文｜徐涛 杨泽原 雷俊成 王子源 夏胤磊 程子盈中信证券研究

DeepSeek通过工程化能力创新，实现了大模型训练和推理算力成本的极致优化，也为端侧部署高性能模型提供新的方向。本篇报告我们通过分析DeepSeek V3和R1模型论文，理解其核心逻辑是“按需分配算力，最小化冗余计算”，使得千亿级模型在低成本硬件（甚至边缘设备）上高效运行成为可能，为大规模商业化落地提供了技术基础。我们看好DeepSeek新一代模型带动云端推理需求爆发，加速AI应用端侧落地：建议核心关注晶圆代工、国产算力芯片、定制化存储、终端品牌、SoC五大方向。

▍DeepSeek如何实现的训练成本降低？

1）架构创新：DeepSeek-V3的基础架构中采用了DeepSeekMoE专家架构和MLA多头潜在注意力机制，DeepSeekMoE通过细粒度专家分配、共享专家及无辅助损失负载均衡策略优化传统MoE，提升计算资源效率；MLA通过低秩联合压缩减少注意力键值缓存占用，提升计算效率、减少内存消耗。

2）FP8混合精度训练：在全球主流大模型中率先采用FP8低精度数据进行大规模训练，大部分核心计算用FP8提升速度、降低内存用量，部分关键操作保留高精度确保动态稳定性。

3）训练工程优化：DeepSeek在主流大模型中率先采用硬盘充当输入端缓存，设计DualPipe算法实现高效流水线并行，融合前后向通信阶段，减少阻塞；采用定制化高效跨节点all-to-all通信内核降低通信开销；通过重计算、EMA、共享向量和输出头减少内存占用。

4）数据策略优化：应用多token预测机制MTP，增加训练信号密度，减少20%训练迭代次数，帮助模型捕捉长距离依赖关系。

▍DeepSeek如何实现的推理成本降低？

DeepSeek-V3对推理的预填充和解码两个阶段都优化了专家使用效率：预填充阶段MoE用EP32及冗余专家策略提升效率，解码阶段探索动态路由减少通信开销；还通过支持FP8、INT8量化和提供蒸馏版本，实现低精度量化与模型压缩，减少显存占用。DeepSeek的开源生态可以更好支持硬件厂商适配，例如可以对MLA算子优化提升推理效率，DeepSeek-R1发布后国内外芯片厂商快速响应支持DeepSeek。1月25日，AMD宣布已将新的DeepSeek-V3集成到Instinct MI300X GPU上并经过SGLang对推理过程进行了优化，英伟达、英特尔也随后在1月31日官宣支持。国内厂商都已经官宣完成对DeepSeek的适配，国产算力成为相对稳定可靠的选项，支撑国产大模型从研发走向商业化。

▍从DeepSeek算力需求看AI芯片设计方向？

DeepSeek 在论文的芯片设计意见指导中指出通信和计算同等重要，计算方面降低精度和内存需求是关键。在通信硬件优化上，DeepSeek建议开发独立通信协处理器，实现计算与通信物理分离，同时建议融合网络架构，统一IB和 NVLink的网络协议栈，统一通信接口以简化编程复杂度和降低通信延迟；在计算硬件优化上，建议提升 FP8 计算精度，并支持分块量化与在线量化，减少访存开销，提升推理效率。我们认为DeepSeek建议带来两点启示：

1）“推理速度”基本90%是由decoding阶段决定的，因此内存容量决定大模型推理速度，我们认为内存升级仍是算力芯片升级的重点方向，看好近存计算发展。

2）我们认为在模型开源的策略下，DeepSeek-R1蒸馏后的小模型性能有望持续快速提升，帮助端侧硬件加速接入，助力AI应用全面落地。我们看好品牌商和SoC芯片厂商的成长机遇。

▍风险因素：

算力芯片供应链风险；芯片产能供给不足的风险；互联网大厂资本开支不及预期；相关产业政策出台力度不及预期；AI技术及应用发展不及预期；芯片技术迭代不及预期；国产先进制程量产进展不及预期；行业竞争加剧等。

▍投资策略：

我们看好DeepSeek新一代模型带动云端推理需求爆发，加速AI应用端侧落地：

1）云端：DeepSeek有望开启全新的Scaling Law，模型重心逐步从预训练切换到强化学习、推理阶段，助力算力需求持续增长。