中國 AI 黑馬 DeepSeek 崛起降本推動應(yīng)用爆發(fā)可期2025

0滬深300質(zhì)量發(fā)展再上新臺階，中長期資金入3、《通信行業(yè)點評：低空經(jīng)濟發(fā)展引發(fā)全球人工智能領(lǐng)域關(guān)注。在數(shù)學、代碼、自然語言推理等任務(wù)上，性o同海外大模型廠相比，DeepSeek采用了完全不同的降本路徑。1）DeepSeek做了極致的工程優(yōu)化（主要體現(xiàn)在細粒度MoE架構(gòu)、Pre/Post-training優(yōu)化和硬件調(diào)度等方面）。2）海外大模型廠商托強大的硬件研發(fā)和生產(chǎn)能力帶來的降本。當前已有眾多國內(nèi)外科技巨頭和云廠商接入DeepSeek。o投資建議：降本是科技發(fā)展的必由之路，融合不同的架構(gòu)、工程優(yōu)化以及發(fā)，海外算力租賃價格持續(xù)回暖；建議關(guān)注數(shù)據(jù)中心及配套溫控&電源數(shù)據(jù)中心之間的數(shù)據(jù)交互需求，DCI技術(shù)的升級和網(wǎng)絡(luò)建設(shè)持續(xù)投敬請閱讀末頁的重要說明2正文目錄 3 3 3 3 4（3）Deepseek聚焦垂直精度，GPT 5 6 6 6 6 7 7 7 9 5 3 3 4 4 4 6 9敬請閱讀末頁的重要說明一、中國AI黑馬DeepSeek引發(fā)DeepSeek高性價比的優(yōu)勢，輸入和輸出令牌成本遠低于同類模型，為發(fā)布時間模型DeepSeek-V3首個版本自研MoE模型，生成速度較V2.5提升3倍，有6710億參數(shù)，在14.8萬億token上預(yù)訓練，數(shù)學能力出色，訓練成本557.6萬美元，同步開源DeepSeek-R1、DeepSeek-R1-Zero、DeepSeek-R1-DistillDeepSeek-R1系列使用強化學習訓練，推理含反思驗證，思維鏈長，在數(shù)學、代碼等復(fù)雜推理任務(wù)表現(xiàn)出色，模型權(quán)重同步開源Janus-Pro-7B基于視覺的模型Janus-Pro多模態(tài)大模型采用新穎自回歸框架，在GenEval和DPG-Bench基準測試表現(xiàn)佳），長捕捉長序列依賴、并行計算快且結(jié)構(gòu)易擴展。但依賴龐大參數(shù)和黑箱式訓練，成本高昂。我們認為當前較難簡單判斷MoE和Transformer哪種架構(gòu)會脫穎敬請閱讀末頁的重要說明4檻高廠商所在地區(qū)模型名稱使用架構(gòu)OpenAI海外GPT系列Transformer架構(gòu)中的Decoder-only架構(gòu)Meta海外Llama系列Transformer架構(gòu)DeepseekV3、R1等MoE架構(gòu)百度文心一言Transformer架構(gòu)阿里云通義千問Transformer架構(gòu)字節(jié)跳動豆包Transformer架構(gòu)昆侖萬維天工系列大模型MoE架構(gòu)商湯部分模型MoE架構(gòu)廠商模型名稱訓練成本（預(yù)估）備注DeepSeekDeepSeek-R1約557.6萬美元（不含基礎(chǔ)設(shè)施等）使用2048塊H800GPU訓練6710億參數(shù)模型OpenAIGPT-4約7800萬美元（計算量成本），2024年訓練成本預(yù)計達30億美元-GoogleGeminiUltra1.91億美元-MetaLlama3-搭建兩個分別具有24,000塊H100GPU的計算集訓練表5：DeepSeekVSGPTAPI接口成本模型輸入成本（每百萬Token）輸出成本（每百萬Token）DeepSeek-R10.55美元2.19美元OpenAIo160美元敬請閱讀末頁的重要說明定制和本地部署，甚至支持商業(yè)用途。相比之下，GPT作為閉源模型，用戶只能通過API調(diào)用，無法掌控底層邏輯。lDeepSeek在數(shù)學推理、中文處理、代碼生成等領(lǐng)域表現(xiàn)突出，甚至超越GPT-4o。例如，其在美國數(shù)學競賽（AIME）中的準確率達90.2%，遠超敬請閱讀末頁的重要說明二、DeepSeek工程化優(yōu)化創(chuàng)新點解析主動和被動的雙重選擇：l應(yīng)對硬件限制：國內(nèi)在高端GPU等硬件資源上相對短缺，采購和使用成特定領(lǐng)域的知識問答等。DeepSeek的優(yōu)著降低計算資源消耗。例如在生成較長文本時，GPT需要對整個模型的參數(shù)進行遍歷和計算，而DeepSeek可以有針對性地調(diào)化長文本處理性能，減少信息衰減，提升效率的同時降低相關(guān)成本。組件保留FP16，在保證模型性能的前提下減少硬件資源需l降低顯存占用：FP8的數(shù)據(jù)存儲位數(shù)僅為FP32的四分之一，F(xiàn)P16為廠商模型舉例訓練精度推理精度OpenAIGPT系列常涉及FP32、FP16、BF16，依任務(wù)與硬件權(quán)衡選擇FP16、BF16等，兼顧效率與精度GooglePaLM系列混合精度，如FP16結(jié)合少量FP32確保關(guān)鍵參數(shù)精度混合精度，依硬件與場景動態(tài)調(diào)整敬請閱讀末頁的重要說明廠商模型舉例訓練精度推理精度DeepMindChinchilla采用適合TPU架構(gòu)的混合精度策略，如FP16為主，特定層或操作輔以FP32以滿足應(yīng)用場景需求為導(dǎo)向，靈活選擇FP16、BF16等百度文心一言訓練可能采用FP16、FP32混合精度推理根據(jù)硬件與場景選擇FP16、BF16等科大訊飛訊飛星火組合FP16、FP32，確保關(guān)鍵環(huán)節(jié)精度推理時按應(yīng)用場景靈活選用FP16、BF16DeepSeekDeepSeek-V3、核心參數(shù)FP8，敏感組件保留FP16可能采用與訓練類似精度策略，或依實際推理需求微調(diào)DeepSeek采用流水線并行技術(shù)提升GPU利用率，結(jié)合定制通信庫，優(yōu)化在大規(guī)模集群上訓練時，通過對Transformer架構(gòu)的優(yōu)化，讓不同部分在敬請閱讀末頁的重要說明Trainium和AWSInferentia通過AmazonElasticComputeCloud(Amazon敬請閱讀末頁的重要說明三、對算力硬件各環(huán)節(jié)影響B(tài)arclays預(yù)測：到2026年，如果Agent在企業(yè)任務(wù)滲透率超過5%，那么所需的總計算量約為1500億EFLOPS，其中推理計算將占近75%，訓練計算占25%。IDC預(yù)測：云端推理占算力的比重將逐步提升，預(yù)計到2026年推理占 發(fā)，海外算力租賃價格持續(xù)回暖；建議關(guān)注數(shù)據(jù)中心及配套溫控&電源敬請閱讀末頁的重要說明0Feb/23Aug/2300Feb/23Aug/23敬請閱讀末頁的重要說明負責本研究報告的每一位證券分析師，在此申明，本報告清晰、準確地反映了分析師本人的研究觀點。任何部分過去不曾與、現(xiàn)在不與，未來也將不會與本報告中市場基準指數(shù)的市場表現(xiàn)預(yù)期。其中，A股市場以滬深300指數(shù)為基準；香港推薦：行業(yè)基本面向好，預(yù)期行業(yè)指數(shù)超越基準指數(shù)本報告由招商證券股份有限公司（以下簡稱“本公司”）編制。本公司具有中國證監(jiān)會許可的證券投資咨詢業(yè)務(wù)資格。本報告基于合法取得的信息，但本公司對這些信息的準確性和完整性不作任何保證。本報告所包含的分析基于各種假設(shè)，不同假設(shè)可能導(dǎo)致分析結(jié)果出現(xiàn)重大不同。報告中的內(nèi)容和意見僅供參考，