最近，DeepSeek的低成本训练方法引发了广泛讨论。一些人担心，这种技术突破可能会减少对GPU的需求，从而对GPU市场造成负面影响。

前百度高级科学家Junde Wu认为，事实可能恰恰相反。DeepSeek的创新不仅没有削弱GPU市场，反而为其带来了新的机遇。

误解一：低成本训练意味着GPU需求减少

有人认为，DeepSeek的低成本训练方法会让公司减少对GPU的依赖。然而，这种观点忽略了一个关键事实：DeepSeek-R1的训练方法是可扩展的。换句话说，增加更多的GPU仍然可以显著提升模型性能。DeepSeek实际上改进了扩展定律（Scaling Laws），使其重新发挥作用。
在DeepSeek之前，大型模型使用过程奖励模型（PRMs）时，往往会遇到收益递减的问题。扩展定律几乎失效，因为训练PRMs需要额外的GPU资源来支持推理监督。而DeepSeek通过优化训练方法，重新激活了扩展定律：投入的GPU越多，性能提升越显著。这对GPU市场来说无疑是一个好消息。

误解二：DeepSeek只关注推理，而非训练

另一个常见的误解是，DeepSeek主要关注推理（inference）而非训练（training）。实际上，DeepSeek-R1的核心正是训练——它采用了一种称为**后训练（post-training）**的方法，旨在提升模型的推理能力。这种训练方式在GPU需求上与预训练（pretraining）并无太大差异。

至于纯推理时的扩展/搜索（即模型尝试不同答案并选择最佳结果），目前并不常见，因为它会显著增加用户延迟。尽管DeepSeek发现PRMs在推理后训练中作用有限，但在测试时推理中可能有一定价值。然而，这种方法的成本效益比仍然较低，因此并未被广泛采用。

从长远来看，GPU市场和扩展定律的真正威胁并非来自模型本身，而是数据的枯竭。大型语言模型（LLMs）已经消耗了互联网上的大部分可用数据，未来获取更多高质量数据的难度将越来越大。最终，我们可能会面临一个尴尬的局面：拥有大量GPU，却无数据可训练。

DeepSeek的低成本训练方法不仅没有削弱GPU市场，反而通过改进扩展定律和优化训练流程，为GPU需求注入了新的动力。尽管数据枯竭可能成为未来的长期挑战，但在可预见的未来，GPU仍然是AI训练和推理的核心硬件。

DeepSeek的成功提醒我们，技术创新并非零和游戏。通过优化算法和硬件协同，我们可以实现更高效、更经济的AI训练，同时为整个行业创造新的机遇。对于GPU市场来说，这无疑是一个值得期待的未来。