作者： 刘梦麟,陈伟光|
发布时间：Wed, 05 Feb 2025 00:00:00 GMT
半导体行业事件点评：DeepSeek大模型实现训练降本，有望加快AI应用场景落地
摘要
1月20日，DeepSeek发布了一系列DeepSeek-R1模型，显示出在性能和成本方面的显著优势。DeepSeek-R1系列不仅在推理能力上表现优异，还通过大幅降低训练和推理成本，展现出强大的商业化落地潜力。DeepSeek通过技术创新实现了大模型成本的优化，有望加快AI应用场景的落地，并推动算力需求的长期增长。
正文
DeepSeek-R1系列模型发布
1月20日，DeepSeek发布了DeepSeek-R1系列模型，包括DeepSeek-R1、DeepSeek-R1-Zero和DeepSeek-R1-Distill。这些模型在推理能力上表现出色，尤其是在AME2024测试中，DeepSeek-R1的表现略高于OpenAI的I-o1-1217，在MATH-500测试中与OpenAI的表现相当。同时，DeepSeek的API服务定价相较于OpenAI同类产品具有明显优势，显示出显著的成本优势和商业化潜力。
DeepSeek的性能与成本优势
DeepSeek-R1在第三方基准测试中表现优异，超越了OpenAI、Anthropic和Meta等海外领先AI企业。在AIME2024数学基准测试中，DeepSeek-R1得分为79.8%，超过了OpenAI的o1推理模型。在标准化编码测试中，DeepSeek在Codeforces上获得2029 Elo的评级，超越了96.3%的人类竞争对手。
成本方面，DeepSeek的训练成本仅为OpenAI同类模型的十分之一，仅花费557.6万美元与2048块英伟达H800 GPU便完成了性能对标GPT-4o的模型训练。推理方面，DeepSeek的推理成本低至每百万Token0.14美元，而OpenAI的推理成本为每百万Token7.5美元。
DeepSeek的技术创新与成本革命
DeepSeek通过技术创新实现了大幅降本，首次摒弃了监督微调环节，完全依赖强化学习训练大语言模型。对于小模型，DeepSeek通过知识蒸馏技术成功获取了大模型的推理能力，显著提升了小模型在推理任务上的表现。DeepSeek-R1的API服务定价为每百万输入tokens1元（缓存命中）/4元（缓存未命中），远低于OpenAI等可比海外大模型API服务。
这种技术创新不仅引领了人工智能的成本革命，也为应对美国高端GPU出口管制提供了思路。通过软件/架构优化而非硬件堆叠来满足需求，可能导致短期算力芯片采购节奏放缓，但从长期来看，DeepSeek的技术创新有望降低行业技术门槛，加快AI应用场景的落地。
长期影响与国产替代
DeepSeek的大模型成本优化有望加快AI应用场景的落地，长期内可能增加算力总消耗量。随着更广泛的用户与应用场景的拓展，可能会引发对更大参数与更复杂大模型的迭代需求，尤其是在自动驾驶等场景中，算力需求呈现指数级增长。
在国产替代方面，美国限制高端GPU出口，国产算力自主可控需求迫切。若DeepSeek的降本增效技术与国产算力芯片结合，可能加速国产算力的国产替代进程，实现“弯道超车”。
结论
DeepSeek通过技术创新实现了大模型成本的显著优化，展现出强大的商业化落地潜力。长期来看，这种技术进步有望加快AI应用场景的落地，并推动算力需求的长期增长。建议关注AI算力、存储、终端SoC等环节。
风险提示
- 国产替代进程不及预期
- AI应用场景落地不及预期
- 行业资本开支不及预期
延伸阅读
研报PDF原文链接