正文
初五大家都在迎财神了，这是咱们本年度的第一篇文章。咱也不说啥虚的东西，稍微展开讲下未来可能的机会和方向。
前段时间我们在《
是泡沫也是机会
》里面也曾经说过，可能未来十年唯一能看到的增量方向，可能也就是人工智能了。
不过在那个时候，人工智能领域要想在应用端加速落地还有个阻碍，就是使用成本实在是太高了。
因为要完成复杂的问题推理和大模型搭建，就需要不断的投资堆算卡和算力，这些都需要折算到单次使用费用中来。
其实任何产品和应用在市面上普及，都要考虑一个成本问题，只有成本够低经济效益足够强的时候，才会大面积铺开应用。
很简单的例子就是，如果生产线上用机器人比人贵，那么机器人就不可能在生产线普及，
因为这样的话还不如多雇个人。
但是在这个春节假期前后，在人工智能领域一个里程碑式的变化出现了。
DeepSeek优化算法之后，可以用更少的卡和算力，训练出和很多大厂效果差不多，甚至某些方面表现更好的模型。
这个算法优化以后出现的成本大幅降低，可能不仅仅是节约成本这么简单，甚至有可能是一种improvement of scaling law。
因为这样的改进出现以后，意味着使用这种优化方法之后，同等算力的情况下能大幅提升模型的表现。
如果往上堆更多的卡，就有可能把模型能力再往上提升一个数量级，甚至达到AGI或者ASI的水平
所以我们看到，现在很多公司都改变了原来的思路，转向采用DeepSeek的思路。
后面调试完成之后，市面上所有的大模型能力提升一个量级的情况，应该也很快就会发生。
这个事情真的让人很激动，甚至可以说是人工智能发展过程中里程碑一样的事件。
假期我们查了很多关于目前人工智能进展的数据，也看了很多各种各样的分析，这里也讲讲自己的感受。
说起来人工智能这个领域的研究，并不是现在才开始的事情，十多年之前硅谷那边就开始搞人工智能研究了。
真正有点突破，是2012年AlexNet出现图像识别精度带来的冲击，这时候人工智能开始进入到一个新的时代。
那时候的
AlexNet错误率远低于当时其他模型，引起了研究人员的极大兴趣，从而复苏了沉睡几十年的神经网络研究
后来到了2016年的时候，谷歌搞的AlphaGo开始下围棋了，这应该算是人工智能真正进入到1.0时代。
之所以说人工智能进入到1.0阶段，是因为这个阶段图像和视频的识别技术，也有了比较大的突破。
这个阶段硅谷很多人觉得，未来这是个很大的方向，于是后面很长时间整个硅谷都把资源和精力投入到这个方向上。
不过虽然大家在上面投了很多资源和钱，但是并没有获得什么实质性的收获，开发出来的
产品甚至有点一言难尽。
因为这个阶段的人工智能产品我自己也接触过，老实说接触下来的感觉有点像人工智障的感觉。
除了某些细分领域之外，可能大多数领域基本没法用，后面很长一段时间，也就没再太多关注人工智能这个方向了。
有时候想想技术创新这东西很像是探险或者探路，既然是探险或者探路里面就有很多未知的东西，中间也会存在各种风险。
比如说哥伦布时代有人说大洋对岸有新大陆，你要花大量的时间金钱冒着风险去探险吧
但是没人知道新大陆在哪里，然后就是一帮人凭着信念冲进去，不停的投资源投钱找方向
可能你砸了很多钱和资源进去，中间甚至还可能迷路染病，丢盔卸甲死了不少人。
最后却发现折腾半天并没有啥收获，钱白花了资源也白投了，这在探险里面是常见的事情，同样在技术创新里是很常见的。
下一个转折点发生在2017年前后，谷歌做了个叫transform的语言模型，不过这个语言模型的主要方向是做翻译。
这个模型做完之后，谷歌自己也没有深入往下搞。因为翻译这个市场大家都感觉太小了，根本没办法和图形视频识别比。
所以市面上主流的大厂，还是把钱和资源都往视频和图形方向投，基本没啥人关注这个语言模型的方向。
这时候OpenAI在市面上出现了，这个公司几个创始人觉得语言方向是有搞头的。
毕竟从古到今人类文明和智慧，基本都是靠语言和文字来传承的，图像和视频也就最近几十年的东西。
现在回头看，往这个方向努力确实是对的。最后也真的让他们搞出来了，所以才有了2022年11月的ChatGPT的发布。
在这之后大家都发现这是一条阳光大道，所有资源都开始往这个方向集中堆了。
每家都在各种融资烧钱加大模型和数据的投入，想通过堆资源和算卡的方式继续提升模型的能力。
不过这么投了一段时间以后，发觉钱和资源烧了不少，但是模型的能力提高又进入瓶颈了。
这个阶段OpenAI做了第二个方向性的尝试，就是在模型不是很大的情况下，开始了推理的学习。
通过不断优化推理能力，对模型和数据持续进行训练，就可以让模型的能力出现成百上千倍的提高。
这等于说OpenAI又发现了一个训练大模型的新路径，在2024年9月24日它的o1 model发布，讲的就是在复杂推理方向的叙事。
这个阶段矛盾的店在于：虽然
OpenAI找到了推理这个方向，但是单次使用的成本还是太高了。
之后就是人工智能突破性发展的第三个标志性事件出现了，DeepSeek通过优化算法大幅降低了推理的成本。
算法优化以后，成本降低到原来的百分之几，差不多降低了两个数量级的水平。
当然了DeepSeek往这个方向努力，某种程度上也是因为我们算卡这块受到了限制，所以整体算力和那几家巨头差距是比较大的。
也就是因为这个原因，所以需要找到更便宜更省力的方法，来完成模型推理方向的训练，他们也确实做到了。
在模型单位使用成本降低这么多之后，带来的影响和变化是非常巨大的。
成本限制的天花板打开之后，后续会大大加速后续应用端的落地速度，人工智能的新时代就要来了。
只不过现在的算法优化，更多的是在在相同规模下提升效率，而不是直接扩展能力边界。
优化算法以后确实可以用更少的数据达到更好的效果，但可能没办法带来的模型能力的数量级提升，比如达到从GPT-4到GPT-5的跨越。
原因是当前模型的复杂推理等能力，依然是高度依赖模型规模和数据多样性的持续扩展的。
但是算法优化这个操作，更多是“在相同规模下提升效率，而不是直接扩展能力边界“。
这么讲可能有点复杂，不太容易看得懂。简单说就是算卡或说算力还是越多越好，这东西和大模型能力直接相关。
现在算法优化找到了省钱的思路，scaling law规律得到改进，但并没有完全颠覆。
后面这些人工智能的头部玩家们，很快也都会意识到这一点，然后加大算卡算力的投入。
那时候大家很快都又要重新拼卡拼参数了，可能和之前的
差异
是不单单只是傻傻的拼卡拼参数了。
另外伴随着DeepSeek对推理能力的优化和效率的提升，未来有几个变化也会逐步浮出水面。
首先是人工智能领域对芯片和算力的需求，未来会随着模型效率的提升持续不断的增长。
之前很多人觉得说，算法优化以后效率提升了两个数量级，差不多就是提升100倍的样子。
在这种情况下，大家都会思考未来算卡或者说算力芯片是不是不需要这么多了。
美国资本市场这段时间，英伟达这种算力公司带动市场出现大跌也是这个原因。
其实这是非常静态的思考方式，这个事情可以用19世纪蒸汽机改进之后，效率出现大幅提升的情况来解释。
当时很多人会觉得，英国蒸汽机效率大幅改进之后，煤炭的消耗是不是会大幅度降低，但结果是煤炭的消耗出现了大幅提升。
原因是早年蒸汽机效率没这么高的时候，由于蒸汽机使用成本太高，好多场景都没办法使用。
但是随着蒸汽机效率提高，蒸汽机的使用成本提高，越来越多的场景开始大规模应用蒸汽机，这反而提高了煤炭的整体消耗。·
举个例子说，假如一台蒸汽机一天要用10吨煤工作，那么这时候只有每天产生效益大于10吨煤成本的地方才能使用蒸汽机提高效率。
假如有个工程师把蒸汽机效率提升了100倍，变成每天只需要用100公斤煤就可以了。
效率大幅提高成本大幅降低以后，你会发现越来越多的场景，可以使用燃煤蒸汽机。
比如你可以用蒸汽机开火车了，可以用蒸汽机做磨坊了，还可以用蒸汽机抽水了。
使用的场景越来越多，你会发现蒸汽机的数量也越来越多，可能从过去的100台变成了十万台甚至上百万台。
每台每天消耗100公斤煤炭的话，你会发现随着蒸汽机数量越来越多，煤炭的整体消耗量也在不断提升。
所以很多东西站在静态的角度是得不出有效结论的，如果从动态角度思考的话你会发现未来的变化会很大。
其次类似蒸汽机效率的提升，DeepSeek效率提升对整个AI领域应用加速落地的影响，我们认为是非常大的。
从AI应用落地的角度讲，DeepSeek带来的效率大幅提升，意味着AI应用落地的成本越来越低了。
过去很长时间，AI应用落地有个很大的阻碍，就是折算到单次使用成本确实是太贵了。
原因是你问AI一个问题，它需要用电力算力来算答案，这背后的电力算力消耗和算卡投资都是成本。
所以我们看到OpenAI推出过200一个月的版本，虽然很多人觉得这个版本已经挺贵了，但是它还是亏钱的。
原因是搜索和推理两种不同的运行方式，本身的成本和资源消耗差异是很大的。
你要搜一个东西它很快就能搜出来，瞬间就能给你对应的回答，但你要用到逻辑推理的话是完全不同的。
比如说你要搜挪威首都是哪里，瞬间AI就可以给你个准确的答案出来，因为这时候AI只需要简单的搜索和收集信息。
但是你如果问他一个比较复杂的问题，比如说你要去挪威旅游，需要AI帮你安排行程。
比如订哪些你喜欢的旅馆，机票有什么选择，需要在哪里转机，这类复杂问题消耗的算力，是简单问题的几千上万倍。
这时候AI除了收集信息还需要推理分析，这块需要耗费的算力和资源规模是巨大的。
从经济性角度考虑，如果一件事情AI帮你做，你需要花几千块成本的话，那么你可以就要想想，这个事情是不是自己做更合算。
但如果只需要花五十或者一百块就能做这件事，很多人可能想都不用想就让AI去做了。
所以伴随着DeepSeek算法优化带来的效率提升，我们会发现模型使用价格的大幅下滑，会使得AI的应用面越来越广。
这里我们也可以得出个结论：DeepSeek带来的效率是AI领域一个里程碑式的事件，就像蒸汽机发明以后效率提升之后的情况一样。
一方面就像蒸汽机效率提升之后，对蒸汽机和煤炭会出现很大程度上的需求提升一样。
AI领域的算法和效率提升，带来的应用端价格下行，会使得未来对芯片和算力的需求进一步提升。
应用端价格下行，又会进一步推动AI应用的快速落地，让AI应用拓展和渗透到我们生活的方方面面。
其实关于人工智能这个东西，我们在两三年前在《
一个重要方向
》和《
终于熬出头了
》里面都聊过。
现在回头看的话，最近两年人工智能发展的速度，甚至比之前我们预期的还要快一点。
最近一次我们聊起来人工智能这东西，是在几个月前的《
是泡沫也是机会
》里面。
当时我们提出一个观点，我们认为这次AI的浪潮非常大，甚至可能是未来十年甚至二十年，唯一肉眼可见的增量机会了。
