DeepSeek 現象與開源 AI 的地緣政治：技術民主化還是戰略工具？

2025 年 1 月 20 日，就在唐納·川普（Donald Trump）宣誓就任美國第 47 任總統的同一天，一家中國 AI 公司悄然發布了一個將在數日內震動全球資本市場的模型。深度求索（DeepSeek）發布的 DeepSeek-R1 在數學推理、程式設計與科學問題解決等基準測試中，達到或超越了 OpenAI 的 o1 模型——而據報導，其訓練成本僅約 557 萬美元，不到美國同級模型數億美元投資的零頭。^[1]1 月 27 日，美國股市出現劇烈震盪：NVIDIA 單日市值蒸發約 5,930 億美元，創下美國股市歷史上單一公司最大單日跌幅。^[2]這個被稱為「DeepSeek 時刻」的事件，揭示了一個令人不安的事實：美國自 2022 年 10 月起實施的一系列半導體出口管制——旨在限制中國取得先進 AI 運算能力的政策——可能並未如預期般有效地遏制中國的 AI 發展。如果中國能以更少的算力、更低的成本，訓練出不遜於美國頂級實驗室的模型，那麼圍繞 AI 晶片的地緣政治博弈的整個戰略前提就需要重新審視。本文試圖從地緣政治賽局、開源經濟學與技術主權三重維度，剖析這個正在重塑全球 AI 格局的結構性變遷。

一、DeepSeek 的技術解構：算法創新如何「繞過」硬體限制

要理解 DeepSeek 現象的地緣政治意涵，首先需要理解其技術成就的本質。DeepSeek-V3（R1 的基礎模型）是一個 671B 參數的混合專家模型（Mixture of Experts, MoE），但每次推論僅激活 37B 參數——這意味著它的實際運算需求遠低於其名義參數量所暗示的規模。^[3]

DeepSeek 的核心技術創新集中在三個方面。第一，多頭潛注意力機制（Multi-head Latent Attention, MLA）——通過將注意力鍵值（key-value）壓縮至低維潛空間，大幅減少推論時的記憶體需求與計算成本。傳統的多頭注意力機制（Multi-Head Attention）是 Transformer 架構的核心瓶頸之一；MLA 以優雅的數學手法，在維持模型表現的同時將這個瓶頸顯著緩解。^[3]

第二，無輔助損失的負載平衡策略（Auxiliary-loss-free Load Balancing）。在混合專家模型中，如何確保不同專家（expert）之間的工作負載均衡分配是一個長期的工程難題。傳統方法使用輔助損失函數來懲罰不均衡的分配，但這會犧牲模型的最終表現。DeepSeek 提出了一種基於偏差項的動態調整機制，在不犧牲模型品質的前提下實現負載均衡。^[3]

第三，也是最具策略意涵的創新——FP8 混合精度訓練框架。在美國出口管制下，DeepSeek 據報導使用的是 NVIDIA H800 GPU（H100 的對華出口合規版本，互聯頻寬被限制至 400 GB/s）。^[4]通過開發 FP8（8 位浮點數）混合精度訓練框架，DeepSeek 將訓練的浮點運算精度從業界標準的 BF16（16 位）降至 FP8，使每塊 GPU 的有效運算能力幾乎翻倍——這從根本上改變了「算力限制」的計算公式。

DeepSeek-R1 在 V3 的基礎上，進一步引入了大規模強化學習（Reinforcement Learning, RL），使模型發展出類似「思維鏈」（Chain of Thought）的推理能力——不僅給出答案，還展示推理過程。^[1]最引人注目的是 DeepSeek-R1-Zero 實驗——研究者發現，即使不使用任何人類標注的監督式微調數據，僅通過純粹的強化學習，模型就能「自發地」發展出推理行為。這個發現挑戰了 AI 研究界對於推理能力必須通過精心設計的訓練數據才能「教會」模型的普遍假設。

二、「成本衝擊」的真實與迷思：一場話語權的爭奪

DeepSeek 聲稱的 557 萬美元訓練成本，成為了全球媒體報導的焦點數字。然而，這個數字需要審慎解讀。

首先，557 萬美元僅計算了 V3 最終訓練階段的 GPU 租賃成本（基於 2,048 顆 H800 GPU、14.8 萬億 token 的訓練量、約兩個月的訓練時間）。^[3]它不包括：前期的研究與實驗成本、數據收集與處理成本、人才薪酬、多次失敗的訓練實驗、以及 R1 階段的強化學習訓練成本。一些分析師估計，如果計入這些間接成本，DeepSeek-R1 的全生命週期開發成本可能在 3,000 萬至 1 億美元之間——仍然遠低於 OpenAI 或 Google 的同級模型，但遠高於媒體聳動的「557 萬美元」標題。^[5]

其次，有報導指出 DeepSeek 的母公司幻方量化（High-Flyer Capital Management）可能在美國出口管制生效前，已採購了超過 10,000 顆 NVIDIA A100 GPU。^[6]這些高端 GPU 在研發階段的實驗中扮演了什麼角色，外界無從得知。簡言之，「557 萬美元」更像是一個精心框架的行銷數字，而非一個全面的成本核算。

但即使考慮了這些調整因素，DeepSeek 的成就仍然具有結構性的意義。它證明了一個關鍵命題：算法效率的提升可以部分替代硬體的暴力堆疊。如果用一個類比：美國的 AI 策略類似於在軍事競賽中控制對手的鋼鐵供應，期望藉此限制對手造船的能力。DeepSeek 的回應是——我們不需要更大的船，我們需要更好的船。^[7]

這個命題的政策含意是深遠的。正如 Epoch AI 研究所的分析指出，在過去兩年中，頂級模型的訓練計算效率（compute efficiency）每年提升約 2-3 倍——這意味著相同的模型性能，每年僅需一半至三分之一的計算資源。^[8]如果這個趨勢持續，出口管制所能提供的「時間窗口」將持續縮短。

三、開源 AI 的地緣政治經濟學：一個多維賽局

DeepSeek 選擇以 MIT 授權開源其模型權重，這個決策背後有著複雜的賽局考量。

從經濟學角度，開源是一種「平台策略」——通過免費提供基礎模型，建立生態系統黏性，從而在 API 服務、企業客製化等衍生市場獲利。Meta 的 Llama 系列證明了這個模式的可行性：Llama 3.1 於 2024 年發布後，迅速成為全球使用量最大的開源 LLM，Meta 藉此在 AI 開發者社群中建立了強大的品牌資產和生態系統控制力。^[9]

然而，中國 AI 企業的開源決策還有一個額外的地緣政治維度。在美國持續加強晶片出口管制的背景下，中國 AI 企業面臨一個囚徒困境（Prisoner's Dilemma）：如果閉源，則受限於國內市場，無法參與全球 AI 標準的制定；如果開源，則可以通過廣泛的全球採用來影響 AI 發展的技術路徑，同時使出口管制的效果進一步被稀釋——因為一旦模型權重公開，任何人都可以在任何硬體上進行推論和微調。^[10]

DeepSeek 的開源策略可以理解為一種「技術外交」——通過提供高品質的免費模型，建立全球依賴關係，進而在國際 AI 治理的話語權競爭中獲得籌碼。這與冷戰時期蘇聯通過技術援助擴展地緣影響力的邏輯有相似之處，但在數位時代，這種影響力的傳播速度是指數級的。

目前的全球開源 AI 生態系統已形成四極格局：美國的 Meta（Llama 系列）、法國的 Mistral、中國的 DeepSeek/阿里雲 Qwen、以及由各國學術機構主導的社群模型（如 BigScience 的 BLOOM）。^[11]每一極的開源動機各不相同——Meta 是為了對抗 OpenAI 和 Google 的閉源壟斷；Mistral 代表歐洲的技術主權訴求；DeepSeek 兼具商業擴張與地緣政治考量；社群模型則體現了學術界對 AI 民主化的理想主義。這個多極格局意味著：開源 AI 不再是一個單純的技術運動，它已成為大國科技博弈的新戰場。

四、美國的戰略困境：晶片管制的「莫比烏斯帶」

DeepSeek 的崛起暴露了美國 AI 晶片出口管制政策的結構性矛盾。

自 2022 年 10 月美國商務部工業與安全局（BIS）發布首輪對華先進運算出口管制以來，^[4]美國已進行了多次「補洞」——限制 NVIDIA H100 的對華銷售後，中國轉向合規版 H800 和 A800；當 BIS 進一步收緊標準後，華為推出了自研的昇騰 910B 晶片；而 DeepSeek 的算法創新，則從根本上挑戰了「限制算力即限制 AI 能力」的假設。

這形成了一個政策的「莫比烏斯帶」（Möbius strip）：管制刺激了被管制方的自主創新，而自主創新削弱了管制的有效性，這又促使管制方進一步加強管制——周而復始。^[12]更值得注意的是，每一輪加強管制都伴隨著顯著的附帶損害（collateral damage）——NVIDIA 因失去中國市場（曾佔其數據中心收入的 25%）而承受財務壓力；盟國（如荷蘭的 ASML、日本的東京威力科創）因被要求配合管制而面臨商業損失與外交摩擦。^[13]

川普政府在 2025 年 1 月上任後的政策走向，進一步增加了這一局勢的不確定性。一方面，川普撤銷了拜登政府的 AI 行政命令，釋放了「放鬆 AI 監管」的訊號；另一方面，其對華政策團隊傾向於更激進的技術脫鉤。^[14]這種「對內放鬆、對外強硬」的組合，可能導致一個弔詭的結果——美國企業在更寬鬆的國內環境中加速創新，但更嚴格的出口管制可能進一步刺激中國的自主替代，最終加速而非延緩全球 AI 技術的擴散。

五、開源 AI 的雙面刃：民主化的承諾與風險

開源 AI 模型的擴散帶來了兩個層面的影響，需要分開評估。

在積極面，開源 AI 正在實質性地降低 AI 開發的門檻。根據 Hugging Face 的統計，截至 2025 年底，平台上已託管超過 100 萬個模型，月活躍開發者超過 500 萬人。^[15]開源模型使得中小企業、學術機構、甚至個人開發者能夠在不依賴科技巨頭 API 的前提下，建構自己的 AI 應用。這對於發展中國家尤為重要——它們可能無力負擔 OpenAI 或 Google 的企業級定價，但可以基於開源模型建立符合本地需求的應用。在某種意義上，開源 AI 是一種技術民主化的力量——它挑戰了「只有最富有的國家和最大的企業才能參與 AI 革命」的權力結構。

在風險面，開源模型一旦發布，就無法被「撤回」——它可以被任何人下載、修改、並移除安全護欄（safety guardrails）。Meta 內部洩露的 Llama 初始版本在發布後數日內就被去除了安全限制。^[16]這引發了嚴肅的安全關切：開源推理模型是否可能被用於加速生物武器設計、網路攻擊工具開發、或大規模虛假資訊的生成？這不是一個假設性的風險——AI 安全研究機構 RAND Corporation 的分析指出，目前的開源 LLM 已能夠為具備基礎知識的個人提供顯著的「能力提升」，特別是在化學與生物學領域的知識獲取方面。^[17]

歐盟 AI 法案試圖在這兩個面向之間取得平衡。法案第 2 條為「自由且開源」的 AI 模型提供了部分豁免——如果模型以開放授權發布且不作為商業 AI 系統的一部分，則可免於部分合規義務。但具有「系統性風險」的開源模型仍然需要遵守相關義務。^[18]這個折衷方案反映了一個根本性的治理困境：開源是一種全球公共財（global public good），但全球公共財的治理需要全球性的協調機制——而在當前的地緣政治氣候下，這種協調機制幾乎不可能建立。

六、台灣的戰略機遇：在開源生態中的定位

台灣在全球 AI 開源生態系統中的角色，需要從其獨特的產業結構出發進行思考。

第一個維度：硬體基礎設施。開源 AI 的普及並不減少對先進晶片的需求——事實上，它可能增加需求。當更多組織和個人能夠使用開源模型進行推論和微調時，全球對 AI 推論晶片的需求將進一步擴大。台積電的先進製程（3nm、2nm）和先進封裝技術（CoWoS），在可預見的未來仍然是全球 AI 硬體供應鏈中最難以替代的環節。^[19]DeepSeek 的成功不是「不需要好晶片」的證明，而是「需要用更聰明的方式使用好晶片」的證明——這實際上強化了台灣晶片製造的價值，因為效率導向的訓練方法對晶片品質的要求更高，而非更低。

第二個維度：繁體中文 AI 生態。目前主流的開源 LLM 在繁體中文的表現普遍遜於英文和簡體中文。^[20]這為台灣創造了一個獨特的機會窗口——基於開源基礎模型，針對繁體中文、台灣法律體系、台灣產業術語等進行專業化微調，建立服務台灣市場（以及全球繁體中文使用者）的垂直模型。國家科學及技術委員會（國科會）旗下的 TAIDE 計畫已在這個方向上邁出了第一步，但需要更大規模的產業參與和更持續的投資。

第三個維度：作為「可信任的第三方」。在中美技術脫鉤加劇的背景下，許多國家和企業不願完全依賴美國或中國的 AI 生態系統。台灣——作為一個成熟民主國家，具有強大的技術能力、可靠的智慧財產權保護、以及不會「隨政治風向改變規則」的制度穩定性——有潛力成為全球 AI 供應鏈中的「可信任第三方」。這不是要取代美國或中國的地位，而是在兩者之間提供一個安全的「第三條路徑」。

當然，這個戰略定位需要制度配套。台灣需要在AI 治理、資料跨境傳輸、以及智慧財產權保護等方面，建立與國際標準接軌的制度框架——這不僅是合規的需要，更是建立國際信任的基礎。

七、結語：從算力競賽到智慧競賽

DeepSeek 現象揭示的最根本的洞見或許是：AI 競爭的本質正在從「算力競賽」（compute race）轉向「智慧競賽」（intelligence race）——不是誰能堆疊最多的 GPU，而是誰能最聰明地使用有限的資源。這個轉變對全球 AI 格局的影響是結構性的。

對美國而言，它意味著出口管制雖然仍然具有短期的戰略價值，但不能作為維持 AI 領先地位的唯一或主要工具。真正的護城河在於基礎研究的深度、人才生態系統的厚度、以及制度環境的開放度。^[21]

對中國而言，DeepSeek 的成功在短期內是一次信心提振，但也帶來了新的挑戰——如何在開源承諾與國家安全考量之間取得平衡；如何在算法創新的領先中維持持續的動能；以及如何回應因 DeepSeek 成功而可能加碼的出口管制。

對台灣而言，DeepSeek 時刻是一個清晰的提醒：台灣的 AI 戰略不能僅僅停留在「為全世界製造 AI 晶片」的定位上。在算法效率快速提升的趨勢下，台灣需要同時在軟體生態系統（繁體中文模型、應用層）與制度建構（AI 治理、資料法規）上建立深度，才能確保其在全球 AI 供應鏈中的長期不可替代性。

開源 AI 的地緣政治是一場正在進行的賽局——它沒有終局均衡，只有不斷演化的策略互動。在這個賽局中，勝出的不是最強大的玩家，而是最具適應力的玩家。