見樸基金胡建諒：中國AI新勢力如何重塑產業格局？

21世紀經濟報導記者 閆啟 北京報導

3月31日，由21世紀經濟報導聯合清華大學經濟管理學院高管教育中心主辦、星能資產協辦的“科技重構價值——2025年股權投資春季論壇”，在清華大學成功召開。本次論壇彙聚宏觀政策領域與股權投資行業專家，大健康與科技產業的頂尖學者、資深投資人、精英企業家。

論壇上，見樸基金合夥人胡建諒帶來“DeepSeek加速邁向通用AI時代”的主題演講，他以深厚的行業洞察詳細拆解了DeepSeek現象背後的技術密碼、其對AI產業鏈的顛覆性影響，以及由此衍生的未來投資機遇。

揭秘DeepSeek“快”與“省”背後的技術三重奏

DeepSeek為何能在短時間內產生如此巨大的衝擊力？胡建諒將其歸結為技術創新、成本效率和開放生態的合力。

首先，核心在於其架構上的兩大技術創新：混合專家模型（MOE）和多頭潛在注意力（MLA）。

胡建諒用生動的比喻解釋了MOE的原理：“就像家裡孩子皮膚過敏，你首先想到的是找皮膚科和免疫科的專家，而不是把整個三甲醫院所有科室的醫生——包括骨科的——都叫來問診。” MOE通過一個“門控網絡”智能地選擇調用模型中與當前任務最相關的“專家”部分進行計算，而非激活整個龐大的模型。這極大地提高了運算效率，節省了寶貴的GPU算力，並縮短了響應時間。雖然MOE並非全新概念，但DeepSeek無疑將其運用得更為高效。

如果說MOE是“選對人”，那麼MLA則是DeepSeek的獨創“組合拳”，解決了“如何高效問對人”的問題。胡建諒再次打比方：“現場兩百多人，我要一個個問大家晚上想吃什麼，可能三個小時都收不完信息。但如果我給每一排指定一位組長，由組長快速收集反饋，效率就截然不同。” MLA通過優化注意力機制，減少了對鍵值（KV）緩存的重複計算，顯著降低了顯存消耗，尤其在處理多用戶併發請求時效率優勢明顯。這正是DeepSeek能夠支撐海量用戶、同時保持較低運行成本的關鍵所在。

第三重武器是強化學習（RL）的應用。胡建諒認為，未來的AI必然要走向終端、走嚮應用場景，與物理世界和用戶進行反複互動。強化學習正是實現這一目標的關鍵路徑。“就像訓練機器臂抓杯子，與其編寫一套極其複雜的固定算法，不如讓它在仿真環境里反複嚐試抓取各種形狀的瓶子、杯子，它自然就能學會。” 通過與環境的互動試錯，AI可以從未標註數據中學習，不斷優化自身能力。DeepSeek在後訓練階段大規模應用強化學習，進一步提升了模型的智能水平和適應性。

這三項技術的結合，共同造就了DeepSeek“低成本、高性價比”的核心競爭力。胡建諒坦言，儘管DeepSeek仍然基於Google開創的Transformer架構（期待未來有顛覆性創新出現），但其在現有框架內的優化已足夠亮眼。

更重要的是，DeepSeek選擇了開源。這無疑是其引爆行業熱情的另一大催化劑。胡建諒指出：“開源意味著整個生態都起來了。過去我們大多在英偉達的CUDA生態上構建應用，DeepSeek的開源為我們提供了一個新的選擇，可以在它的生態上開發多樣化的應用和服務。” 這不僅打破了單一技術生態的壟斷，也極大地激發了國內AI應用創新的活力。

至於外界提及的“蒸餾”OpenAI模型（即通過大量問答學習先進模型的輸出模式），胡建諒認為這是行業普遍做法，旨在加速模型訓練、提高效率，無可厚非。“現在也有公司在蒸餾DeepSeek，大家一起進步。”

重塑產業鏈：DeepSeek效應下的硬件新格局與“卡脖子”之痛

DeepSeek的成功，如同一塊投入平靜湖面的巨石，其漣漪效應正迅速擴散至整個AI產業鏈，尤其是在硬件層面，引發了一系列深刻變革和新的投資思考。

DeepSeek的高效表現，特別是其在邊緣端（邊端）部署的可能性，極大地提振了市場對國產算力的信心。胡建諒觀察到：“DeepSeek出來後，我們所有的國產算力廠商紛紛表態要適配。這不僅意味著雲端，更意味著邊端計算將全面迎來國產替代的浪潮。” 過去，算力中心普遍傾向於採購英偉達GPU，但DeepSeek的出現證明了國產方案的可行性與潛力，為國內GPU廠商打開了前所未有的發展空間。對於早已佈局GPU賽道的投資人而言，這無疑是一個積極信號。

與GPU緊密相關的，是被稱為“內存牆”的高帶寬內存（HBM）技術。胡建諒用一個形象的例子說明了HBM的重要性：“普通筆記本電腦打開網頁很快，但打開大型遊戲就可能卡頓，因為遊戲數據量（視頻、動態效果）遠超網頁。” AI大模型訓練和推理同樣面臨海量數據吞吐的挑戰，傳統DDR內存帶寬已捉襟見肘。HBM通過堆疊DRAM芯片，實現了遠超傳統內存的帶寬（可達30-50倍以上），是支撐高性能計算的關鍵。然而，全球HBM市場目前被Samsung、海力士、美光三家寡頭壟斷（合計份額超99%），中國在此領域幾乎一片空白。“前些年我們一直關注GPU，但HBM怎麼辦？” 胡建諒的發問直指這一“卡脖子”的痛點。DeepSeek的火爆，更凸顯了突破HBM國產化瓶頸的緊迫性，相關產業鏈的投資價值日益凸顯。

隨著數據中心內部數據傳輸速率要求不斷提升，光電共封裝（CPO）和多光纖連接器（MPO）技術正成為新的研發熱點。CPO旨在將光模塊與交換芯片等集成封裝，縮短電信號傳輸距離，降低功耗和延遲；MPO則提供了高密度的光纖連接解決方案。胡建諒指出，光是目前最快的數據傳輸介質，如何高效地進行光電轉換和數據交換至關重要。目前，全球僅有博通等少數公司開始量產相關產品，英偉達對此也高度關注。中國雖然起步稍晚，但已有科研團隊和企業開始佈局研發。“這不僅僅是國內在布，美國也剛剛開始。” 這意味著在該前沿領域，中國仍有追趕甚至彎道超車的機會，相關技術的突破將對未來AI算力集群的性能產生深遠影響。

此外，液冷散熱、特種機櫃等支援性基礎設施，也隨著AI算力需求的增長而水漲船高，成為產業鏈上值得關注的環節。

AI落地場景與終極算力之源

DeepSeek的成功，不僅在於其技術本身，更在於它加速了AI走向通用、走嚮應用的步伐。胡建諒強調，未來的AI投資，必須緊密圍繞應用場景的落地展開。

 DeepSeek為代表的大模型，如同為機器人裝上了更聰明的“大腦”。然而，真正的挑戰在於如何將這個“大腦”與負責運動控制的“小腦”（控制算法）以及“本體”（機械結構）完美融合。胡建諒認為，中國在機器人的小腦和本體方面已達世界一流（“能翻跟頭、跳舞”），但在大腦及其與全身的協同方面仍有差距。未來機器人的發展，一方面需要不斷提升大模型的智能，另一方面則急需找到真實的落地場景（他傾向於先從B端工業場景突破，如防爆巡檢機器人），並通過與用戶和環境的持續交互（強化學習）來不斷進化。

除了機器人，AI與各行各業的結合（AI+）將是大勢所趨。無論是AI+醫療、AI+金融、AI+教育，還是AI+設計、AI+內容創作，都蘊藏著巨大的商業機會。關鍵在於找到合適的切入點，利用AI解決行業痛點，提升效率或創造全新價值。

展望更長遠的未來，支撐AGI所需的巨大算力，可能需要依賴於計算範式的革命性突破。胡建諒特別提到了兩個方向：量子計算和可控核聚變。

在量子計算領域，他認為基於“離子阱”的技術路線因其穩定性和可擴展性，可能是更接近商業化的方向之一。而在被譽為“人造太陽”的可控核聚變方面，除了國家主導的大型托卡馬克裝置（如中國聚變公司參與的項目），他更關注一些由初創公司推動的、裝置規模更小、可能更快實現商業化的“場變（Field-Reversed Configuration, FRC）”等技術路線。他透露，OpenAI等科技巨頭已開始投資此類聚變初創公司，目標是在2028年左右實現關鍵里程碑。這些看似遙遠的領域，實則關係到AI發展的終極能源和算力保障，值得具備長遠眼光的資本提前關注。