小扎说，像DS这样的Thinking模型，实际可能会加大对算力的需求，特别是对像META这样的公司。
Deepseek R1 reasoning/thinking 模型，轻训练， 重推理。将计算量，转移到推理（Inference）阶段。实测DS，也发现它要《Thinking...》好长时间。回答每个问题，要花很长时间，要花更多的计算。
对于像META这样有用户众多的公司，可能并不在效益划算。因为训练就一次，而推理每天就有上亿次。也就是说，Thinking模型 Scaling 不好。
小扎的看的确有道理。就像为什么搞大的发电厂，而不是每家都有个小发电机的道理一样。
这也就是说：NVDA 是里外里都是躺赢：
（1） OpenAI式模型：重训练（需要大量GPUs), 轻推理 （需要较少量GPU）；
（2）DeepSeek式Thinking 模型： 轻训练（需要较少量GPU），重推理（需要大量GPU去支持大量用户提问题）
分析下来，*长持NVDA* 没有多少风险， 躺赢了。让花街不懂的人，去瞎折腾吧！哈哈！
除非the. Size of the data is way way smaller
DeepSeek 是reasoning模型，也就是说，在推理的时候，需要多步Thinking，才能产生好的答案。
相当于有两个学生，一个顺口就能给出答案，另一个要想一会才能给出答案。两个学生，谁更好呢？要看具体情况。
小扎说，像DS这样的Thinking模型，实际可能会加大对算力的需求，特别是对像META这样的公司。
Deepseek R1 reasoning/thinking 模型，轻训练， 重推理。将计算量，转移到推理（Inference）阶段。实测DS，也发现它要《Thinking...》好长时间。回答每个问题，要花很长时间，要花更多的计算。
对于像META这样有用户众多的公司，可能并不在效益划算。因为训练就一次，而推理每天就有上亿次。也就是说，Thinking模型 Scaling 不好。
小扎的看的确有道理。就像为什么搞大的发电厂，而不是每家都有个小发电机的道理一样。
这也就是说：NVDA 是里外里都是躺赢：
（1） OpenAI式模型：重训练（需要大量GPUs), 轻推理 （需要较少量GPU）；
（2）DeepSeek式Thinking 模型： 轻训练（需要较少量GPU），重推理（需要大量GPU去支持大量用户提问题）
分析下来，*长持NVDA* 没有多少风险， 躺赢了。让花街不懂的人，去瞎折腾吧！哈哈！
除非the. Size of the data is way way smaller
DeepSeek 是reasoning模型，也就是说，在推理的时候，需要多步Thinking，才能产生好的答案。
相当于有两个学生，一个顺口就能给出答案，另一个要想一会才能给出答案。两个学生，谁更好呢？要看具体情况。