參數不再越大越好，DeepSeek V4帶來端側AI的第二次想象

過去幾年，大模型行業形成了一條看似清晰的增長公式：參數越多、訓練數據越大、算力投入越高，模型能力就越強。科技公司圍繞GPU集羣、訓練Token和參數規模展開軍備競賽，行業也習慣用服務器數量和算力建設規模衡量AI的進展。

但DeepSeek 提示了另一種可能：模型競爭的重點，正在從“擁有多少參數”轉向“每次推理真正調用多少參數，以及如何讓這些參數更有效地工作”。7月31日，DeepSeek-V4-Flash正式版API上線公測。模型沒有繼續“增肥”，結構和尺寸也與4月發佈的預覽版保持一致，僅通過重新後訓練，Agent、代碼生成和工具調用能力便出現明顯躍升。

DeepSeek-V4-Flash並不是傳統意義上的小模型。公開資料顯示，其總參數量約爲284B，即2840億，但採用混合專家架構，每次推理激活參數約爲13B。它更像一個擁有龐大專業團隊的組織，知識儲備足夠豐富，處理具體任務時卻只調動最合適的一部分專家。13B激活參數撬動高性能，由此成爲觀察端側AI未來的一扇窗口。

端側設備不可能複製數據中心的算力規模，卻可以借鑑這種效率思路。稀疏激活降低單次計算負擔，蒸餾把大模型能力遷移給更小模型，量化繼續壓縮內存和功耗，再由端雲協同分配複雜任務。V4的意義並非給出了一部可以立即運行完整模型的手機，而是讓“高性能模型如何向終端遷移”從單純依賴芯片升級，變成模型、硬件和系統共同優化的問題。

從堆參數到練能力：模型效率成爲新標尺

大模型行業曾經迷信一個樸素規律：規模就是能力。GPT-3之後，參數規模迅速成爲衡量模型先進程度的標籤，企業不斷擴建計算集羣，希望通過增加參數和訓練投入逼近更高的智能上限。

這種路徑確實有效，但代價也越來越高。參數增加不僅意味着訓練時需要更多GPU、電力和數據，也意味着推理階段面臨更高的顯存佔用、時延和調用成本。模型越龐大，就越難離開數據中心，更難進入手機、汽車、機器人和可穿戴設備等資源受限的終端。

DeepSeek V4的價值，在於它把行業關注點從模型的“體重”拉回了模型的“工作效率”。V4-Flash正式版與4月發佈的預覽版本保持相同的模型結構和尺寸，能力提升主要來自後訓練。所謂後訓練，是在基礎模型完成大規模預訓練之後，通過強化學習、任務數據和反饋機制，讓模型更擅長拆解任務、調用工具和完成複雜工作。

這意味着，模型能力的進步未必需要繼續無限擴大參數規模。同樣一副“骨架”，經過更有效的訓練，也可以獲得更強的推理和執行能力。模型行業由此可能從“算力投入決定一切”，轉向架構、數據質量、訓練方法和軟硬件協同共同決定效率。

混合專家架構是其中的重要基礎。它類似於一家擁有大量專業部門的公司：面對代碼問題時，主要調用編程專家；面對數學任務時，則由更擅長推理的模塊參與。全部專家都存在於模型中，但每次只激活其中一部分，既保留了大模型的能力上限，又降低了單次推理的計算負擔。

更深層的變化來自推理成本。模型能力越來越接近後，決定AI能否大規模落地的，不再只是排行榜上的分數，而是完成一次任務需要多少算力、多少時間和多少費用。如果一個模型可以用更少的激活參數和更低的計算量完成相同任務，企業部署AI Agent、智能客服、代碼助手和辦公工具的經濟賬就會被重新計算。

不過，“模型效率提升”並不等於算力需求消失。單次調用成本下降後，AI使用頻率、用戶數量和任務複雜度往往同步上升，最終可能形成類似移動互聯網流量的傑文斯悖論：單位成本越低，總消耗反而越大。受衝擊的更可能是缺乏差異化、單純按算力資源賺取價差的服務模式，而不是具備芯片、互聯、存儲和軟件生態能力的核心基礎設施。

從雲端問答到終端Agent：端側AI尋找第二條路徑

端側AI的第一次想象，來自生成式AI進入手機和電腦。2023年以來，芯片廠商和終端品牌密集推出AI手機、AI PC，各類設備開始具備摘要、翻譯、修圖和文檔生成能力。但不少所謂端側AI仍然是“雲端模型的遙控器”：設備負責收集指令，真正複雜的計算仍在數據中心完成。

問題在於，雲端模式難以覆蓋所有場景。個人相冊、聊天記錄、企業文件和車內數據涉及隱私，不適合長期上傳；實時翻譯、機器人控制和智能座艙要求極低時延，也無法完全依賴網絡；持續調用雲端模型還意味着額外費用和功耗。因此，真正成熟的AI終端必須具備一定的本地推理能力。

V4帶來的第二次想象，不是把284B模型原封不動塞進手機，而是沿着“稀疏激活—模型蒸餾—低精度量化—端雲協同”的路徑，把大模型能力逐步遷移到終端。蒸餾是讓小模型學習大模型的推理方式，量化則是降低模型計算精度，以更少內存和功耗完成推理。終端小模型負責高頻、隱私和低時延任務，雲端大模型處理複雜推理，兩者之間動態分工。

這種模式可能改變AI硬件的競爭標準。過去智能手機比拼CPU主頻、攝像頭像素和屏幕參數，未來更重要的指標將是NPU算力、內存帶寬、存儲容量、散熱能力以及模型與操作系統的協同效率。AI PC、智能汽車、機器人和耳機也將面臨相似變化：硬件不只是運行應用，而是持續理解用戶、調度工具並執行任務。

這種變化會沿着硬件鏈條逐層傳導。模型常駐終端，對存儲容量和內存帶寬提出更高要求，兆易創新、北京君正、江波龍、佰維存儲等企業所處的存儲環節，業務變量將更多地與AI終端的配置升級聯繫在一起。瑞芯微、晶晨股份、全志科技、恆玄科技、樂鑫科技等SoC廠商，則分別覆蓋智能硬件、機頂盒、可穿戴設備和AIoT場景，NPU性能、功耗控制和軟件工具鏈會成爲產品競爭力的重要組成部分。

模型在本地持續運行，還會抬高終端的功耗與熱密度。華勤技術、工業富聯等ODM廠商需要重新平衡主板、電池與散熱空間，中石科技、飛榮達、領益智造等企業所涉及的散熱材料和結構件，也將面對更復雜的終端設計需求。這裏討論的是端側AI對現有業務鏈條的潛在影響，並不代表相關企業已經取得DeepSeek V4訂單，更不能只憑“適配”公告判斷產業進度。

判斷端側AI是否走出技術演示，關鍵要看產品端的真實變化。終端品牌需要把本地AI從影像、語音等單點功能，推進到跨應用理解和執行任務；SoC的NPU算力提升，還要得到內存規格、開發工具和操作系統的配合；存儲、散熱和結構件廠商的經營數據，則應逐漸反映出高端產品佔比、單機用量或客戶需求的變化。只有這些變化互相印證，模型效率纔算真正轉化爲產業需求。

現實約束同樣存在。小模型處理複雜推理、長上下文和多工具協作時仍有能力差距，量化與蒸餾也可能帶來精度損失；終端廠商還要在續航、散熱、隱私合規和系統兼容之間尋找平衡。因此，未來較長一段時間，端雲協同更可能成爲主流：本地模型處理高頻、私密和低時延任務，雲端模型承擔更復雜的計算，兩者根據場景動態切換。

參數不再越大越好，並不意味着大模型時代結束，而是大模型開始從追求“更大”走向追求“更有效”。DeepSeek V4以較低的激活量撬動高性能，讓端側AI看到了一條不同於堆算力的路徑。它指向的也不只是手機多出幾個生成式功能，而是終端逐漸成爲能夠理解用戶、保護隱私並主動完成任務的本地Agent。端側AI的第二次想象，真正取決於模型效率能否被轉化成更流暢的產品體驗，以及可持續的硬件與軟件需求。