DeepSeek崛起，人工智能算力呈现出五大发展趋势

21世纪经济报道记者白杨 北京报道

在ChatGPT掀起全球AI狂欢两年后，大模型赛道迎来一位现象级选手——DeepSeek以黑马姿态闯入公众视野。

高性能、低成本，并且完全开源，DeepSeek成为了搅动市场的“鲶鱼”。毫无疑问，DeepSeek的开源，将推动AI应用生态的繁荣，这也大大加快了整个AI大模型的发展进程。

根据IDC和浪潮信息联合发布的《2025年中国人工智能计算力发展评估报告》（简称“报告”），85%的企业认为生成式人工智能将与ERP、电子商务一样，成为企业重要的新型工作负载。

IDC数据显示，目前全球超过70%的组织已经开始对生成式人工智能技术进行投资或处于初步测试阶段，已经有17%的组织将生成式人工智能应用和服务引入生产环节。

而2025年，全球企业生成式人工智能支出预计将达到691亿美元，2028年超过2022亿美元，2023-2028年五年年复合增长率为59.2%。

伴随大模型技术的持续发展和生成式AI新兴应用场景不断涌现，报告指出，全球人工智能算力发展正呈现出五大发展趋势。

趋势一：规模法则（Scaling law）在当前人工智能发展中仍然占主导地位

规模法则（Scaling law）目前正在从预训练扩展到后训练和推理阶段。基于强化学习、思维链等算法创新在后训练和推理阶段更多的算力投入，可以进一步大幅提升大模型的深度思考能力。

同时，基于杰文斯悖论的现象表明，DeepSeek带来的算法效率的提升并未抑制算力需求，反而因更多的用户和场景的加入，推动大模型普及与应用落地，重构产业创新范式，带动数据中心、边缘及端侧算力建设。（注：杰文斯悖论为一经济学理论。其主张当技术进步提高了使用资源的效率，但成本降低导致需求增加，令资源消耗的速度不减反增）

针对DeepSeek，IDC中国副总裁周震刚向21世纪经济报道记者表示，其将通过技术普惠化、场景纵深化和算力泛在化三重路径，推动大模型的普及与应用落地，驱动算力需求增长。

周震刚称，在技术普惠化方面，DeepSeek的核心技术不仅显著提升了模型性能，还大幅降低了算力消耗，为用户参与大模型应用生态创造了条件；在场景纵深化方面，得益于其强大的模型能力，DeepSeek在金融、医疗、汽车、电信等多个行业逐步落地，重构了产业模式。

而在算力泛在化方面，DeepSeek通过其先进的算法优化和高效的模型性能，促进了人工智能技术在C端和B端用户中更广泛的应用，显著拉动了人工智能算力在数据中心、端侧及边缘侧的发展。

IDC数据显示，2024年全球人工智能服务器市场规模预计为1251亿美元，2025年将增至1587亿美元，2028年有望达到2227亿美元，其中生成式人工智能服务器占比将从2025年的29.6%提升至2028年的37.7%。

趋势二：企业更加重视发挥平台价值，构建互联的生态体系

生成式人工智能代表了一种全新的技术范式，这种范式要求企业从硬件到软件、从开发工具到用户体验实现全面创新。若将生成式人工智能发展作为企业战略性工作负载，企业需要寻求新的供应商和合作伙伴支持生成式人工智能落地。

IDC数据显示，全球85%的组织认为，需要制定全新的供应商/合作伙伴战略，在基础设施、软件、数据、云等维度获得不同的服务能力。

周震刚指出，鉴于生成式人工智能技术栈复杂、供应链漫长，为企业提供低门槛的生成式人工智能应用开发平台越来越重要。

通过平台整合服务能力，企业可获得模型构建和精排、应用开发与部署、数据管理等相关软件及工具，以及资源统筹和调度管理等服务和先进的行业智能化解决方案，从而有效加速先进技术落地和商业价值实现。

趋势三：面向人工智能场景构建先进数据基础设施，并打造高质量数据集

生成式人工智能重塑了数据生命周期特征，数据的生成、采集、存储、处理和分析变得更加复杂。

IDC数据显示，2024年全球产生的总数据量达到163ZB，2025年将增至201.6ZB，2028年将翻番至393.9ZB， 2023-2028年五年年复合增长率为24.4%。

生成式人工智能还带来了更多的混合内容生成和处理需求。目前，生成式人工智能生成的数据中，文本内容占比超35%，到2028年，图像和视频类数据占比将增加，超过75%的生成数据将均匀覆盖文本、图像和视频三种类型，此外，还有接近18%的生成数据为软件代码。

周震刚向记者表示，企业需要面向训练和推理过程中的数据特征，构建先进数据基础设施，为数据收集、预处理、写入读出、稳定训练集、数据安全、推理结果使用等环节提供支撑，并根据数据量、访问模式及成本效益决定采用云存储、本地存储或混合存储方案，发挥先进存储介质和存储架构优势。

同时，伴随数据逐渐成为企业的核心资产和重要生产要素，企业需要提升数据质量和数量，从而优化企业决策和业务流程。

趋势四：优化策略制定、关注技术创新，加速实现投资高效回报

深度学习和生成式人工智能模型的规模和复杂性增加，使得支持这些模型的基础设施变得更加复杂、庞大且昂贵。

周震刚称，为避免给企业造成不必要的财务负担，企业在投资人工智能基础设施时，需要创建合适的投入产出比（ROI）模型，将投资回报率与生成式人工智能的应用案例和业务成果联系起来，通过加速应用部署，使高投资实现价值回报。

生成式人工智能带来的成果既包括可通过KPI衡量的有形收益，如加速内容创作、提高客服效率和降低成本；也涵盖无形价值， 比如提升员工体验、加强客户关系和忠诚度以及优化品牌营销。

周震刚认为，这些软性收益虽然不易量化，但对企业的长期成功至关重要。企业可以利用技术评估、项目组合管理和企业整体战略管理等方法，制定符合自身发展需求的生成式人工智能投资和应用策略。

趋势五：能耗挑战持续加剧，冷却技术不断创新

人工智能大模型技术的研发和应用带来了更高的能耗需求。

2024年，人工智能数据中心IT能耗（含服务器、存储系统和网络）达到55.1太瓦时（TWh），2025年将增至77.7太瓦时，是2023年能耗量的两倍，2027年将增长至146.2太瓦时，2022-2027年五年年复合增长率为44.8%，五年间实现六倍增长。

大模型的训练和优化作为能源密集型任务，需要高密度机架的支持，而这些机架的能耗已超出传统风冷的能力范围，促使越来越多的数据中心转向使用液冷技术。

IDC预测，到2028年，60%的数据中心将采用微电网、定制硅芯片、液体冷却和加固结构等创新解决方案，以应对电力短缺和日益增长的可持续性要求。

此外，数据中心正积极探索从储电能向储大模型算力的跨越性转变。这一转型的核心策略，在于通过大幅增加和优化IT基础设施，将原本静态储存的电能，转化为驱动大规模计算模型的动态算力。

周震刚表示，这些基础设施的升级与扩容，不仅提升了数据中心的算力水平，更为基于大模型的“智能蓄势”提供了稳定、强大的计算支撑。通过这一转变，智算数据中心不仅可以优化能源利用结构，减少能源浪费，更以就近、快速的方式，满足现代计算对算力的迫切需求。