也谈DeepSeek与算力需求：人形机器人究竟需要多少算力？

在周末的投资圈子里，DeepSeek-R1对算力需求的影响引发了热烈讨论。为了避免读者被一些网络上不准确的信息误导，我们来分享一下对这个问题的看法。

首先，R1是基于V3基础模型训练出的推理模型。一个月前DeepSeek发布V3时，也曾引发过类似的算力需求争议。这两个问题其实有重叠之处。V3的训练成本被报道为557.6万美元，但这个数字有水分，因为开发者明确指出，这仅包括正式训练阶段的费用，并不涵盖前期对架构、算法和数据的研发，以及消融实验等成本。这些前期工作才是AI算力需求的主要消耗。

其次，无论R1还是V3，其本质都是在现有大模型研究成果的基础上，进一步优化算法和训练效率，相当于“站在巨人的肩膀上”。这是否能威胁到OpenAI或Meta等巨头？恐怕不会。这些海外大模型领导者们专注于研发下一代模型，而不是仅仅优化现有版本。

我们距离实现AGI（通用人工智能）还有很长的路要走。DeepSeek的模型目前表现不错，但远未达到完美，不需要进一步进步的程度。目前，我们仍处于AI技术的快速发展期。在可预见的未来，以OpenAI和Google为首的公司和机构将继续向AGI发起挑战，不断推出更大规模的模型或革新基础架构。在此过程中，算力需求只会持续增长。

第三，投资界目前主要关注LLM（大语言模型）的训练算力需求，但很多人忽略了未来推理端的算力需求，以及其他AI领域（如自动驾驶和机器人）的训练与推理需求。对于大语言模型，如果未来某代模型足够成熟，而像DeepSeek这样的公司能大幅降低训练算力，那非但不会对算力市场造成负面影响，反而会是利好，因为它将激发海量的推理需求。

这就引出了我们今天的核心话题：人形机器人需要多少算力？

需要说明的是，这个问题目前没有标准答案。因为以Tesla Optimus为代表的人形机器人大多还处于开发阶段，其模型参数规模和算力需求并不公开。而且，对人形机器人训练的定义也存在争议。例如，Agility Robotics曾表示，现阶段他们只需训练机器人处理标准箱子的搬运任务，而非各种复杂工作。对于这类简单任务，人形机器人的训练和推理相对容易。马斯克也提到，Optimus初期将用于自家工厂的重复性劳动。但显然，马斯克的野心不止于此，他开发机器人是为了追求AGI。因此，我们主要以特斯拉为切入点，来估算人形机器人的算力需求。

1. 人形机器人训练端的算力需求

首先来看训练端的算力。2024年6月，特斯拉拥有相当于超过35,000块NVIDIA H100芯片的算力，用于FSD（全自动驾驶）AI训练集群，并计划在2024年底扩展到近90,000块H100等效算力，用于更广泛的AI训练。这里的用途有所不同：早期35,000块主要针对FSD，而后续扩展的算力，除了FSD外，可能主要用于人形机器人。

此外，马斯克在2024年3月表示，他们已不再缺少AI训练算力，这暗示FSD的算力需求已基本满足。因此，特斯拉未来的算力扩充很可能主要服务于人形机器人。

以每块H100约30,000美元计算，90,000块等效算力的GPU价值约27亿美元。我个人估计，其中至少三分之一（约9亿美元）是为机器人训练准备的。

马斯克还透露，特斯拉2024年的数据中心容量约为130MW，并计划在2025年底达到超过500MW。一块H100功耗约700W，90,000块等效算力对应约63MW。考虑到GPU占服务器功耗的80%，加上数据中心散热等因素，总容量约130MW，这与规划吻合（也侧面验证了马斯克的数据中心规划可靠）。由此推算，到2025年底，特斯拉可能拥有相当于35万块H100的算力。其中，可能超过一半是为人形机器人训练准备的。假设20万块，这对应约60亿美元的GPU投资，扣除2024年底的9亿美元，新增约50亿美元。

以上是基于推测的分析。接下来，我们深入探讨。要实现马斯克设想的通用型人形机器人，其训练难度远超自动驾驶。自动驾驶本质上是二维空间的路径规划问题，早期的BEV（鸟瞰视角）+ Transformer架构就是如此。后来特斯拉升级到Occupancy Network，构建三维视图，但车辆主要仍在二维平面移动。

相比之下，人形机器人的训练复杂得多。除了行走（类似于自动驾驶），还涉及其他三维空间的任务。更重要的是，机器人训练包括物体接触和交互，而非仅避开障碍。这大大增加了难度。