2025年初，DeepSeek的橫空出世引發了AI世界的巨大震動，原因不僅是DeepSeek的高性能，更具顛覆性的是它極低的成本，打破了“燒錢堆芯片”的行業規則，讓英偉達的市值一夜之間蒸發了4.3萬億元人民幣，基于或接入DeepSeek的各類應用如雨后春筍般紛紛出現。此般情形已火熱了近半年，不禁讓人揣測在此次DeepSeek大潮之中，哪家的應用產品將被市場推崇成為“王者”？要想在此次大潮中成為“應用之王”，又需要在哪些方面具備獨特的優勢？

回顧互聯網時代的“電商平臺之爭”與“百團大戰”，真正在市場中站穩腳跟的都是兼顧了技術優勢與成本優勢的產品。最終投入市場商用的AI產品，歸根到底是一種商業行為，獲取利潤是核心，因此模型的訓練優化和部署成本將成為決定市場競爭成敗的關鍵因素。由此可見，專注AI產品研發的企業目前不能僅關注AI的落地場景，也要開始關注AI產品的實施成本了。降低AI產品的實施成本，可以從以下四個方面考慮：

第一，根據應用場景需要合理調整模型參數，即：通過剪枝、蒸餾、量化等模型優化技術對模型做減法，減少模型參數量，從而降低成本。為什么要對模型做減法呢？這是因為模型的參數量越大，解決復雜問題的能力就越強，然而成本也越高。正如不是所有問題都需要DeepSeek滿血版來回答一樣，并不是所有應用場景都需要解決復雜問題，因此，如同“殺雞不需用牛刀”，大部分簡單的應用場景是需要對模型做減法的。然而，模型參數的減少必然會帶來模型性能的下降，這就需要研發人員充分理解應用場景和需求，好好權衡成本與性能，選擇最優的平衡點，簡而言之——不用復雜的模型解決簡單的問題，需要找到不多不少剛好能解決業務場景問題的模型參數量，按照這個參數量來調整模型，從而達到最優的性價比。

谷歌開發的MobileNet系列模型就是專為移動設備設計的輕量化模型。該系列模型正是通過模型優化技術，減少計算量，在智能手表、智能眼鏡等計算資源有限的移動設備上實現了高效的圖像分類任務。我們可以認為——通過優化技術減少參數量的模型是專注于解決一類應用問題的輕量化模型，雖然犧牲了一部分性能，但對于某類問題依舊能夠勝任解決，而解決的這類問題正是產品的核心賣點。

第二，通過硬件的選擇與優化組合策略，降低成本。AI在完成一個計算任務時，不僅需要使用GPU，還需要CPU和存儲硬盤等硬件設備。GPU是目前單位性能成本最高的硬件，因此可以盡量多利用GPU之外的其他硬件來分擔GPU的工作量，從而降低整體成本。譬如：加大存儲設備的使用，存儲大模型對歷史問題的計算結果。當大模型面對全新的問題時，將問題進行拆分，從歷史相關信息中提取一部分可復用內容，再與現場信息進行在線融合計算，進而降低計算量。舉個例子，存儲硬件保留了對“冰箱面板出現了E6字樣是怎么回事”和“冰箱摸著很燙是出現了什么故障”兩個問題的答案，當面對新問題“我家冰箱摸著很燙出現了E6，該怎么辦”這個問題的時候，就無需100%的現場計算，而是通過存儲記憶與現場融合計算的方式生成結果。這就是通過加大存儲，從而降低GPU負擔的組合策略。此外，還可以將來自存儲、CPU、GPU的算力高效融合，多方組合進一步提升大模型推理性能，降低成本。

第三，通過對訓練數據進行預處理與小樣本學習等方式，降低對訓練數據量和算力的需求。很多人都認為AI很智能，只要“喂”它足夠多的數據，它就會自己學習和學會。這種方式不是不能達到訓練目的，但因為計算了大量低質量的數據而浪費了寶貴的算力。針對這個問題，一方面可以先對訓練數據進行預處理，清晰去重，優化數據質量，避免因為數據冗余或噪聲導致的計算資源浪費。另一方面，采用遷移學習、小樣本學習等方法，減少訓練所需的數據量，從而降低對算力的需求，從而降低成本。換而言之，相比直接用大量未經處理的數據訓練模型，用少量優質的數據來訓練AI模型可以更低成本達成同樣的訓練目標。

這種降成本的做法，在醫療圖像大模型的訓練上比較常見。醫療圖像數據的標注成本較高，且在此場景中僅需少量標注數據即可達到高精度，因此采用小樣本學習方法（如Few-Shot Learning），利用少量標注數據訓練模型，顯著地降低了成本。

第四，在模型訓練、部署與運維等環節，使用自動化工具，減少人工成本與試錯成本。在模型訓練開始前，需要人工設置影響模型訓練過程的超參數（即學習過程的規則和條件），但人工的效率很低，使用自動化超參數優化工具（如Optuna、Hyperopt）可自動搜索最優超參數。在訓練過程中，通過優化推理引擎（如TensorRT、ONNX Runtime）可以提高推理速度，降低計算資源消耗。在模型部署階段，通過自動化工具（如Kubernetes、MLflow）可以實現模型的自動監控、更新和部署，縮短部署時間，減少人工成本。采用模型版本管理系統（如Weights&Biases、ModelDB），還可以避免因版本混亂導致的重復開發和測試成本。

綜上所述，AI產品成本的控制可以從最優性價比參數選擇、硬件組合、數據預處理和小樣本學習、自動化工具的使用四個方面發力。隨著AI產品的逐步商業化，成本的重要性將逐漸顯露出來。正如低成本的優勢使得DeepSeek可以采取開源的策略迅速擴大影響力和聚攏生態資源一樣，性價比高的產品也必定更容易被市場廣泛接受，找到適合自身AI產品的成本控制方法，就擁有了成本優勢，有望在未來AI產品的市場競爭中一爭高下。

（作者系清華大學碩士、美國杜克大學訪問學者、浙江省可持續發展研究會ESG專委會專家組專家）

AD：

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。