本文作者：龙玥 来源：硬AI 一场由算力驱动的A🤔I能力大跃升可能正在酝酿。 据硬AI，摩根士丹利在一份🤯最新报告中表示，市场可能严重低估了即将在2026年出现的一项😀人工智能领域的重大利好——由算力指数级增长驱动的模型能力“非😅线性”飞跃。 根据这份由Stephen C Byrd等👍分析师撰写的报告，多家美国大型语言模型（LLM）开发商计划到😡2025年底，将其用于训练前沿模型的算力提升约10倍。这一前😅所未有的算力投入，预计将在2026年上半年产出结果，构成一个🌟“未被充分重视的催化剂”。 报告援引了特斯拉首席执行官😅埃隆·马斯克的观点，即10倍的算力投入可能使模型的“智能”水😢平翻倍。报告指出，如果当前的“规模法则”得以延续，其带来的后😀果可能是“地震级”（seismic consequences💯）的，将广泛冲击从AI基础设施到全球供应链的各类资产估值。 😆 然而，这一乐观前景并非板上钉钉。报告强调，其面临的核心😉不确定性在于AI发展是否会撞上“规模墙”（Scaling W😴all）。这指的是，在投入海量算力后，模型能力的提升却出现迅😊速递减的令人失望的结果。 算力十倍增长，或催生AI能力😴飞跃 报告认为，投资者需要为2026年可能出现的AI能🙌力阶梯式提升做好准备。 报告描述了即将到来的算力规模：🤔一个由Blackwell GPU组成的1000兆瓦数据中心，😁其算力将超过5000 exaFLOPs（每秒五百京次浮点运算😉）。相比之下，美国政府一台名为“Frontier”的超级计算👏机算力仅略高于1 exaFLOP。这种量级的算力增长，是市场🙌预期AI能力将出现非线性提升的核心依据。 报告称，尽管🌟许多LLM开发者普遍认同算力投入将带来能力提升，但也有怀疑论😊者认为，前沿模型的智能、创造力和解决问题的能力可能存在上限。👏 “规模墙”之辩：AI进步的关键不确定性 尽管前😘景令人兴奋，但报告同样明确指出了其中的关键风险——“规模墙”😉（Scaling Wall）的存在。 这一概念指的是，😍当投入的算力达到某个阈值后，模型在智能、创造力和解决问题能力😍上的提升会迅速减少，甚至令人失望。这是目前AI领域最大的不确😀定性。许多怀疑论者认为，简单地增加算力可能无法持续带来智能的😁飞跃。 然而，报告也提到了一些积极信号。一篇由Meta🔥、弗吉尼亚理工和Cerebras Systems团队联合发表👏的近期研究论文《揭秘LLM预训练中的合成数据》发现，在使用合❤️成数据进行大规模训练时，并未观察到可预见规模内的性能退化模式😂，即所谓的“模型崩溃”（model collapse）现象。⭐ 这一发现令人鼓舞，因为它暗示了在算力大幅增加后，模型😘能力仍有持续提升的空间，撞上“规模墙”的风险可能低于预期。 😅 展开全文 此外，报告还列举了其他关键风险，包括A⭐I基础设施的融资挑战、欧盟等地的监管压力、数据中心面临的电力😎瓶颈，以及LLM被滥用或武器化的可能性。 全球资产估值🤔如何重塑？ 如果AI能力确实实现非线性跃升，资产价值将😊如何重塑？报告认为投资者应开始评估其对资产估值的多方面冲击，👏并指出了四个核心方向： 首先是AI基础设施股，特别是那😁些能缓解数据中心增长瓶颈的公司；报告认为，如果AI能够以更低💯成本和更高性能解决更多全球GDP中的问题，那么支撑这种价值创🙄造的基础设施本身也将大幅升值。 其次是中美供应链，AI😉竞赛的加剧可能促使美国在关键矿产等领域加速“脱钩”。 🤔再次是具备定价能力的AI应用者（AI Adopter）股票；🙌报告分析，AI应用将为标普500指数创造约13万亿至16万亿🤯美元的市值。然而，并非所有公司都能从中同等受益。那些拥有强大😁定价权的公司，能够将AI带来的效率提升和成本节约转化为实实在😂在的利润，从而保留大部分收益。 最后，从更长远看，那些😢无法被AI“廉价复制”的硬资产，如土地、能源和特定基础设施，😎其相对价值可能会上升。 物理稀缺性资产：如滨水地产、特🤗定地理位置的土地、能源和电力资产（尤其是能承载数据中心的发电👍厂）、交通基础设施（机场、港口）、矿产和水资源。 😡 监管稀缺性资产：如各种受保护的牌照、特许经营权。 😅 专有数据和品牌：强大的IP库、独特的品牌形象。 😁 独特的奢侈品和人类体验：如体育赛事、音乐表演等。 😍 首先是AI基础设施股，特别是那些能缓解数据🚀中心增长瓶颈的公司；报告认为，如果AI能够以更低成本和更高性😆能解决更多全球GDP中的问题，那么支撑这种价值创造的基础设施😅本身也将大幅升值。 其次是中美供应链，AI竞赛的加剧可😁能促使美国在关键矿产等领域加速“脱钩”。 再次是具备定🔥价能力的AI应用者（AI Adopter）股票；报告分析，A🤩I应用将为标普500指数创造约13万亿至16万亿美元的市值。😘然而，并非所有公司都能从中同等受益。那些拥有强大定价权的公司😎，能够将AI带来的效率提升和成本节约转化为实实在在的利润，从🚀而保留大部分收益。 最后，从更长远看，那些无法被AI“❤️廉价复制”的硬资产，如土地、能源和特定基础设施，其相对价值可😆能会上升。 物理稀缺性资产：如滨水地产、特定地理位置的🌟土地、能源和电力资产（尤其是能承载数据中心的发电厂）、交通基😅础设施（机场、港口）、矿产和水资源。 监管稀缺😉性资产：如各种受保护的牌照、特许经营权。 专有🤗数据和品牌：强大的IP库、独特的品牌形象。 独😁特的奢侈品和人类体验：如体育赛事、音乐表演等。 🙄 物理稀缺性资产：如滨水地产、特定地理位置的土地、能源和😊电力资产（尤其是能承载数据中心的发电厂）、交通基础设施（机场🎉、港口）、矿产和水资源。 监管稀缺性资产：如各种受保护🚀的牌照、特许经营权。 专有数据和品牌：强大的IP库、独👍特的品牌形象。 独特的奢侈品和人类体验：如体育赛事、音😁乐表演等。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新😍一期的国际权威期刊Nature（自然）中，DeepSeek-😊R1推理模型研究论文登上了封面。该论文由DeepSeek团队😅共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发👏大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na💯ture封面，也是全球首个经过完整同行评审并发表于权威期刊的🙄主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🎉可。 Nature在其社论中评价道：“几乎所有主流的大🤔模型都还没有经过独立同行评审，这一空白终于被DeepSeek😆打破。” 中国AI大模型的“Nature时刻” 😆自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终😘缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡😅有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🚀 DeepSeek以其公开性和透明性打破了这一局面。D🥳eepSeek-R1模型的研究论文最早于今年年初发布在预印本⭐平台arXiv上。自今年2月14日向Nature投递论文至今😀，历经半年，8位外部专家参与了同行评审，DeepSeek-R🙄1推理模型研究论文终获发表，完成了从预印本到Nature封面🙄的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方❤️法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😀和可重复性的可喜一步。 因此，Nature也对Deep⭐Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😀主流的大模型都还没有经过独立同行评审，这一空白终于被Deep⭐Seek打破。”全球知名开源社区Hugging Face机器😡学习工程师Lewis Tunstall也是DeepSeek论😊文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这🤔种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的🤗潜在风险。” 据了解，DeepSeek本次在Natur🤯e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🙌不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细🎉节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😂提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行🤩了全面评估。 其中，在训练成本方面，R1-Zero和R🥳1都使用了512张H800GPU，分别训练了198个小时和8💯0个小时，以H800每GPU小时2美元的租赁价格换算，R1的😂总训练成本为29.4万美元（约合人民币209万元）。不到30👏万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可💯谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏💯”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😂然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😅的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型🎉输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O💯penAI称它发现DeepSeek使用了OpenAI专有模型😂来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 🤩 R2何时问世引发关注 自今年年初发布R1以来，D😆eepSeek在全球树立了开源模型的典范，但过去数月，外界对⭐于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2🙄的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有😆关。 展开全文 值得注意的是，今年8月21日，D🙌eepSeek正式发布DeepSeek-V3.1，称其为“迈🎉向Agent（智能体）时代的第一步”。据DeepSeek介绍🤩，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同😆时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🤩时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新🤯模型在工具使用与智能体任务中的表现有较大提升。 由于R😢1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路😘上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🙌强调DeepSeek-V3.1使用了UE8M0 FP8 Sc😊ale的参数精度，而UE8M0 FP8是针对即将发布的下一代💯国产芯片设计。这也表明未来基于DeepSeek模型的训练与推😅理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🙌态一度带动国产芯片算力股股价飙升。 中国银河证券研报指💯出，DeepSeek从V3版本就开始采用FP8参数精度验证了🤯其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟💯制程（12-28nm）上接近先进制程英伟达GPU的算力精度，🥳DeepSeek-V3.1使用UE8M0 FP8 Scale❤️参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😜的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😊拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😎换取数量级性能的提升，国产算力芯片将迎来变革。 责编：😉万健祎 校对：王朝全 版权声明 " Typ😁e="normal"@@--> 证券时报各平台所有原创😡内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关😀行为主体法律责任的权利。 转载与合作可联系证券时报小助😉理，微信ID：SecuritiesTimes " Ty🤔pe="normal"@@-->返回搜狐，查看更多