【中国银河】计算机行业行业深度报告：Deepseek冲击波：AI狂潮下计算机行业的颠覆与重生_27页_7mb

报告摘要

DeepSeek作为中国AI领域的突破性成果，凭借“低成本”、“高性能”和“开源”三大关键词，引发全球科技市场的连锁反应。其技术普惠化和开源策略推动了AI技术的广泛应用，对全球科技产业链、资本市场和国际竞争格局产生了深远影响。

行业颠覆：
- DeepSeek改变了传统算力堆砌模式，推动AI产业从“训练为王”向“推理主导”过渡。
- GPU霸权开始松动，通用大模型厂商面临生存危机。
- 专用芯片如ASIC、FPGA和LPU将逐步取代部分GPU市场份额。
行业重生：
- 推理芯片、AI Agent、数据要素等新势力崛起，行业迎来新的增长机遇。
- AI Agent渗透率快速提升，成为AI应用的重要方向。
- 端侧AI迎来巨大发展机遇，具备底层技术、生态合作和场景适配能力的公司有望受益。
技术与成本优化：
- DeepSeek通过算法优化和FP8低精度训练显著降低训练成本，提升推理效率。
- 其开源策略降低AI应用开发成本达90%，推动AI技术普及。
生态与市场趋势：
- 全球ICT行业正从APP生态向AI Agent和终端设备生态转移。
- AI Agent具备自动化、智能交互和决策能力，成为AI落地的关键。
- 2025年AI Agent有望成为爆发元年，未来三年复合增长率可能超过60%。

多头潜在注意力机制（MLA）：
- 通过压缩键值向量，显著减少KV缓存需求，提升推理效率。
- MLA在保持或提升性能的同时，降低计算资源消耗。
DeepSeekMoE架构：
- 采用专家混合系统，通过稀疏计算方式降低训练和推理成本。
- 在相同参数规模下，性能优于传统MoE模型，如GShard。
FP8低精度训练：
- 显著降低显存占用和训练成本，提升计算效率。
- 支持多种主流框架，如SGLang、LMDeploy和TensorRT-LLM。
纯强化学习（RL）：
- DeepSeek-R1-Zero是首个完全通过RL训练的开源推理模型。
- 通过多阶段训练和冷启动数据，进一步提升推理性能和可读性。
知识蒸馏：
- 将DeepSeek-R1的推理能力迁移到小型模型中，如Qwen-7B和Llama-70B。
- 提升小模型的推理能力，降低对高算力的依赖。

模型名称	参数量（亿）	训练数据（万亿）	训练成本（万美元）	API价格（输入/输出）	与OpenAI-o1-1217对比
GPT-4o	-	13	6300	0.03美元/千token，0.06美元/千token	低于
DeepSeekV3	6710亿	14.8	557.6	0.14美元/百万token，0.28美元/百万token	相当
DeepSeekR1	15-70亿	-	-	4元/百万token，16元/百万token	相当
Llama3.1405B	4050亿	15	-	-	-