东莞证券2025年2月发布的半导体行业专题报告指出，DeepSeek通过技术创新显著降低了AI模型训练与推理成本，但根据杰文斯悖论，效率提升反而会通过技术普惠化、场景纵深化和算力泛在化三重路径驱动算力总需求持续膨胀。报告从Scaling Law底层逻辑、全球AI服务器市场扩容、北美云厂商资本开支及国产替代四个维度，系统论证了DeepSeek对算力产业链的长期提振效应。

Scaling Law是AI领域的核心理论，由OpenAI于2020年在论文《Scaling Laws for Neural Language Models》中首次提出。其核心内容为AI模型性能与模型参数量、数据集大小和计算量三者呈幂律关系——三者同步扩大时模型性能将实现显著提升。这一理论为大模型训练提供了理论基础并直接引发了各企业的算力军备竞赛，驱动大模型参数从千亿级迈向万亿级。以GPT系列为例，从2018年GPT-1的1.17亿参数到2023年GPT-4的1.8万亿参数，每一代模型在规模、复杂性和性能上均实现质的飞跃。GPT-4训练使用了约13万亿个token数据，预训练成本估计高达6,300万美元。高昂的训练成本提高了行业准入门槛，因此在DeepSeek问世之前，多模态大模型的产业发展进程通常由科技巨头主导。

在2025年1月的CES大会上，英伟达CEO黄仁勋发表主题演讲，明确指出Scaling Law作为AI发展的底层逻辑将继续推动技术进步。黄仁勋指出，在接下来的几年中人类产生的数据量将超过自古以来所有人类产生的数据总和，这为Scaling Law的延续提供了坚实的数据基础。更重要的是，他提出除了传统的Pre-Training Scaling Law和Post-Training Scaling Law外，新的Test-Time Scaling Law已被提出——这意味着AI在资源分配上可以更加灵活，而不仅仅依赖于参数的简单堆叠。英伟达作为全球AI算力基础设施的核心供应商，其CEO的这一表态对产业方向具有重要指引意义。即使面临算法优化的技术路径，高端算力储备仍被大型科技公司视为实现模型突破的基础条件。

大模型参数量和复杂性的不断增加导致对算力需求的急剧上升，全球AI服务器市场进入高速增长通道。据IDC数据，2024年全球AI服务器市场规模预计为1,251亿美元，2025年将增至1,587亿美元，2028年有望达到2,227亿美元。其中生成式AI服务器占比将从2025年的29.6%提升至2028年的37.7%，增速显著高于非生成式AI服务器。中国市场方面，IDC预计2025年中国智能算力规模将达到1,037.3 EFLOPS，到2028年将达到2,781.9 EFLOPS，2023至2028年期间智能算力复合增长率预计达46.2%，通用算力规模同期复合增速预计为18.8%。中国智能算力增速远超通用算力，反映出AI大模型训练与推理需求正成为中国算力基建扩张的核心驱动力。

受AI旺盛需求驱动，亚马逊、谷歌、微软与Meta四大北美云厂商2024年资本开支实现同比大幅增长。四家企业2024年资本开支合计达2,273.06亿美元，同比增长54.16%，主要用于支持数据中心的建设与发展。展望2025年，四大厂商均明确上调对AI基础设施的持续投入。亚马逊计划将资本开支增至1,000亿美元，较2024年的约830亿美元显著增长，主要用于支持AWS云服务部门扩展。谷歌母公司Alphabet计划投入750亿美元，同比增长42%，其中约60%用于GPU、TPU等AI基础硬件采购。微软计划在2025财年投入800亿美元，较2024财年的444.77亿美元大幅增长近80%，其中超半数资金用于美国本土AI智算中心建设。Meta计划投入600至650亿美元，资金主要用于生成式AI研发与数据中心扩建。四大厂商合计资本开支有望超过3,000亿美元，高端算力需求将持续旺盛。

DeepSeek通过软件与架构优化有效降低了模型训练与推理成本。其训练成本仅为OpenAI同类模型的十分之一，仅花费557.6万美元与2,048块英伟达H800 GPU便完成了性能对标GPT-4o的模型训练。但根据杰文斯悖论，当技术进步提高资源使用效率时，成本下降反而会刺激需求激增——AI应用门槛降低、场景加速普及，带动数据中心、边缘及端侧算力建设，反而推动算力需求持续膨胀。

全球AI服务器市场规模及中国智能算力规模预测

指标	2024年	2025年（预测）	2028年（预测）	CAGR
全球AI服务器市场规模（亿美元）	1,251	1,587	2,227	—
中国智能算力规模（EFLOPS）	—	1,037.3	2,781.9	46.2%
中国通用算力规模（EFLOPS）	—	—	—	18.8%