【郭明錤定调】DeepSeek加速生成式AI迈入新阶段，算力成长新动能与应用多元化

DeepSeek-R1发布后，有以下两个重要的AI产业新趋势值得关注。就算没有DeepSeek-R1，这两个趋势终将显著浮现，但DeepSeek-R1的出现，加速了趋势发生。

1. Scaling law边际效益放缓时，AI算力仍可透过优化训练方式持续成长并有利挖掘新应用。

2. API/Token价格显著下滑，有利AI软体/服务与装置AI，加速AI应用多元化。

趋势一：Scaling law边际效益放缓时，AI算力仍可透过优化训练方式持续成长并有利挖掘新应用

1. 过去1-2年，投资人对AI伺服器供应链的投资逻辑主要基于AI伺服器出货量在Scaling law成立下可持续成长。然而，Scaling law的边际效益正逐渐递减，这让市场更加关注DeepSeek透过Scaling law以外的方式显著提升模型效益。

2. 最常被引用之一的Chinchilla之Scaling law指出，AI模型性能由模型参数量 (N)、训练资料量 (D) 与运算能力 (C) 三者决定，最理想的情境是N、D与C同时增加。

3. Scaling law对提升模型性能边际效益放缓原因：1) 人类创作的文本资料 (D) 几乎已耗尽、2) 在运算能力 (C) 没有大幅提升与训练资料量 (D) 耗尽下，仅提升模型参数量 (N) 无助于模型效能、与 3) 运算能力 (C) 短期不易显著提升 (原因如Blackwell系统尚未量产、电力供应限制等)。

4. 从产业研究角度，DeepSeek-R1值得关注之处是该LLM透过优化训练方式而非Scaling law显著提升模型效益，这可由检视与测试其开源成果验证。

5. Scaling Law 的边际效益终有递减时，此时透过优化训练方式来提升模型效益，有利持续提升AI基础建设的算力并挖掘新应用。对AI产业的长期发展而言，两者缺一不可。

趋势二：API/Token价格显著下滑，有利AI软体/服务与装置AI，加速AI应用多元化

1. 目前从生成式AI趋势中获利的方式，主要还是卖铲子与降低成本，而非创造新业务或提升既有业务附加价值。

2. DeepSeek-R1采取激进的定价策略，可免费使用且API/token定价最低者不到OpenAI-o1的1/100，此竞争压力可能将带动AI使用成本下滑。AI产业在中国市场竞争激烈，预期将见到其他中国厂商推出跑分优异的LLM且定价更为激进者。

3. 近期AI供应链相关股票大幅修正，主因是投资人调整因Scaling law边际效益放缓对AI伺服器出货的负面影响，而非担忧LLM服务供应商与CSP能否透过AI获利，这是因为大部分投资人仍愿意耐心等待获利发生。

4. AI软体/服务与装置端AI的成本，因API/Token价格下滑与训练方法优化而降低，这有助于增加AI算力需求，并可降低投资人对AI投资能否获利的疑虑。

5. AI用量肯定会因为价格下滑而提升，但提升程度能否抵销下滑幅度仍需观察。此外，AI用量提升有助创造可获利的商业模式，但这也并非绝对。不过，在投资人普遍仍愿意耐心等待获利出现时，上述顾虑目前可忽略。

结论：

1. Scaling law是经验法则，合理降低预期并理性看待反而有利长期投资趋势。晶片升级 (C)、改善电力供应限制 (C)与训练导入更多多模态资料 (D) 等，都有利未来再加速Scaling law边际效益。

2. 只有大量部署者才会遇到Scaling law边际效应放缓，这也再度验证Nvidia的领先地位。等到Nvidia方案的Scaling law边际效益再度加速时，预期届时优势将更为显著 (vs. ASIC & AMD)。

3. 近期GB200 NVL72量产不顺，故此时调整Scaling law与AI伺服器出货预期不是坏事。此次股价修正后，后续更有利反应GB300/Rubin利多。

4. 一线CSP不会只因为有更好的训练方式而砍资本支出，因为两者不冲突。此时若放缓资本支出，等到Scaling law边际效益再度加速时，就会落后竞争对手。

5. 开放社群资源与中国竞争激烈环境，预期将见到其他中国厂商推出跑分优异的LLM且定价更为激进。届时若LLM服务供应商还没开始稳定获利，获利压力将进一步承压。

6. 受益于API/Token价格显著下滑，AI软体/服务与装置端AI将吸引更多投资人关注。而能否成为新的长期投资趋势，取决于能否创造可获利的商业模式。

7. Nvidia仍是未来Scaling law边际效益再次加速的赢家，但需关注短期GB200 NVL72量产问题与中长期美国的半导体出口禁令是否有变。