DeepSeek带崩全球股市，原因何在？

前几天，美股人工智能概念股全线下跌，并且深跌。

原因何在呢？当然坊间大多归因于DeepSeek这一款人工智能大模型的横空出世，这款大模型打开了人工智能发展的新方向，那就是不再是依赖算力的堆积，而是有了新的创新方向——算法创新。

这个问题，我在近一年前写了一篇文章，预测了这一现象：

《 奥特曼，想要大力出奇迹，可惜这回他错了 》

大模型，只不过是走出了AI产业的一种发展路径，这一种路径在当下的水平下是正确的，但是否以后就一直是正确的，是否以后就是完全依赖大规模的算力作为基础，我认为，这倒是不一定的。

如果企业竞争这么简单，那岂不是谁有钞能力，谁能融到资，谁能买到最多算力，谁就一定成功？产业的发展路径显然不是如此，我不是这个领域的专业人士，但经济学理论和商业经验都告诉我，世界还有很多路。

资本不会无限制地流向一个领域，而是会根据投资回报率、风险等因素进行选择。

在人工智能领域，过分依赖算力并不是长久之计，商业模式、技术创新、市场需求等方面的考量同样重要。

在经济学上，这叫边际报酬律递减。也即，算力的堆砌，总有一天会来到一个边际报酬率很低的程度。

但什么时候会来，不知道，这需要企业家来判断，但迟早会来。

假设你经营一家手工皮具作坊，只有1台缝纫机和1名匠人。这时出现一个关键问题： 如何配置有限的生产要素才能获得最佳效果？

增加劳动力

• 当你有1名匠人时，每天能做5个钱包

• 增加到2名匠人，共同使用1台机器，交替作业，日产量升至9个

• 增加到3名匠人，机器使用开始冲突，日产量12个

• 继续增加到4人，机器超负荷运转频繁故障，日产量反降至10个

这里呈现的正是 边际报酬递减 ：每新增1名工人带来的产量增加逐步减少，甚至转为负值。

奥派经济学家门格尔指出，这是因为 生产要素之间存在特定组合比例 ，当某种要素（这里指机器）成为瓶颈时，盲目追加其他要素（劳动力）反而破坏整体产量。

进一步进行理论分析则是：

1. 要素异质性 ：每台机器、每个工人的技能都有差异，不是可以无限分割的"标准件"

2. 时间结构 ：生产需要各环节协调，某个环节的阻塞会产生连锁反应

3. 企业家判断 ：优秀的生产者会及时察觉边际变化，调整要素组合

最为常见用来解释边际报酬率递减的案例是农业生产。

假设你有1亩农田种植西红柿：

• 初始投入 ：1个农民+基础农具，年产1000公斤

• 追加化肥 ：

• 第1袋化肥增产300公斤 → 总产1300公斤

• 第2袋化肥增产200公斤 → 总产1500公斤

• 第3袋化肥增产50公斤 → 总产1550公斤

• 第4袋化肥导致土壤板结，减产100公斤 → 总产1450公斤

这个过程中，每新增1袋化肥的 边际产量 从300公斤一路下降到负数。

但发现报酬递减，是需要逐步试错才能发现。

那大堆模推积算力的这个路径就此终结了吗？不一定。

用更少的算力达成了更佳的效果，但当然会引发全球人工智能企业研究DEEPSEEK的方法，大家都会去寻找一条全新的路径，因为，这将节约大模型的最为主要的投入与成本。

但算法优化，一样存在报酬递减率。