中信证券：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
炒股就看金麒麟分析师研报 ，权威 ，专业，及时 ，全面 ，助您挖掘潜力主题机会！
中信证券研究 文|徐涛 杨泽原 雷俊成 王子源 夏胤磊 程子盈
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 。
2）终端：我们看好DeepSeek带来模型轻量化的全面升级 ，端侧硬件接入有望加速爆发 ，助力AI应用全面落地，建议关注品牌厂商 ，SoC芯片厂商 。
