepSeek帶來的算法效率的提升並未抑制算力需求，反而因更多的用戶和場景的加入，推動大模型普及與應用落地，重構產業創新範式，帶動數據中心、邊緣及端側算力建設。（注：傑文斯悖論爲一經濟學理論。其主張當技術進步提高了使用資源的效率，但成本降低導致需求增加，令資源消耗的速度不減反增）

針對DeepSeek，IDC中國副總裁周震剛向21世紀經濟報道記者表示，其將通過技術普惠化、場景縱深化和算力泛在化三重路徑，推動大模型的普及與應用落地，驅動算力需求增長。

周震剛稱，在技術普惠化方面，DeepSeek的核心技術不僅顯著提升了模型性能，還大幅降低了算力消耗，爲用戶參與大模型應用生態創造了條件；在場景縱深化方面，得益於其強大的模型能力，DeepSeek在金融、醫療、汽車、電信等多個行業逐步落地，重構了產業模式。

而在算力泛在化方面，DeepSeek通過其先進的算法優化和高效的模型性能，促進了人工智能技術在C端和B端用戶中更廣泛的應用，顯著拉動了人工智能算力在數據中心、端側及邊緣側的發展。

IDC數據顯示，2024年全球人工智能服務器市場規模預計爲1251億美元，2025年將增至1587億美元，2028年有望達到2227億美元，其中生成式人工智能服務器佔比將從2025年的29.6%提升至2028年的37.7%。

趨勢二：企業更加重視發揮平臺價值，構建互聯的生態體系

生成式人工智能代表了一種全新的技術範式，這種範式要求企業從硬件到軟件、從開發工具到用戶體驗實現全面創新。若將生成式人工智能發展作爲企業戰略性工作負載，企業需要尋求新的供應商和合作夥伴支持生成式人工智能落地。

IDC數據顯示，全球85%的組織認爲，需要制定全新的供應商/合作伙伴戰略，在基礎設施、軟件、數據、雲等維度獲得不同的服務能力。

周震剛指出，鑑於生成式人工智能技術棧複雜、供應鏈漫長，爲企業提供低門檻的生成式人工智能應用開發平臺越來越重要。

通過平臺整合服務能力，企業可獲得模型構建和精排、應用開發與部署、數據管理等相關軟件及工具，以及資源統籌和調度管理等服務和先進的行業智能化解決方案，從而有效加速先進技術落地和商業價值實現。

趨勢三：面向人工智能場景構建先進數據基礎設施，並打造高質量數據集

生成式人工智能重塑了數據生命週期特徵，數據的生成、採集、存儲、處理和分析變得更加複雜。

IDC數據顯示，2024年全球產生的總數據量達到163ZB，2025年將增至201.6ZB，2028年將翻番至393.9ZB， 2023-2028年五年年複合增長率爲24.4%。

生成式人工智能還帶來了更多的混合內容生成和處理需求。目前，生成式人工智能生成的數據中，文本內容佔比超35%，到2028年，圖像和視頻類數據佔比將增加，超過75%的生成數據將均勻覆蓋文本、圖像和視頻三種類型，此外，還有接近18%的生成數據爲軟件代碼。

周震剛向記者表示，企業需要面向訓練和推理過程中的數據特徵，構建先進數據基礎設施，爲數據收集、預處理、寫入讀出、穩定訓練集、數據安全、推理結果使用等環節提供支撐，並根據數據量、訪問模式及成本效益決定採用雲存儲、本地存儲或混合存儲方案，發揮先進存儲介質和存儲架構優勢。

同時，伴隨數據逐漸成爲企業的核心資產和重要生產要素，企業需要提升數據質量和數量，從而優化企業決策和業務流程。

趨勢四：優化策略制定、關注技術創新，加速實現投資高效回報

深度學習和生成式人工智能模型的規模和複雜性增加，使得支持這些模型的基礎設施變得更加複雜、龐大且昂貴。

周震剛稱，爲避免給企業造成不必要的財務負擔，企業在投資人工智能基礎設施時，需要創建合適的投入產出比（ROI）模型，將投資回報率與生成式人工智能的應用案例和業務成果聯繫起來，通過加速應用部署，使高投資實現價值回報。

生成式人工智能帶來的成果既包括可通過KPI衡量的有形收益，如加速內容創作、提高客服效率和降低成本；也涵蓋無形價值， 比如提升員工體驗、加強客戶關係和忠誠度以及優化品牌營銷。

周震剛認爲，這些軟性收益雖然不易量化，但對企業的長期成功至關重要。企業可以利用技術評估、項目組合管理和企業整體戰略管理等方法，制定符合自身發展需求的生成式人工智能投資和應用策略。

趨勢五：能耗挑戰持續加劇，冷卻技術不斷創新

人工智能大模型技術的研發和應用帶來了更高的能耗需求。

2024年，人工智能數據中心IT能耗（含服務器、存儲系統和網絡）達到55.1太瓦時（TWh），2025年將增至77.7太瓦時，是2023年能耗量的兩倍，2027年將增長至146.2太瓦時，2022-2027年五年年複合增長率爲44.8%，五年間實現六倍增長。

大模型的訓練和優化作爲能源密集型任務，需要高密度機架的支持，而這些機架的能耗已超出傳統風冷的能力範圍，促使越來越多的數據中心轉向使用液冷技術。

IDC預測，到2028年，60%的數據中心將採用微電網、定製硅芯片、液體冷卻和加固結構等創新解決方案，以應對電力短缺和日益增長的可持續性要求。

此外，數據中心正積極探索從儲電能向儲大模型算力的跨越性轉變。這一轉型的核心策略，在於通過大幅增加和優化IT基礎設施，將原本靜態儲存的電能，轉化爲驅動大規模計算模型的動態算力。

周震剛表示，這些基礎設施的升級與擴容，不僅提升了數據中心的算力水平，更爲基於大模型的“智能蓄勢”提供了穩定、強大的計算支撐。通過這一轉變，智算數據中心不僅可以優化能源利用結構，減少能源浪費，更以就近、快速的方式，滿足現代計算對算力的迫切需求。