强哥聊算力 · 《算力江湖·DeepSeek》第四集：DeepSeek如何改变中国算力的采购逻辑？
**导读：**我做服务器二十多年，见过很多次硬件升级。单核CPU变多核，机械硬盘变SSD，普通服务器开始装GPU。但DeepSeek带来的这次变化，我觉得和过去都不太一样。以前硬件升级，客户还是先买机器，再考虑软件怎么跑；到了大模型时代，越来越多客户反过来了，先告诉我"我要跑DeepSeek""我要做知识库"......
模型开始反过来决定硬件怎么买
我做服务器二十多年，见过很多次硬件升级。单核CPU变多核，机械硬盘变SSD，普通服务器开始装GPU。但DeepSeek带来的这次变化，我觉得和过去都不太一样。以前硬件升级，客户还是先买机器，再考虑软件怎么跑；到了大模型时代，越来越多客户反过来了，先告诉我"我要跑DeepSeek""我要做知识库""我要做Agent"，然后我们再倒推到底需要什么GPU、多少显存、多少内存和什么样的存储。模型开始反过来决定硬件怎么买。
你回头看我们《算力江湖》前面讲过的那些公司，就会发现它们突然被一条线串起来了。英伟达、寒武纪、沐曦、摩尔线程提供GPU和AI加速能力；Intel、AMD、海光负责CPU和系统计算；长鑫代表的存储体系解决内存供给；再往下还有SSD、高速网络、电源、散热和数据中心。以前这些公司像各打各的仗，DeepSeek这类大模型出现以后，它们一下都成了同一座AI工厂里的零件。
一套AI平台需要各个环节彼此平衡
最典型的变化，就是客户不再只问"这台服务器有几张卡"。现在真正有经验的团队会继续问：单卡显存多少？模型怎么切？多卡之间怎么通信？系统内存够不够？RAG的数据放在哪里？并发起来以后磁盘和网络会不会堵？这就是大模型给服务器行业带来的新逻辑。GPU当然还是核心，但一台机器能不能跑得好，已经越来越取决于整个平台的平衡，而不是单纯把最贵的显卡塞进去。
DeepSeek还有一个更深的影响，就是把"效率"这件事提到了算力竞争的正中央。过去大家习惯说，模型越大越好，GPU越多越好。但DeepSeek从V3开始就一直在做另一件事：怎样让同样的算力干更多活。到了2026年9月发布的V4.1-Flash，这条路线更加明显。它是552B参数的MoE模型，输入时只激活8B参数、输出时激活16B参数；DeepSeek官方还说，相比上一代，它的KV Cache只需要四分之一的HBM和八分之一的SSD存储。
更大的集群与更高的效率同时存在
这意味着未来算力竞争可能有两条路同时存在。一条是继续建设更大的GPU集群，解决更大的模型和更高的并发；另一条是不断优化模型架构、精度、缓存和推理框架，让一张GPU服务更多用户。对于我们做服务器的人来说，这两条路一点都不矛盾。客户越来越多，AI任务越来越复杂，单次计算又越来越便宜，最后很可能出现的结果就是：单位算力更高效，但全社会消耗的总算力反而继续增长。
这也给国产算力带来了一个现实机会。国产GPU面对的不只是芯片性能问题，还包括CUDA生态形成的开发习惯与迁移成本。DeepSeek这类开放模型提供了相对统一、可复现的适配对象，不同硬件平台可以围绕同一模型持续优化算子、推理框架和集群部署。开放模型像一套公开考题，既方便比较能力，也让国产算力拥有更多真实场景来打磨软件生态。
开放模型为多种算力平台创造入口
当然，这不意味着国产GPU马上就能全面替代英伟达，也不意味着模型越省，以后服务器就不值钱了。真正的变化是，算力开始从少数互联网大厂的资源，变成越来越多行业自己的生产工具。医院希望AI留在院内，高校希望模型留在实验室，制造企业希望知识和工艺留在工厂，政企用户希望数据留在自己的网络里。每多一个这样的本地AI场景，背后就多一套GPU、内存、存储和网络需求。
所以我现在越来越觉得，服务器正在变成AI的身体。模型决定它要做什么，GPU像肌肉，CPU负责协调，内存和存储负责记忆，网络像神经，把不同节点连起来。DeepSeek真正改变的，也许不是某一次模型排行榜，而是让更多人第一次认真问：我们是不是也应该拥有自己的AI算力？当这个问题开始同时出现在高校、医院、工厂、企业和政府部门的时候，《算力江湖》真正的大时代，可能才刚刚开始。
从模型发展回到算力建设
大模型部署不能只看参数规模，还要结合精度方式、上下文长度、并发用户、知识库容量、响应速度以及持续运行要求，综合评估GPU显存、CPU、内存、NVMe存储、高速网络和散热条件。不同单位的业务目标不同，适合的算力路径也不会完全相同。
本文由网昱智算制作"强哥聊算力"系列