Deepseek以多快好省为原则造出比肩o1的大模型，把中国通缩跨境传导到了美国，给只知道撒币堆器材解决问题的美国人一锤重击: 哦原来高科技可以不用高消费。这充分说明真IP是人的智力，不是硬件，除非不让学英语看不懂美国论文。昨天跌幅巨大，今早上各种大行pb的notes纷至沓来，说是昨晚没人接盘，加之本周还有四大厂业绩，更是没人敢造次接飞刀，毕竟这才开年一个月，业绩安全垫还没打足。至于美股的愈演愈烈的暴力美学，前面已经有不少文章分析过，平台和个股ETF都以扭曲的方式压低了波动率，让一旦波动来了就是淋漓尽致，十几个SD的事件早已不新鲜。(见
繁荣美股背后的另类力量
)
昨天慢屏飞的各种测评和研究，把这件事梳理得深入饱满，特别是把对硅谷的震动实时传导到了简中网。昨天美股盘前，缺芯概念股aka. gpu, asic, server不管fab,还是fabless一通暴跌，同时缺电概念股也是踩踏一片，从电机股到发电股到液冷股，开盘以后，跌幅更是搂不住。最后数据中心里打了八五折，数据中心外打了七折，不可谓不惨烈。这个跌法再一次让我们认识到基本面背后有因子，这些股票都是ai，都是三个月动能，都是crowding。管理组合光看行业不看因子是不行的，行业和个股基本面只是表面，内核里有多少是beta，有多少是idio(独立事件风险)不能不看。
其实美国基金对于nvda peaking还是早有准备的，去年下半年起把nv还放在前三的已经很少，除了个别长期投资者，AI时间的朋友，他们跨越周期来看问题。而0-2bn以内的基金，极少有敢拿着semi不当周期股的。
去年底到昨天暴跌前美国pm的一个consensus其实不是缺芯，而是缺电，一些人认为这是-长达十几年的long only主题。这里面有数据中心拉动的缺口，也有美国电力供给的结构性问题比如可再生间断性电力到了临界点，也有tmt新大哥coatue的ppt指路的影响。导致今年初什么GEV, 西门子，VST, TLN又是一阵发疯。但是由于缺电概念股里的买家非常多样，有非常熟悉基本面的能源基金在里面，和缺芯概念股里只有tmt不同，我估计有人兜底。
前阵在硅谷转了十天，见了十几个西岸的tmt基金，核心就是讨论大厂capex的payoff问题，尤其是26年的capex，因为英伟达的收入就是大厂的支出，卖军火的就指望客户焦虑恐惧。核心说法是虽然没有super app出现，大厂capex还是payoff的，自己省人力成本就是最大的ROI，总之是采购的gpu不租给客户就自己用，这在meta起码是完全算的过来账的。另外财富500刚开始用ai节省成本，这些都是外界不知道的细节。
美国就是两点: 人贵、钱多，只要能省点人工的创新就有很大价值，要不然那么多2b的应用让人眼花缭乱，都有生存空间，这和中国生态完全相反。中国的ai应用有个隐忧就是让人更没用了，而本来人就已经很便宜。刚说到没有super app，这不刚出现了么，就是deepseek，只是以大家意料之外的方式出现，这就很tech了。
关于25-26的算力需求，大多数人是把训练和推理分开来算，昨天一跌更是加深了大家对于算力泡沫破灭的恐慌，但是我听到相反的说法如下，简单说就是训练和推理相濡以沫，纠葛一生。AI从昨天开始有意思起来了，不是long only了。
“
不能把训练和推理分开来看。这是一个循环过程，这就是训练时计算的突破——应用强化学习和搜索，并将其递归地反馈到训练中。所以，尽管训练的规模很大，但随后还有训练后的处理和调整。这些工作负载的强度实际上与训练本身不相上下。然后你还有测试时的计算。这三者都是独立的扩展向量，都是极其计算密集的，并且彼此依赖。所以我认为这是一个错误的思维方式。我会更倾向于从工作负载的角度思考：是什么样的工作负载，计算强度有多大，工作负载的必要性又是什么。或者，真正来自底层的需求。
因为如果推理的过程开始变得像训练一样，那将对你所需的基础设施产生巨大的影响。在过去，人们会说，训练非常复杂，但对于推理，你可以用一个 AMD MI300 GPU，或者用内部的 ASIC。其实结果是，做强化学习和树搜索时和训练一样计算密集。
所以现在，推理就像是一个训练集群。你需要所有这些互联设备，以便能够在内存中保持搜索表，并能够递归地循环，将这些反馈到训练权重中。所以这些工作负载实际上开始合并。我不认为它们应该被看作是截然不同的，它们更像是一个完整的循环和生态系统的一部分。
当你进行测试时计算和推理时，你会生成所有这些合成数据，然后我们把它们反馈到训练中的模型里。实际上，这就是一个持续的递归循环。所以在 0,1 模型中，它不仅仅生成一个答案，它会生成 1000 个答案。每一个答案现在都是一个新的向量，你可以在其上进行搜索，并且你不只根据最终输出的答案来评估它，而是评估它的每个逻辑步骤，我们称之为“思考过程”。然后你应用奖励或损失函数，再次强调，这不是基于结果，而是基于每个逻辑步骤。然后我们将这些反馈直接到模型权重中，并重新运行这些模型。所以这是一个递归循环。
我们正在创建所有这些合成的数据，这些答案，然后评估哪个是正确的答案。所以它变成了几乎是一个典型的推理过程，它不涉及数据，你并没有向模型添加新的数据。你已经训练好了模型并与之互动，给出答案。而在测试时计算中，你是创建自己的数据，这些数据有一个飞轮反馈循环，回到训练过程中"。
结论是推理算力需求会超预期，Deepseek/开源模型的横空出世也许加速了这一过程。让我们拭目以待。
同时GEV这些缺电概念股退守到了ytd 0%附近，等于是从我们大年初一开始重新算，过个蛇年。
新年快乐，祝今年大家都经历试炼，得到更多认知，刚强壮胆，向上求索。
(AI外行，欢迎讨论指教)
