这篇播客聊的是中国AI公司DeepSeek发布的新模型R1，它性能跟OpenAI的O3 Mini差不多，但成本低很多、还开源了，这让英伟达股价一天跌了17%。嘉宾认为，这反而会刺激更多人用AI，长期看对英伟达是好事，因为它家的GPU需求会更大。他们重点提了：英伟达（股价大跌但长期被看好）、台积电（全球90%先进芯片靠它，地缘风险被低估）、OpenAI（成本太高，面临压力）。
Dylan Patel（SemiAnalysis创始人）与Nathan Lambert（Allen Institute for AI研究员）在Lex Fridman播客中深入探讨了DeepSeek引发的AI行业震荡。核心观点：DeepSeek R1在基准测试中性能与OpenAI O3 Mini相当，但成本更低、开源权重且展示完整思维链（O3 Mini仅显示摘要），而O3 Mini High在主观体验上略优。重要结论：DeepSeek事件是技术史上的转折点，凸显中美AI竞争加剧，但美国模型（如Claude Sonnet 3.5在编程领域仍具优势）与NVIDIA、TSMC等硬件供应链将继续推动成本
Dylan Patel（SemiAnalysis创始人）与Nathan Lambert（Allen Institute for AI研究员）在Lex Fridman播客中深入剖析DeepSeek引发的AI行业震荡。核心判断：DeepSeek R1在基准测试中性能与OpenAI O3 Mini相当，但成本更低、开源权重且展示完整思维链（O3 Mini仅显示摘要），而O3 Mini High在主观体验上略优——这是技术史上的转折点，凸显中美AI竞争加剧，但美国模型（如Claude Sonnet 3.5在编程领域仍具优势）与NVIDIA、TSMC等硬件供应链将继续推动成本曲线下移。
Dylan Patel认为DeepSeek R1的发布是AI行业的“斯普特尼克时刻”，其意义远超技术本身。
历史脉络：DeepSeek V3于2024年12月26日发布，当时市场反应平淡。但2025年1月20日R1发布后，引发全球关注。Patel指出：“DeepSeek V3发布时，市场几乎没反应，但R1发布后，NVIDIA股价单日下跌17%——这是市场在重新定价AI竞争格局。”
机制拆解：R1的核心创新在于混合专家模型（MoE）架构与强化学习训练方法。Patel解释：“DeepSeek用MoE架构，每次推理只激活370亿参数（总参数6710亿），这大幅降低了推理成本。而R1的训练方法——用强化学习让模型学会‘思考’——是OpenAI O1论文中描述的方法，但DeepSeek将其开源了。”
数据链：R1的训练成本约560万美元（仅计算GPU算力成本），而OpenAI训练GPT-4的成本估计在1亿至10亿美元之间。推理成本方面，R1每百万token输出成本约2.19美元，而OpenAI O1 Mini约4.40美元，O1约60美元。
Nathan Lambert补充：“R1展示了完整的思维链（Chain of Thought），而OpenAI O3 Mini只显示摘要。这意味着开发者可以完全理解模型的推理过程，这对调试和微调至关重要。”
证伪条件：如果未来OpenAI发布O3完整版，在基准测试中大幅领先R1（如超越20%以上），且成本差距缩小，则R1的“转折点”叙事将被削弱。
Dylan Patel认为，DeepSeek事件暴露了美国AI公司的成本结构问题，但硬件供应链优势仍在美国手中。
成本对比：Patel给出具体数据：“DeepSeek用2000块H800 GPU训练了R1，而OpenAI用数万块H100。如果美国公司能用同样效率，成本可降低10-100倍。但问题在于，美国公司目前更关注模型性能而非成本效率。”
硬件供应链：Patel强调：“NVIDIA的B100/B200 GPU将在2025年下半年量产，性能是H100的2-3倍。TSMC的3nm工艺（N3）已量产，而中国最先进的工艺是SMIC的7nm（N+2），差距约3-4代。这意味着美国在硬件上仍有2-3年领先优势。”
Nathan Lambert指出：“中国在应用层面可能更快。DeepSeek的API价格仅为OpenAI的1/10，这会让更多中国开发者使用AI，加速应用生态发展。”
分歧点：Patel认为硬件差距是关键，Lambert则认为应用生态更重要。两人都同意：中美AI竞争不是零和游戏，而是两条不同路径的竞赛。
Dylan Patel分析，DeepSeek事件不会减少算力需求，反而会加速推理计算需求增长。
机制拆解：Patel提出“杰文斯悖论（Jevons Paradox）在AI领域的应用”：“当计算成本下降时，使用量会大幅增加，最终总计算需求反而上升。DeepSeek降低了推理成本，这会刺激更多应用场景，从而增加对GPU的总需求。”
数据链：Patel给出预测：“2025年，NVIDIA的H100/B100出货量将达400-500万块，而2024年约200万块。xAI的Colossus集群已部署10万块H100，计划扩展到20万块。Stargate项目（微软与OpenAI合作）将建设100万块GPU的超级集群，投资额超1000亿美元。”
Nathan Lambert补充：“xAI的Grok模型在编程任务上表现优异，但Grok 2.0的推理成本是DeepSeek R1的5-10倍。如果xAI能优化成本，其竞争力将大幅提升。”
证伪条件：如果2025年下半年NVIDIA的B100出货量低于预期（如低于200万块），或Stargate项目延期，则算力需求增长叙事将被削弱。
Dylan Patel认为，TSMC是AI供应链中最关键的节点，其地缘政治风险被市场低估。
历史脉络：Patel回顾：“2022年佩洛西访台后，中国军演导致全球芯片供应链紧张。2023年，美国通过《芯片法案》补贴本土制造，但TSMC在亚利桑那州的工厂已延期至2025年量产。”
机制拆解：Patel解释：“全球90%以上的先进芯片（7nm以下）由TSMC生产。NVIDIA、AMD、Apple、Qualcomm都依赖TSMC。如果台海冲突爆发，全球AI芯片供应将中断6-12个月。”
数据链：TSMC 2024年资本支出约320亿美元，其中70%用于3nm/5nm工艺。2025年计划将3nm产能提升至每月10万片晶圆（2024年约5万片）。Patel指出：“TSMC的3nm良率已超过80%，而Intel的18A工艺良率仅约50%。”
Nathan Lambert补充：“地缘政治风险是投资者必须考虑的尾部风险。但短期内，TSMC的垄断地位不会改变，因为三星和Intel在先进工艺上仍有差距。”
证伪条件：如果Intel 18A工艺在2025年实现量产且良率超过70%，或三星3nm GAA工艺获得NVIDIA订单，则TSMC的垄断地位将被削弱。
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| NVIDIA | 看好（长期需求增长） | 2025年H100/B100出货量预计400-500万块；股价因DeepSeek单日下跌17% |
| TSMC | 看好（垄断地位） | 2024年资本支出320亿美元；3nm良率>80%；全球90%以上先进芯片由其生产 |
| OpenAI | 风险提示（成本结构问题） | O3 Mini推理成本是DeepSeek R1的2倍；O1推理成本是R1的27倍 |
| DeepSeek | 看好（成本效率） | R1训练成本560万美元；API价格是OpenAI的1/10 |
| xAI | 中性（需优化成本） | Colossus集群10万块H100；Grok 2.0推理成本是R1的5-10倍 |
| Microsoft | 看好（Stargate项目） | Stargate投资超1000亿美元；计划建设100万块GPU集群 |
| Intel | 风险提示（技术落后） | 18A工艺良率约50%；与TSMC差距2-3年 |
1. Dylan Patel：“DeepSeek R1是AI行业的‘斯普特尼克时刻’”——R1在基准测试中与O3 Mini相当，但成本低2倍、开源权重、展示完整思维链，迫使美国公司重新思考成本效率。
2. Nathan Lambert：“DeepSeek的API价格仅为OpenAI的1/10，这会加速中国AI应用生态发展”——成本优势将刺激更多开发者和企业使用AI，形成网络效应。
3. Dylan Patel：“杰文斯悖论在AI领域成立——计算成本下降会刺激使用量增长，最终总计算需求上升”——DeepSeek降低推理成本，反而会增加对NVIDIA GPU的总需求。
4. Dylan Patel：“TSMC是AI供应链中最关键的节点，地缘政治风险被市场低估”——全球90%以上先进芯片由TSMC生产，台海冲突将导致AI芯片供应中断6-12个月。
5. Nathan Lambert：“O3 Mini High在主观体验上优于R1，但差距在缩小”——在创意写作、复杂推理等任务上，OpenAI仍领先，但DeepSeek的追赶速度超出预期。
6. Dylan Patel：“美国在硬件供应链上仍有2-3年领先优势”——NVIDIA B100/B200性能是H100的2-3倍，TSMC 3nm已量产，而中国最先进工艺是SMIC的7nm。
7. Nathan Lambert：“中美AI竞争不是零和游戏，而是两条不同路径的竞赛”——美国在基础研究和硬件上领先，中国在应用和成本效率上追赶，双方各有优势。
8. Dylan Patel：“Stargate项目投资超1000亿美元，将建设100万块GPU集群——这是人类历史上最大的计算基础设施投资”——微软与OpenAI的合作将重新定义AI算力规模，但项目延期风险存在。
DeepSeek R1 的 API 定价为每百万输出 token 约 2 美元，而 OpenAI o1 为 60 美元，差距达 27 倍。这一差距由多个因素叠加形成：
| 因素 | 影响倍数 | 说明 |
|---|---|---|
| OpenAI 的利润率 | 4-5x | OpenAI 推理毛利率超 75%，定价含高额利润 |
| 模型架构效率 | 5-7x | MLA + MOE 架构显著降低内存与计算需求 |
| 基础设施规模 | 受限 | DeepSeek 缺乏足够 GPU 容量，实际无法大规模服务 |
DeepSeek 的 Multi-Head Latent Attention (MLA) 是核心创新：
尽管模型效率极高，DeepSeek 的实际服务能力严重受限：
美国出口管制围绕三个技术维度：
| 维度 | 初始限制 | 当前限制 | H20 规格 |
|---|---|---|---|
| 浮点运算 (FLOPS) | 是 | 是 | H100 的 1/3（理论） |
| 互联带宽 | 是 | 否 | 与 H100 相同 |
| 内存带宽/容量 | 否 | 否 | 优于 H100 |
H20 在推理任务上可能优于 H100：
| 渠道 | 规模估计 | 现状 |
|---|---|---|
| 合法 H20 销售 | ~100 万颗/年 | 已取消订单 |
| 小型走私（个人携带） | 20-30 万颗/年 | 持续存在 |
| 云租赁（如 Oracle→字节跳动） | 数十万颗 | 被 AI Diffusion Rules 限制 |
| 大规模商业走私 | 受限 | 10 亿美元以上规模难以隐藏 |
| 阶段 | 2022-2023 | 2024-2025 |
|---|---|---|
| 预训练 | 主导（>90% 计算量） | 仍重要但占比下降 |
| 后训练（RL） | 微不足道 | 快速增长，可能超过预训练 |
| 推理（test-time compute） | 少量 | 大幅增长（reasoning 模型） |
DeepSeek R1 的关键突破：
| 领域 | 可验证性 | 当前进展 | 预计突破时间 |
|---|---|---|---|
| 数学 | 高 | 接近饱和 | 已接近 |
| 编程 | 高 | 快速提升 | 1-2 年 |
| 网页操作 | 中高 | 早期 | 2-3 年 |
| 机器人 | 中 | 实验室阶段 | 3-5 年 |
| 模型 | 权重 | 训练数据 | 训练代码 | 许可证 |
|---|---|---|---|---|
| DeepSeek R1 | ✅ | ❌ | ❌ | MIT（最宽松） |
| Llama 3 | ✅ | ❌ | ❌ | Llama 许可证（有使用限制） |
| OLMo (AI2) | ✅ | ✅ | ✅ | Apache 2.0 |
与开源软件不同，开源 AI 缺乏有效的社区贡献反馈循环：
Dario Amodei 的论点：
| 目标 | 效果 | 局限性 |
|---|---|---|
| 阻止前沿模型训练 | 部分成功 | DeepSeek 证明可用受限硬件训练前沿模型 |
| 限制推理部署 | 更有效 | 大规模推理需要更多 GPU，更难隐藏 |
| 维持技术代差 | 短期有效 | 长期可能刺激中国自主研发 |
| 公司 | GPU 数量 | 功率 | 地点 |
|---|---|---|---|
| xAI | 200,000 | ~280 MW | 孟菲斯 |
| Meta | 128,000 | ~180 MW | 多地 |
| OpenAI/Microsoft | 100,000 | ~140 MW | 亚利桑那 |
| Google (TPU) | 跨站点 | 更大但分散 | 爱荷华/内布拉斯加 |
| 指标 | 数据 |
|---|---|
| 宣称投资 | 5000 亿美元 |
| 第一阶段实际 | 1000 亿美元（TCO） |
| 第一阶段 Capex | 约 500 亿美元 |
| 功率 | 2.2 GW（输入）/ 1.8 GW（芯片） |
| 资金现状 | 仅 Oracle 已投入约 60 亿美元 |
"对于成功的科技，现实必须优先于公关，因为大自然不会被愚弄。"
— Richard Feynman