数字储能网讯：2025年年初，人工智能公司深度求索（DeepSeek）火爆出圈，迅速在全球范围内引发巨大关注。

此前人工智能领域公认的底层逻辑是——算力规模越大，大模型就越聪明，同时耗电量也就越大。过去几年，OpenAI、微软等行业巨头不断扩大算力规模，积极寻求新的电力来源，甚至把手伸向了已停运的核电站。而DeepSeek的出现四两拨千斤地打破了这种“越大越好”的论调。

DeepSeek的独特之处在于其开源、高性能、低成本。据DeepSeek公布的数据，在成本方面，DeepSeek-V3的训练成本仅为557.6万美元，而GPT-4o的模型训练成本约为1亿美元。

在性能方面，独立机构Artificial Analysis的测评报告显示，DeepSeek-V3的评估质量指数为79，高于平均水平。模型在通识和专业知识测试集上表现优秀，并且在数学和代码领域测试表现突出。DeepSeek首次证明了“低成本、高智能”的可能性。

然而，DeepSeek的节能特性是否真能降低大规模使用人工智能（AI）带来的能源消耗？关于这个问题，“杰文斯悖论”或许能给我们一些参考。英国经济学家威廉·斯坦利·杰文斯在1865年发表的《煤的问题》中指出，当使用某种资源的效率提高时，该资源的总消耗量反而可能会增加，而不是减少。例如，瓦特改良后的蒸汽机大幅降低了煤炭消耗，使得更高效的蒸汽机广泛应用在更多场景，导致英国的煤炭消耗总量激增。

技术进步的“回弹效应”在AI领域同样显著。截至2025年春节后，开源生态下，DeepSeek API（提供人工智能服务的接口）在腾讯云上的日均调用次数已达到5000万次，其总能耗可能在未来三年反超传统闭源模型。也就是说，人工智能的开源策略可能会带来更大的能源需求。

一方面，DeepSeek的开源策略降低了技术门槛，全球开发者可基于其模型快速构建定制化应用，推动AI从“巨头游戏”转向“全民参与”。这样一来，即使AI执行单次训练任务确实更省电，但各行各业大量使用AI还是会导致巨大的电力消耗。

另一方面，摩根士丹利指出，低成本模型让“非必须场景”变得经济可行。伦敦一家金融科技公司曾测算，使用传统大模型处理用户数据分析的月均电费高达1.2万英镑，而使用DeepSeek-R1模型可将成本压缩至2000英镑以下。成本下降后，该公司计划将AI应用场景从核心业务扩展至营销与客服，或将使总能耗增加30%。

当“比特”遇上“瓦特”，如何在提升人工智能算力的同时兼顾绿色低碳？业内人士给出了三个方向的建议：加强算法与硬件协同优化，减少无效计算，节省不必要的能源消耗；推动算力基础设施绿色化、规模化建设，推动清洁能源算力中心建设，实现绿色能源向绿色算力的转化；加强政策引导需求侧管理，例如欧盟拟对高能耗AI应用征收“算力税”，抑制非必要场景的扩张。但不同的声音也同样存在：同一模型参数，用风电训练与煤电训练是否应承担差异税率？当能源结构成为AI竞争力的暗线，当国际贸易加征“算力税”，绿色算力是否会催生新的数字贸易壁垒？这些未竟之问正在等待更多充满智慧与勇气的解答。