DeepSeek-R1的横空出世，直接打响了大模型性价比竞赛的第一枪。

有意思的是，国外头部厂商迅速跟进。比DeepSeek-R1晚两周发布的OpenAI o3-mini，定价直接比前代o1-mini砍掉了六成多，相比完整版o1模型更是便宜了超过九成。

国内这边也没闲着。2月13日，百度宣布文心一言将在4月1日全面免费开放——要知道，它之前可是基础版免费、专业版收费的模式，专业版定价59.9元/月，连续包月也得49.9元/月。

这场价格战的背后，远不止是数字游戏。它既是技术实力的硬碰硬，也是对用户市场的重新洗牌。而在这场没有硝烟的商战中，中国算力市场正在经历一场深刻的变革。

最近发布的《2025年中国人工智能计算力发展评估报告》，就把中国算力发展的四大变化，从“幕后”搬到了“台前”。

▲中国AI应用场景发展（图源：IDC 2025）

01 算力效率之变：大模型从“大力出奇迹”，转向“四两拨千斤”

第一大变化，体现在算力效率上。DeepSeek通过算法优化，大幅降低了大模型训练和推理对高端GPU的依赖，打破了“算力军备竞赛”的传统路径。

模算效率的显著提升，正是DeepSeek能打出高性价比这张牌的核心因素之一。

DeepSeek的论文显示，R1的训练成本仅557万美元，不足OpenAI同类产品的5%，却在数学竞赛、代码生成等任务中超越了GPT-4。这意味着，用更低的算力成本，也能实现高性能产出。

这里说的“模算效率”，指的是AI模型在训练和推理过程中，衡量模型精度与计算资源利用效率的综合指标。简单来说，就是模型在特定硬件上，用最少的算力消耗实现最高精度的能力。

DeepSeek这种“四两拨千斤”的研发模式，更注重算法创新、架构优化和资源高效利用，很可能会带动整个业界对模算效率的追求。IDC中国副总裁周震刚在接受采访时提到，未来大模型厂商的关注点，将从追求参数量规模，转向追求模型训练、推理、部署等环节的性价比。

此外，DeepSeek使用的MoE（混合专家模型）架构，也实现了更高的成本效益——相比之下，Dense架构在相同参数量下，扩展时的计算成本要高得多。浪潮信息高级副总裁刘军回顾说：“去年开始，大家发现基于Dense架构的模型，再往前演化到五千亿、万亿参数量时，所需的算力、时间、数据量，都是当前技术条件下实现不了的。有企业算过，要训练一个万亿参数的Dense模型，需要20万张卡跑一年。”

因此，MoE在计算成本和模型性能上展现出的优势，大概率会引发一波模仿借鉴的热潮。

目前，企业接入DeepSeek模型主要有两种策略：一是国内大模型厂商、芯片厂商、AI硬件厂商、运营商、AI应用开发商等，纷纷接入DeepSeek的671B满血版；二是有的企业根据自身业务需求，选择参数量较小的模型，或者通过蒸馏技术将DeepSeek模型与自家模型结合，以提升性能、降低成本。

这种多形态、多参数的模型协同发展，才是大模型生态应有的状态。在刘军看来，把DeepSeek-R1的能力蒸馏到小模型上，反而会加速AI技术的扩散。

02 算力结构之变：智能算力市场井喷，推理算力成“香饽饽”

把目光放到整个算力市场，第二大变化同样醒目：国内智能算力规模正在极速扩张，需求结构也在被重塑。

《报告》显示，2024年中国智能算力规模达到725.3EFLOPS，同比增长74.1%，创下近5年来的总量最高峰。这也是近年来扩张速度最快的一次。

对比来看，同期国内通用算力规模仅为71.5EFLOPS，同比增长20.6%。智能算力的增幅，已经是通用算力的3倍以上。

▲2020年至2028年，中国智能算力和通用算力规模及预测（图源：IDC 2025）

这意味着，过去一年里，AI芯片、AI服务器、AI训练、AI推理和AI应用的市场规模都在快速膨胀。比如，2024年中国AI加速计算服务器市场规模达到190亿美元，同比大幅增长86.9%。

尽管业界对大模型的Scaling law是否失效有过争议，但在当下的AI发展进程中，它仍然占据主导地位，这也是推动AI算力需求持续增长的主要原因之一。

《报告》中提到一个有趣的现象：基于杰文斯悖论，DeepSeek实现的算法效率提升，并没有抑制算力需求，反而带动了更多用户和场景，进一步推动了大模型的普及与应用落地。这有助于AI行业重构产业创新范式，并加强数据中心、边缘及端侧算力建设。

▲目前及未来三年应用AI对企业带来的价值（图源：IDC 2025）

不过，光靠堆叠训练算力并不能一劳永逸。越来越多的大模型厂商开始加速开发多模态能力，并寻找落地场景。多模态模型的应用、AI Agent热潮随之而来，知识管理、对话式应用、内容生成、营销、视频生成等，都成了生成式AI的热门落地场景。

在应用落地侧，这将大幅激发AI推理需求。

像聊天机器人、音视频图像生成、办公场景的AI助手等，在实际应用中都非常依赖推理能力。《报告》预测，后续用于推理的算力规模，将会超过用于训练的算力规模。

全球AI服务器市场中，生成式AI服务器的占比，预计将从2025年的29.6%，提升至2028年的37.7%。

▲2023年至2028年，全球生成式AI和非生成式AI服务器市场规模预测（图源：IDC 2025）

在真实的业务场景中实现“降本增效”，是AI技术发展的关键一环。随着大模型技术逐渐成熟、生成式AI应用不断拓展，推理场景的需求日益增加，推理服务器的占比将大幅提高。IDC数据显示，预计到2028年，推理工作负载占比将达到73%。

▲2024年至2028年，中国AI服务器工作负载预测（图源：IDC 2025）

这一趋势在浪潮信息的业务中也得到了印证。浪潮信息高级副总裁刘军透露，近期公司接到的订单大部分都是推理算力的，现阶段推理算力的投资回报率高，用户体验也更好，所以规模会大幅提升。

03 算力供应方式之变：算力供应方式多元化，企业AI选择更多了

第三大变化，来自算力供应方式。蛋糕做大了，分蛋糕的人自然也就多了。

去年有一个很明显的市场趋势：一方面，AI算力基础设施的供给结构趋于多元化；另一方面，用户对智能算力基础设施和服务能力的需求，也在发生深刻变化。

在供给端，数据中心服务商、云服务商、硬件厂商和相关AI创企，形成了多点提供AI算力资源的格局。

在需求端，变化集中在两点：

首先，生成式AI将进一步推动企业使用AI就绪的数据中心托管设施、生成式AI服务器集群等智算服务，这能帮企业缩短部署时间，降低资本成本。

IDC数据显示，2024年中国智算服务市场整体规模达到50亿美元；预计2025年将达到79.5亿美元，2028年达到266.9亿美元，2023年至2028年的年复合增长率高达57.3%。

▲2023年至2028年，中国智算服务细分市场规模预测（图源：IDC 2025）

其次，用于推理的一体机也开始受到市场追捧。

IDC中国副总裁周震刚解释，早前企业基于云服务部署AI的案例比较多，用一体机的比较少。但DeepSeek模型爆火后，企业对一体机的需求大幅上升，开始注重私有化部署。

因此，后续一段时间，“开源+一体机”很可能会成为企业AI服务的爆款模式。

据不完全统计，目前市面上至少有60家DeepSeek一体机企业，包括京东云、移动云、联通云等云服务提供商，以及联想、华&为等大厂。通过一体机，企业可以“开箱即用”，快速接入更强大的AI能力。

浪潮信息上周推出的元脑R1推理服务器，就是其中一员。浪潮信息称，该产品通过系统创新和软硬协同优化，单机即可部署运行DeepSeek-R1满血版671B模型。

浪潮信息高级副总裁刘军透露：“最近两个礼拜，来找我们咨询购买能带动满血版DeepSeek-R1模型的AI服务器的客户数，正在直线上升。”

04 城市AI排名之变：京杭沪拿下AI算力全国前三

第四大变化，是城市AI算力排名的洗牌。

《报告》数据显示，国内各城市正通过加大AI投资、吸纳人才、提供政策支持等举措，持续为AI发展提升竞争优势。

在中国各城市的AI算力排行榜上，北京和杭州依然稳居前两位，上海则从2023年的第四位上升至第三位。

这三座城市的AI策略各有侧重：北京聚集了一大批大模型企业，凭借大量人才、成熟企业和有力的政策扶持，持续位居首位；杭州早在2021年就提出要成为具有全球影响力的AI头雁城市，并颁布了多项政策支持；上海的优势在于，正加速推动AI世界级产业集群建设，表现十分出色。

此外，广州、成都、天津、厦门等城市的AI算力排名均有提升。

▲中国各城市AI计算力发展评估TOP 10（图源：IDC 2025）

AI的影响下，不同行业的AI应用渗透度排名也发生了变化。

排名第一的是互联网行业，AI原生应用已覆盖问答、写作、客服、路线规划、生活指导、学习助手、角色扮演、视频生产、图片生成、智能客服、智能销售分析等多个场景。

金融行业从2023年的第四名上升至2024年的第二名。制造行业则前进了一位。原因在于，金融行业积累了海量数据，可用于AI训练，为风险评估等提供决策依据；制造业方面，AI驱动的机器人和自动化设备，可以完成重复性高、劳动强度大的工作任务。

▲中国AI行业应用渗透度（图源：IDC 2025）

05 结语：未来算力发展既要“扩容”，也要“提效”

从这四大变化可以看出，国内算力产业的发展正呈现蓬勃向上的态势。与此同时，更迫切的算力发展挑战也摆在了算力提供商面前：未来，如何持续优化计算架构？如何进一步提升智算中心的算力资源利用率？如何完善数据中心的监控系统和故障恢复机制？这些问题都需要新的解决方案。

针对这些，《报告》提出了解决办法：算力提供商可以根据自身情况，采用“扩容”和“提效”并行的策略来部署AI算力。

扩容，包括增加智算中心的数量和种类，注重区域分布和技术先进性，以加强算力供给能力。

提效，则包括以用定建、以应用为导向规划AI基础设施；提高模型架构效率；优化算力基础设施架构——包括计算架构、内存层次架构、智能调度算法等；同时使用高质量数据集，搭建统一的数据存储和访问接口，以提高算力利用率。

未来，大模型产业的底层技术创新加速、场景应用逐渐铺开，都将为国内算力市场注入新的活力。