DeepSeek 一边建数据中心，一边把模型塞进 12GB 显卡DeepSeek V4.1 Flash，7630 亿参数，原生权重 510GB。
官方要 614GB 显存才跑得动，相当于八块 80GB 的 H100。
一周后，社区把它量化到 155GB，塞进一张 12GB 的显卡。
而 DeepSeek 自己，正在建一座一年耗电 80 亿度的数据中心。
这两件事，其实在说同一件事：AI 的边界，卡在算力和电上。
模型越堆越大，电费先扛不住了我这两年一直在折腾算力，最大的感受不是卡贵，是电贵。
上个月我们团队跑一个 70B 的推理任务，租了台四卡 A100，一小时 40 块。
真到月底看账单，电费那一栏，比租金还让我肉疼。
一块 H100 满载三百多瓦，一屋子卡跑起来，电表转得跟电风扇似的。
模型在膨胀，电也在跟着烧。
DeepSeek 这轮去乌兰察布建的数据中心，规划 1GW，一年耗电超过 80 亿度。
选址逻辑就一句：那边风电加光伏，电价全国最低。
连最烧得起钱的团队，都得先把电费算明白，这已经很说明问题了。
堆参数这条路，快走到尽头了前几年，圈里的共识是：参数越大，模型越聪明。
于是从百亿堆到千亿，从千亿堆到万亿，训练一次的电费成了天文数字。
但堆参数的红利，正在肉眼可见地递减。
参数翻一倍，能力往往涨不到两成，电费倒是实打实地翻番。
这条路，越来越像拿电费换面子，不划算了。
同样是 70B 的模型，两年前要一整柜机器才跑得动，现在一张 24GB 的卡就能凑合。
所以技术路线开始转向，从"更大"往"更省"走。
763B 塞进 12GB 显卡，能效成了新战场转折就发生在这一个星期。

有团队把 DeepSeek 的 7630 亿参数模型，用量化方案压到原来的三成。
这套方案叫 GSQ-RCO，出自 ISTA-DASLab；配合的引擎叫 Strata，核心是冷权重按需换页。
原生 510GB 的权重，瘦成 155GB，再配一套把冷权重放硬盘里按需调取的引擎。
结果一张 12GB 的游戏显卡，配 64GB 内存加一块 SSD，就能把这个大家伙跑起来。
实测数据更有说服力。
有人用 RTX 5090 跑，解码 27 tok/s；有人让模型现做了一个 Minecraft 风格 3D 游戏，两小时跑完。
还有人用四台 DGX Spark 组集群，单流干到 87.7 tok/s，上下文能装 75 万个词。
慢是慢了点，但"能跑"这件事本身，已经把窗户纸捅破了。

省下的不是钱，是电算一笔电费账就清楚了。
原生权重要 614GB 显存，得八块 H100 摞一起，满载随便就是几千瓦。
按一小时五六度电算，跑一天的电费，够一个普通家庭用一个月。
现在一张 12GB 显卡两百来瓦，加条内存加块 SSD，就能干差不多的活。
同样一份推理任务，耗电差着几十倍。
这才是最要命的地方。
AI 的下一步，不是造更烧电的巨无霸，而是用更少的电，干更多的活。
谁能把一度电的产出做到极致，谁才真正握住了未来。

从"越大越好"到"越省越强"我的判断是：AI 的发展边界，从来不在想象力，而在算力和电这两根绳子上。
堆参数的蛮力时代，已经见顶了；拼能效的精耕时代，才刚刚开始。
模型还会更强，但路径已经变了——从"越大越好"，到"越省越强"。
以前比的是谁家参数多，往后比的是谁家一度电出活多。
这也是我第一次觉得，AI 的"现实"，不是发布会上的参数，而是机房里那张电费单。
参数可以靠堆，电费却躲不掉，这笔账谁都绕不过去。这大概就是 AI 走进现实最硬的一课。
说到底，AI 拼到最后，拼的是能源账。
你愿意为了把顶级模型装进自己机箱，去配一张 5090 吗？还是继续用云端省心？评论区聊聊。
#探寻人工智能，从技术到真实世界#