2025年初，DeepSeek的橫空出世引發(fā)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(yè)規(guī)則，讓英偉達的市值一夜之間蒸發(fā)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(xiàn)。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(chǎn)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(yōu)勢？

回顧互聯(lián)網(wǎng)時代的“電商平臺之爭”與“百團大戰(zhàn)”，真正在市場中站穩(wěn)腳跟的都是兼顧了技術優(yōu)勢與成本優(yōu)勢的產(chǎn)品。最終投入市場商用的AI產(chǎn)品，歸根到底是一種商業(yè)行為，獲取利潤是核心，因此模型的訓練優(yōu)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(chǎn)品研發(fā)的企業(yè)目前不能僅關注AI的落地場景，也要開始關注AI產(chǎn)品的實施成本了。降低AI產(chǎn)品的實施成本，可以從以下四個方面考慮：

第一，根據(jù)應用場景需要合理調整模型參數(shù)，即：通過剪枝、蒸餾、量化等模型優(yōu)化技術對模型做減法，減少模型參數(shù)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(shù)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(shù)的減少必然會帶來模型性能的下降，這就需要研發(fā)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(yōu)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(yè)務場景問題的模型參數(shù)量，按照這個參數(shù)量來調整模型，從而達到最優(yōu)的性價比。

谷歌開發(fā)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(yōu)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(xiàn)了高效的圖像分類任務。我們可以認為——通過優(yōu)化技術減少參數(shù)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(chǎn)品的核心賣點。

第二，通過硬件的選擇與優(yōu)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(nèi)容，再與現(xiàn)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(xiàn)了E6字樣是怎么回事”和“冰箱摸著很燙是出現(xiàn)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(xiàn)了E6，該怎么辦”這個問題的時候，就無需100%的現(xiàn)場計算，而是通過存儲記憶與現(xiàn)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(shù)據(jù)進行預處理與小樣本學習等方式，降低對訓練數(shù)據(jù)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(shù)據(jù)，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(shù)據(jù)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(shù)據(jù)進行預處理，清晰去重，優(yōu)化數(shù)據(jù)質量，避免因為數(shù)據(jù)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(shù)據(jù)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(jīng)處理的數(shù)據(jù)訓練模型，用少量優(yōu)質的數(shù)據(jù)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(yī)療圖像大模型的訓練上比較常見。醫(yī)療圖像數(shù)據(jù)的標注成本較高，且在此場景中僅需少量標注數(shù)據(jù)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(shù)據(jù)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(huán)節(jié)，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(shù)（即學習過程的規(guī)則和條件），但人工的效率很低，使用自動化超參數(shù)優(yōu)化工具（如Optuna、Hyperopt）可自動搜索最優(yōu)超參數(shù)。在訓練過程中，通過優(yōu)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(xiàn)模型的自動監(jiān)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(tǒng)（如Weights&Biases、ModelDB），還可以避免因版本混亂導致的重復開發(fā)和測試成本。

綜上所述，AI產(chǎn)品成本的控制可以從最優(yōu)性價比參數(shù)選擇、硬件組合、數(shù)據(jù)預處理和小樣本學習、自動化工具的使用四個方面發(fā)力。隨著AI產(chǎn)品的逐步商業(yè)化，成本的重要性將逐漸顯露出來。正如低成本的優(yōu)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(tài)資源一樣，性價比高的產(chǎn)品也必定更容易被市場廣泛接受，找到適合自身AI產(chǎn)品的成本控制方法，就擁有了成本優(yōu)勢，有望在未來AI產(chǎn)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(xù)發(fā)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(lián)系我們修改或刪除，多謝。