AI大模型竞赛方兴未艾，OpenAI与DeepSeek引领行业生态重构半导体行业深度报告（十二）

标配

证券分析师

方霁 S0630523060001 fangji@longone.com.cn 联系人
董经纬
djwei@longone.com.cn

投资要点：

2024年全球AI市场规模有望达到6.16万亿美元，同比增长30.1%,2027年有望扩张至11.64万亿美元，CAGR为23.65%。AI概念于1956年达特茅斯会议首次提出，是一种模拟人类智能的技术，按照智能程度划分，主要分为狭义人工智能、通用人工智能和超级人工智能，目前通用人工智能还处于理论阶段。AI具有算力、算法、数据三大要素，算法决定了AI如何处理数据和解决问题，数据决定了算法是否能得到有效的训练和优化，算力提供了执行算法和处理数据所需的计算资源。从AI产业链看，整体涵盖基础设施层、模型层、平台层、应用层及服务层多个环节，基础设施层主要包括与芯片、计算、存储、网络、软件、连接与通信等多个上游领域，模型层可分为通用大模型、行业大模型等。根据Frost&Sullivan，自2020年起，全球AI市场规模以高于20%的同比增速呈现迅猛增长的态势，从2019年的1.91万亿美元有望扩张至2024年的6.16万亿美元，同比增速逐年上升，整体市场有望在2027年扩张至11.64万亿美元，体现出全球AI行业井喷式的发展速度。

未来五年全球大模型行业市场规模的CAGR有望达到36.23%，AIAgent或将成为继API调动和模型推理部署后新的商业化形式，大模型行业竞争格局也将逐步收敛至头部厂商。AI大模型作为AI产业链中的核心环节，经过大规模数据和强大的计算能力训练，通常具有高度的通用性和泛化能力，可以应用于自然语言处理、图像识别、语音识别等领域。深度学习是机器学习的重要分支，主要涵盖预训练、后训练、推理等阶段，ScalingLaw是预训练阶段驱动模型进步的第一性原理，“涌现”现象进一步证明了模型参数量、数据、计算量大小对于模型性能提高的重要性。大模型的商业化落地形式主要包括通过API调用收费以及定制化的模型推理部署，前者市场价格竞争较为激烈，后者是国内的核心业务模式，尤其是云端部署，从金额来看，在政务、教科领域落地的大模型项目较多。随着AIAgent发展，未来基于结果和价值创造的商业模式有望逐步落地。从行业供给格局看，大模型竞争日趋白热，模型之间差距逐步缩小，护城河不清晰，厂商需要持续大量投入，海内外竞争格局都将逐步收敛至头部厂商，部分规模较小的模型厂商或聚焦于垂直化的细分场景。

GPT与OpenAIo1系列模型分别验证了算力投入在训练侧和推理侧的重要性，而DeepSeek通过创新性的训练方法和架构实现了较低的模型训练成本，在未来大模型不断创新迭代的背景下，性能提升与成本下行或成为两条重要主线。基于GPT-3.5的ChatGPT的发布推动了AI技术的普及和AI产业的变革，是人工智能的重要里程碑之一。ChatGPT的创始人OpenAI自成立起先后发布了GPT系列模型和以OpenAlo1、o3为代表的深度推理模型，GPT系列模型注重预训练阶段的ScalingLaw，整体来说更适合解决通识类知识，目前已经迭代至GPT-4系列，从最初单一的文本模态迭代成为多模态大模型，参数规模、训练数据、上下文窗口大小相比前代呈指数级增长，模型性能相应也有显著提升。OpenAlo1模型引入了思维链，证明了推理侧的算力资源投入同样重要，ScalingLaw在推理阶段或同样适用，未来，GPT系列与o1为代表的深度推理系列模型或将互相补充。近期，DeepSeek大模型的发布进一步拉动了AI热潮，DeepSeek-R1发布后仅用七天用户增长一亿，海内外头部厂商纷纷入场布局。DeepSeek-V3性能对齐海外领军闭源模型，但依靠引入MLA机制和创新性的DeepSeekMoE架构实现了远低于行业平均的训练成本和定价。DeepSeek-R1在后训练阶段大规模使用了强化学习技术而不依赖监督微调，性能对齐OpenAl-o1正式版，同时证明了蒸馏技术能够将大模型的推理能力转移到更小的模型上，提升它们的表现。

投资建议：AI大模型时代下，AI算力需求高速扩张，从而驱动AI芯片、存储、服务器、光模块、PCB等上游产业链半导体板块的需求快速增长，相关标的有望长期受益。（1）云端AI芯片板块关注寒武纪、海光信息、龙芯中科等；（2）端侧AI芯片板块关注恒玄科技、乐鑫科技、中科蓝讯、晶晨股份、瑞芯微、全志科技、炬芯科技、国科微等；（3）存储板块关注兆易创新、佰维存储、德明利、江波龙、澜起科技、东芯股份、聚辰股份、普冉股份、北京君正等；（4）光模块、光器件、光芯片板块关注中际旭创、天孚通信、新易盛、光迅科技、源杰科技等；（5）PCB板块关注鹏鼎控股、胜宏科技、深南电路、沪电股份、东山精密、景旺电子等；（6）服务器（含液冷）板块关注浪潮信息、工业富联、紫光股份、中石科技、光迅科技、川环科技、国芯科技等；（7）电源板块关注麦格米特、光宝科技、中国长城、新雷能、欧陆通等。

》风险提示:（1)AI需求不及预期风险；（2)行业竞争过度风险;（3）国际贸易政策的变化风险。

正文目录

1.AI市场高速扩张，有望引领新一代工业革命 6
1.1.AI推动生产变革，行业步入蓬勃发展期 6
1.2.AI产业链涵盖基础设施到应用落地多个环节， 8
2.AI大模型是AI变革的重要环节之 10
2.1．“Scaling Law”驱动大模型不断进步， 10
2.2．大模型商业化模式有望通过AIAgent实现转型 14
2.3．大模型竞争日趋白热，未来玩家格局或将逐步收敛. 18
3．大模型创新迭代，性能提升与成本下行或成为两条主线 23
3.1.GPT与o1验证了训练侧和推理侧算力投入的重要性 .23
3.2.DeepSeek创新性地实现了成本更低的训练.. .26
3.3.AI大模型产业链半导体相关重点厂商梳理 32
4．投资建议与风险提示 37
4.1.投资建议 37
4.2．风险提示， 37

图表目录

图1人工智能发展历程 .6
图2按智能程度划分的三类人工智能.
图3 Gen AI的工作原..
图4 Gen AI在各领域的应用效果..
图5AI的三大要.
图6AI算力的相关常用名词及其含义. .8
图7AI产业链... ...8
图8全球AI市场规模（十亿美元）及同比增速.. ………………… .9
图9 头部主要厂商大模型迭代时间轴.
图10MLLM的架构示意图 . 11
图11训练与推理示意...
图13大模型的涌现现象，
图 14 GPT系列模型选代参数规模的变..
图15 海外云厂商2024Q1-Q4资本开支（亿美元） ..13
图16 2020-2029E全球大模型市场规模（亿美元）及增速. ………………… ..4
图17 大模型商业化模式.. ...5
图18 模型推理部署四种主要形式的优劣..
图19 2024年国内各行业大模型公开披露的落地项目数量（单位：个） ..17
图 20 2024年国内各行业大模型公开披露的落地项目金额（单位：亿元） ..17
图21字节跳动Coze 智能体创建界面 ...18
图 22大模型区别于互联网时代的竞争特..
图23海外流.大模型基准评分差距逐步缩.
图24海外模型厂商竞争格局 ..20
图25大模型区别于互联网时代的竞争特点， …… ...1
图 26 2020-2024年阿里云业务营收占比.. .21
图27 国内模型厂商竞争格．.. ….22
图28OpenAI发展历程以及重要模型发布节点 ..23
图30 以GPT-4为例的 GPT系列模型路径.
图31 OpenAlo1与其他头部模型评分..
图 32 OpenAlo1在训练和推理阶段算力资源的投入与模型性能的关系. ...25
图33o1模型相比 GPT-4o在推理密集型任务上的改进. ..26
图34未来GPT系列与o1系列模型或将收敛融合 ..26
图35 DeepSeek发展历程以及重要模型发布节点.. ...26
图 36 DeepSeek 用户增长速度...
图37 海内外接入 DeepSeek 的厂商.. .27
图38 DeepSeek-V3多项评测能力与海内外头部模型对比. ..28
图39 DeepSeek模型性能与价格比处于最优范围内. ...28
图 40 DeepSee.k-V.训练本.. ..8
图 41 DeepSeek-V3 的 MLA和 DeepSeekMoE ... ....289
图42 DeepSeek-R1在数学、代码、自然语言推理等任务上的性能表现. ..30
图43 DeepSeek-R1-Zero 在训练过程中的 AIME准确性不断上升， ..3
图 44 蒸馏后的小型模型在数学、代码、自然语言推理等任务上的性能表现. ..32
图45 AI务器产业. ...33
图46 寒武纪2020-2024年总营收和归母净利润与各自同比增速. ..33
图47海光信息2020-2024年总营收和归母净利润与各自同比增速， .33
图48恒玄科技2020-2024年总营收和归母净利润与各自同比增速， ..34
图49乐鑫科技2020-2024年总营收和归母净利润与各自同比增速 .34
图50 兆易创新2020年-2024Q1-Q3总营收和归母净利润与各自同比增速 .34
图51澜起科技2020-2024年总营收和归母净利润与各自同比增速. .34
图52中际旭创2020-2024年总营收和归母净利润与各自同比增速， ..35
图53天孚通信2020年-2024Q1-Q3总营收和归母净利润与各自同比增速 ..35
图54鹏鼎控股2020-2024年总营收和归母净利润与各自同比增速， .35
图55胜宏科技2020-2024年总营收和归母净利润与各自同比增速， ..35
图56浪潮信息2020年-2024Q1-Q3总营收和归母净利润与各自同比增速 .. 36
图57工业富联2020-2024年总营收和归母净利润与各自同比增速， ..36
图58麦格米特2020年-2024Q1-Q3总营收和归母净利润与各自同比增速 .. 36
图59 欧陆通2020年-2024Q1-Q3总营收和归母净利润与各自同比增速， .36
表1Transformer架构和MoE架构的对比 .13
表2模型API服务的构成、重要性和主要指标. .15
表3海内外代表大模型Token 定价.. .16

1.AI市场高速扩张，有望引领新一代工业革命

1.1.AI推动生产变革，行业步入蓬勃发展期

（1）人工智能（ArtificialIntelligence，AI）是一种模拟人类智能的技术，旨在使机器能够像人类一样思考、学习和解决问题。AI涵盖了多种技术和方法，包括深度学习、机器学习、计算机视觉和自然语言处理等。自1956年达特茅斯会议首次提出AI概念之后，AI经历了早期的萌芽式发展，20世纪70年代出现的专家系统实现了AI从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破，但后续AI因为一系列问题陷入发展瓶颈，进入21世纪，随着网络技术的发展，数据的获取变得更加容易，云计算的兴起提供了强大的计算能力，为深度学习的应用提供了土壤，2010年起，以深度神经网络为代表的AI技术蓬勃发展，应用落地场景多点开花，尤其在近几年，大规模预训练模型时代开启，海内外以 ChatGPT、DeepSeek 等为代表的AI 模型竞赛如火如荼，标志着AI 进入了一个新的纪元。

图1人工智能发展历程

资料来源：国家互联网信息办公室，东海证券研究所

（2）按照智能程度划分，AI主要分为狭义人工智能（ANI）、通用人工智能（AGI）和超级人工智能（ASI)，目前AGI 和 ASI 尚处于理论和探索阶段。ANI（Artificial NarrowIntelligence）又称弱人工智能指专注于特定任务的人工智能系统，能够高效执行特定功能，但其能力局限于预设任务，不具备通用智能。AGI（Artificial General Intelligence）指具备与人类相当的综合智能，能够理解、学习和执行任何智力任务，具备自主学习和推理能力。ASI（ArtificialSuper Intelligence）指在几乎所有领域超越人类智能的人工智能，具备自我改进能力，可能在科学、艺术等领域远超人类。目前，ANI已广泛应用于图像和语音识别、自动驾驶等场景，AGI尚未有实际应用，仍处于理论阶段，但Sora的问世无疑使我们离AGI更进了一步。

图2按智能程度划分的三类人工智能

资料来源：行行查，东海证券研究所

（3）生成式人工智能（GenerativeArtificial Intelligence，GenAl）是Al领域的重要分支，不同于传统的AI仅对输入数据进行处理和分析，GenAI能够学习并生成具有逻辑的新内容。Gen AI可以学习并模拟事物的内在规律，是一种基于算法和模型生成具有逻辑性和连贯性的文本、图片、声音、视频、代码等内容的技术。早期GenAI主要针对单一模态，如GPT系列生成文本、StyleGAN生成图像。随着技术进步，GenAI开始结合多模态模型，依赖于复杂的机器学习模型，实现异构数据的生成式输出，创建跨模态原创内容（例如文本、图像、视频、音频或软件代码）以响应用户的提示或请求。在应用层面，GenAl可显著提升生产效率，根据贝恩，GenAI可在营销方面缩减30%-50%内容创造所需的时间消耗，在软件开发方面缩短15%的代码编写时间。

图3 GenAI的工作原理

资料来源：IBM，东海证券研究所

图4GenAl在各领域的应用效果

资料来源：贝恩，东海证券研究所

（4）AI具有算力、算法、数据三大要素，其中基础层提供算力支持，通用技术平台解决算法问题，场景化应用挖掘数据价值。数据是AI学习和成长的基石，决定了算法是否能得到有效的训练和优化，数据的质量和数量也直接影响到AI模型的准确性和效率；算法是AI的灵魂，决定了AI如何处理数据和解决问题，其设计和选择直接关系到AI的性能和应用效果；算力是AI运行的动力，算力提供了执行算法和处理数据所需的计算资源，强大的算力可以支持复杂和大规模的AI应用。其中算力指计算设备在单位时间内处理数据的能力，

AI算力是专门针对AI任务（如矩阵运算、神经网络训练）优化的计算能力，需支持高并行性和大规模数据处理，通常用浮点运算次数（FLOPS）衡量，衍生的还有TFLOPS（万亿次/秒）、PFLOPS（干万亿次/秒）等常见单位，算力的核心硬件包括GPU、ASIC、FPGA等。

图5AI的三大要素

资料来源：行行查，东海证券研究所

图6AI算力的相关常用名词及其含义

		Floating point number operations per second，每秒浮点运算（实
	FLOPS	数运算）次数，衡量硬件算力的核心指标 Teraoperations persecond，每秒可以处理的整型运算的万亿次
	TOPS	数，常用于衡量整数运算（OPS，如INT8）性能，适用于推理场景 Queriespersecond，每秒查询量，衡量Al系统的实际吞吐量
	QPS	（如每秒处理多少张图片）
	Latency Memory	延迟，从输入到输出所需的时间
硬件相关	Bandwidth GPU	显存带宽，GPU/TPU等加速器的内存数据传输速度，影响算力效率图形处理器，最初用于图形渲染，后因并行计算能力强大，成为AI
	TPU	训练和推理的核心硬件张量处理器，谷歌专为AI计算设计的ASIC芯片，擅长矩阵运算，针
	ASIc	对TensorFlow框架优化专用集成电路，为特定任务（如A推理）设计的芯片，能效比高，
	FPGA	但灵活性低现场可编程门阵列，硬件可重构，适合需要灵活性的场景
	NPU	（如算法迭代期）神经网络处理器，为深度学习设计的处理器，集成于手机/边缘设备（如手机芯片中的AI模块）

资料来源：CSDN，东海证券研究所

1.2.AI产业链涵盖基础设施到应用落地多个环节

（1）AI产业链可大致分为基础设施层、模型层、平台层、应用层及服务层，其中基础设施层包含芯片、存储、网络等，模型层包含通用模型、行业模型等。上游基础设施层是AI产业链的基础，主要涉及数据、算力等基础软硬件，包括AI芯片，代表厂商寒武纪、英伟达等；计算、存储、网络方面，代表厂商亚马逊、微软、阿里、三星电子等。模型层是AI产业链的核心部分，包括通用大模型和行业大模型等。平台层和模型层深度绑定，使大模型更便于使用和普及。随着AI大模型的发展，平台中多种模型选择、如何将大模型高效且可靠地部署于生产环境是当前的核心问题。应用层是AI产业链的终端环节，主要涉及AI在各个领域的应用和落地，而大模型的不断更新升级有助于加速应用场景的创新及商业化落地。

图7 AI产业链

资料来源：IDC，东海证券研究所

（2）2024年全球AI市场规模有望达到6.16万亿美元，同比增长30.1%。根据Frost& Sullivan，自2020 年起，全球Al市场规模以高于20%的同比增速呈现迅猛增长的态势，从2019年的1.91万亿美元有望扩张至2024年的6.16万亿美元，同比增速逐年上升，2025年开始虽然预计增速同比放缓，但整体市场有望在2027年扩张至11.64万亿美元，体现出全球AI行业井喷式的发展速度。

图8全球AI市场规模（十亿美元）及同比增速

资料来源：Frost&Sullivan，东海证券研究所

2.AI大模型是AI变革的重要环节之一

2.1.“Scaling Law”驱动大模型不断进步

（1）AI大模型指使用大规模数据和强大的计算能力训练出来的“大参数”模型，通常具有高度的通用性和泛化能力，可以应用于自然语言处理、图像识别、语音识别等领域。2022年11月30日，伴随着ChatGPT的推出，其亮眼的语言生成能力掀起了全球范围内的Al大模型热潮，Gemini、Llama、文心一言、SORA、DeepSeek 等各类大模型如雨后春笋般涌现。大模型作为AI产业链中的核心环节，推动了自然语言处理、计算机视觉等领域的突破，显著提升了AI的理解和生成能力，并且在医疗、金融、教育、自动驾驶等多个行业中得到广泛应用，有望引领人类步入第四次工业革命。

图9头部主要厂商大模型迭代时间轴

资料来源：中国信通院，各公司官网，iFind，东海证券研究所

（2）按照输入数据类型的不同，大模型可分为大语言模型、视觉大模型、多模态大模型三大类；从训练范式看，大模型也可分为基座模型、推理模型和多模态模型。1）从输入数据类型看，大语言模型（LLM，LargeLanguageModel）是指在自然语言处理（NaturalLanguage Processing，NLP）领域中的一类大模型，通常用于处理文本数据和理解自然语言，它们在大规模语料库上进行了训练，以学习自然语言的各种语法、语义和语境规则；视觉大模型是指在计算机视觉（ComputerVision，CV）领域中使用的大模型，通常用于图像处理和分析，这类模型通过在大规模图像数据上进行训练以实现各种视觉任务，如图像分类、目标检测、人脸识别等；多模态大模型（MLLM，MuItimodaILLM）是指能够处理多种不同类型数据的大模型，例如文本、图像、音频等多模态数据，这类模型结合了NLP和CV的能力，以实现对多模态信息的综合理解和分析，能更全面地理解和处理复杂的数据。2）从训练范式看，除去上文提到的多模态模型，基座模型（FoundationModels）是一种大规模的预训练模型，通常用于提供基础的语言理解和生成能力，特点是参数数量庞大，能够处理复杂的语言任务；推理模型（InferenceModels）是在基座模型的基础上进行进一步训练和优化的模型，它专注于提升模型的推理能力，通常通过强化学习等技术来增强模型的性能，能够处理更复杂的任务，具备自主规划和决策的能力。

图10MLLM的架构示意图

资料来源：AheadofAI，CSDN，东海证券研究所

（3）深度学习作为机器学习中的重要分支，也是大模型提供了强力的技术支撑，深度学习涵盖训练和推理两个阶段，其中训练又分为预训练、后训练两个步骤。训练（Training）是指通过给定的训练数据集，利用深度学习算法来不断地调整和优化神经网络模型的参数，使其能够从数据集中学习并形成对未知数据的预测能力。其中预训练（Pre-training）通常发生在模型开发的早期阶段，目的是在大规模数据集上学习通用特征，为后续任务奠定基础，预训练不针对特定任务，而是追求广泛的适用性。后训练（Post-Training）发生在预训练之后，模型部署前或部署初期，后训练针对特定的任务或数据集进行额外训练，以优化模型性能，包括 Supervised Fine-tuning(SFT,监督微调)和 Reinforcement Learning from HumanFeedback（RLHF，人类反馈的强化学习）等环节。推理（Inference）是指在经过训练后，将已经训练好的模型应用到真实的数据上，让模型对真实的数据进行预测或分类。

图11训练与推理示意图

资料来源：CSDN，东海证券研究所

（4）ScalingLaw作为大模型预训练第一性原理，仍是驱动模型进步的重要定律。规模定律（ScalingLaw）也称尺度定律、缩放定律等，在Al领域中被业界认为是大模型预训练第一性原理，描述了在机器学习领域，特别是对于大语言模型而言，模型性能（L，模型在测试集上的交叉熵损失）与模型的参数量大小（N）、训练模型的数据大小（D）以及训练模型使用的计算量（C）之间存在一种可预测的关系。这种关系通常表现为随着这些因素的增长，模型性能会按照一定的幂律进行改善。预训练阶段的ScalingLaw依然是目前GPT范式中成本最高的训练阶段，99%的计算在预训练阶段中。

图12模型性能与计算量、数据大小、参数量的关系

资料来源:《 Scaling Laws for Neural Language Models 》， Kaplan,McCandlish, Henighan,B.Brown,Chess,Child,&et al.(2020)，东海证券研究所

（5）大模型中存在一种“涌现”现象，进一步证明模型参数量等属性大小的重要性。“涌现”在物理学中的解释是指系统的量变引起行为的质变，在AI 领域中，涌现能力（EmergentAbilities)在较小的模型中不出现，通常只在大模型中出现，尤其是大语言模型。下图显示了对于GPT-3等模型针对涵盖数学、历史、法律等等一系列主题的基准测试，结果显示，对于GPT-3、Gopher和Chinchilla，小于等于10B参数时，准确率等表现结果并没有超过随机太多，但一旦参数量达到70B-280B时，性能大大超越了随机效果，这个结果或意味着跨越某个阈值，模型解决大量以知识为基础的、涵盖多个领域的问题的表现会出现质的飞跃（对于没有检索或访问外部内存的稠密语言模型来说），进一步体现模型参数量、数据量等大小的重要性。

图13大模型的涌现现象

(D) Persian QA

(E)TruthfulQA
(F) Grounded mappings

(H) Word in context

(G) Multi-task NLU

Model scale (training FLOPs)

资料来源:《 Emergent Abilities of Large Language Models 》，Wei， Tay， Bommasani， Raffel, Zoph,Borgeaud,&et al.(2022)，东海证券研究所

（6）尽管硬件层面限制等因素致使当前大模型参数规模的提升速度已经有所放缓，但各大头部厂商仍在持续投入数据中心建设。以GPT系列模型为例，GPT-3的参数规模是GPT-2的100 倍左右，而GPT-4相比GPT-3仅仅翻了10 倍左右，下一代模型在参数规模上可能增加3-5倍。目前模型规模增加的主要限制因素在硬件层面，模型参数过大对于GPU训练集群的内存要求和通信要求极高，但目前物理基础设施能力的提升比软件更慢，尽管如此，各大头部云服务厂商仍在不断加码AI基础设施投入，为未来更大规模的大模型作准备。

图14GPT系列模型迭代参数规模的变化

资料来源：量子位智库，东海证券研究所

图15海外云厂商2024Q1-Q4资本开支（亿美元）

资料来源：wind，东海证券研究所

（7）除了训练与推理环节的投入之外，模型架构的创新也在不断引领模型进步，目前主流的两种模型架构分别为Transformer和MoE架构。

1）Transformer是一种基于自注意力机制（self-attentionmechanism）的神经网络架构，通过并行处理整个输入序列。自注意力机制让模型在处理每个单词时，都能计算该单词与其他所有单词的关联程度，给不同单词分配不同的"注意力权重”，从而捕捉到文本中词汇之间丰富的语义关系，理解上下文，提升了长序列的处理能力。标准的Transformer由多层堆叠的编码器（Encoder）/解码器（Decoder）组成，捕捉输入序列的长距离依赖关系，但每个输入样本会经过所有层和所有参数的计算，属于一种稠密（Dense）架构，计算量随着序列长度的增加而显著增加，需要大量的计算资源和内存来存储中间结果。采用Transformer 架构的大模型包括 GPT-1、GPT-2、GPT-3等。

2）MoE（MixtureofExperts，混合专家模型）通过组合多个专家网络处理输入数据，每个专家是一个独立的神经网络，专注于处理特定类型的输入，由门控机制（gatingmechanism）根据输入数据动态选择最合适的专家，并将它们的输出加权组合。区别于Transformer会激活所有参数，MoE只激活部分专家网络，计算是稀疏（Sparse）的，可显著降低计算成本，在模型规模扩展方面，MOE架构具有很强的灵活性。通过增加专家网络的数量，就能轻松扩展模型的规模，提升模型的能力，而不需要对模型结构进行大规模改动。采用MoE架构的大模型如DeepSeek-V3。

表1Transformer架构和MoE架构的对比

特性	Transformer	MoE
核心机制	自注意力机制	门控机制选择专家网络
并行计算	完全并行	部分并行
应用领域	NLP、计算机视觉、跨模态学习	】NLP、计算机视觉、推荐系统
计算效率	较高，但依赖硬件性能	高效（尤其是 Sparsely-Gated MoE）
发展历程	2017年提出，迅速成为主流	1991年提出，近年来在大规模训练中优化
模型复杂度	固定复杂度	动态调整复杂度
优势	并行处理长序列，适应多种任务	专家网络专注于特定子任务，提高性能
劣势	参数量大，训练成本高	门控机制设计复杂

资料来源：CSDN，东海证券研究所

2.2.大模型商业化模式有望通过AIAgent实现转型

(1)未来五年全球大模型行业市场规模的CAGR有望达到36.23%。随着AI技术的不断进步和应用场景的日益丰富，大模型的市场规模日益扩展，2021年，全球大模型市场规模同比增长132%，2020年至2024年，全球大模型市场规模有望从25亿美元飞速扩张至280亿美元，增长十倍以上，2025年或将扩张至366亿美元，同比增长30.71%，虽然增速有所放缓，但未来五年，全球大模型行业市场规模有望以36.23%的年复合增长率扩张至2029 年的1314亿美元。

图162020-2029E全球大模型市场规模（亿美元）及增速

资料来源：前瞻网，宇博智业，东海证券研究所

（2）目前，大模型的主要盈利模式是基于用量的一种商业模式，核心理念是通过API调用收费，此外还有广告、模型推理部署方向的业务模式。基于用量的收费模数主要按照Tokens、调用次数、时间区间等维度来收费，也是当前主流的盈利方式。除此之外，模型在云端或者本地部署也是模型盈利的重要形式，还有一些AI大模型相关的app 因为下载量巨大，吸引到部分商家投放广告，进而形成了广告收入。

图17大模型商业化模式

资料来源：冰鉴科技研究院，东海证券研究所

（3）模型APl本质是一种MaaS（Modelasaservice）模式，是海外大模型的核心商业模式，国内市场由于差异化程度较低，规模相对较小，低价竞争策略或将长期持续。API（ApplicationProgramming Interface，应用程序编程接口）是一些预先定义的函数，目的是提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，而又无需访问源码，或理解内部工作机制的细节，在大模型层面，开发者通过API这一标准化接口调用大模型功能，而无需从头训练模型，只需发送请求即可获得模型的输出。通过API调用从而盈利的特点是简单易用、复杂性低和定制化程度低，模型能力是唯一的差异化之处，这本质是一种基于底层模型用量的模式，再增加一部分产品层的溢价构成定价。API行业需求方较为碎片化，来自各个行业，从供给层面看，模型API是海外大模型的核心商业模式，从国内市场看，由于国内模型能力缺乏差异化，行业低价竞争趋势等因素，整体市场规模较小，难以成为模型厂商的主要收入来源。

表2模型API服务的构成、重要性和主要指标

构成	重要程度（1-4星）	含义及主要指标
模型库	★	包括模型厂商的自研模型和第三方开源模型（主要适用于云厂商，会提供MaaS 服务）
模型能力	★★★★	调用量由真实的市场需求产生（1）推理能力：核心指标，包括指令遵从、内容合规、用户意图理解等（2）上下文长度（ContextWindow）：支持的上下文窗口大小，决定模型可以处理的任务复杂度上限（3）多模态能力：文字、图像、音视频等模态的理解、生成、交互表现
价格	★★★	和调用量、调用方式有关，总体上呈快速下降趋势包括输入价格（Input Tokens）和输出（Output Tokens）价格，以及更便宜的 Batch API
API性能	★★★	（1）延迟：FTL（First Token latency，从发出请求到收到第一个 Token 的时间，也称 Time to first Token ）（2）吞吐量：RPM（Request per minute，每分钟请求次数） TPM（Tokens per minute，一分钟输出 Token 量）（3）输出速度：Tokens per second（每秒输出 Token 量）
安全合规	★★	（4）稳定性：各项指标稳定性、波动水平、故障频率用户的数据隐私保护、内容安全合规性

资料来源：量子位智库，东海证券研究所

（4）按照Token计价是大部分大模型API的收费方式，国内外大模型对于Token的标准并不统一，定价也差别较大，其余还有按照时间区间计价、调用次数等计价模式。Token在大模型中的含义是最小文本单元，可以直观地理解为字或词，但目前Token 和单个汉字、英文字母之间的关系并没有统一的计量标准，各大模型也各不相同，但总体来说1个token≈1-1.8个汉字，在英文文本中，1个token～3-4个字母。定价方面，不仅对于不同大模型收费标准不同，对于一些大模型来说，在不同时间段使用的定价也不同。此外，按照时间区间计价主要是针对个人用户的订阅制收费模式，可按照年、月、周等维度购买服务（如ChatGPT），按照调用次数的计价模式则方便用户按需购买。

表3海内外代表大模型Token定价

	大模型名称	输入价格/百万Tokens （缓存命中/cache hit）	输入价格/百万Tokens （缓存未命中/cache miss）	输出价格/ 百万Tokens
海外	GPT-4.5 （OpenAI）	37.5美元	75美元	150美元
	GPT-40 （OpenAl）	1.25美元	2.5美元	10美元
	Gemini 2.0 Flash （Google）	0.025美元	0.1美元	0.4美元
	Claude 3.7 Sonnet （Anthropic）	3美元		15美元
	DeepSeek R1	0.14美元	0.55美元	2.19美元
	（DeepSeek） qwen-max （阿里）		2.4元	9.6元
	qwen2.5-72B （阿里）		4元	12元
	Kimi-latest-128k 国内（月之暗面）	1元	60元	60元
	SenseChat-Vision （商汤）		10元	60元
	hunyuan-TurboS （腾讯）		0.8元	2元
	doubao-1.5-pro-32k		0.8元	2元
	（字节）

资料来源：各公司官网，东海证券研究所（注：数据截至2025年3月14日，每款大模型均取较新的其中一至两个版本进行示例，其中DeepSeek-R1价格为UTC00:30-16:30时间区间定价，其余时间价格仅为上述价格的25%；缓存命中指数据在缓存中，系统速度提升，未命中则需从主存加载，效率降低。)

（5）定制化服务主要是指模型推理部署，包含云端、本地、边缘及混合部署，是国内大模型市场的核心业务模式，贡献了大部分营收，其中云端部署是目前最为普遍的大模型部署方式。1）云端部署是当前模型推理部署的主流方式，分为私有云部署和公有云部署，私有云部署是企业将模型部署在自己管理的云基础设施上，结合了本地部署的控制权和云的灵活性，公有云部署则是企业将模型和数据托管在云服务商提供的基础设施上；2）本地部署需要企业有完善的IT基础设施，是将大模型部署在企业自己的物理服务器上，适用于需要极高数据隐私或对外部依赖有严格要求的场景；3）边缘部署是指将原本运行在云端或大型服务器上的大模型通过优化和压缩后，部署在靠近数据产生源头或应用场景的“边缘设备”（如手机、传感器、本地服务器、IoT设备等）上运行的技术方案，核心目标是通过本地化处理，减少对云端服务器的依赖，从而提升响应速度、保护数据隐私，并适应网络不稳定的环境；4）混合部署是将私有云和公有云结合使用，将一些关键任务（如训练、大规模数据处理）放在私有云中，而将推理任务或其他非机密任务放在公有云中。

图18模型推理部署四种主要形式的优劣

资料来源：CSDN，东海证券研究所

（6）从国内大模型项目落地的应用领域看，2024年落地项目数量排在前三位的分别为通信、教科和政务，落地项目金额前三位分别是政务、教科和能源。从2024年国内公开披露的大模型落地项目看，在教科、通信、能源、政务、金融等行业数量和金额都相对较多。其中，从数量维度看，排名前五的行业分别为通信(25.99%）教科（25.33%）政务(11.38%）、能源（11.18%）和金融（8.75%），从金额维度看，排名前五的行业分别为政务（34.64%）教科（15.95%）、能源（11.14%）、通信（11.04%）和金融（3.71%），总体来说，政务行业单个项目涉及金额较大，其次为能源。

图192024年国内各行业大模型公开披露的落地项目数量（单位：个）

资料来源：智能超参数，东海证券研究所

图20 2024年国内各行业大模型公开披露的落地项目金额（单位：亿元）

资料来源：智能超参数，东海证券研究所

（7）随着模型能力不断提升，业务不断成熟，未来以AIAgent为代表的基于结果和价值创造的商业模式有望逐步落地。大模型的三种应用模式分别为 Embedding、Copilot 和Agent，在Embedding模式中，大模型被集成到现有的应用程序或服务中；Copilot模式中，大模型充当助手的角色，为用户提供实时的建议和支持；Agent模式中，大模型被赋予了一定程度的自主权。近日，Manus 作为“全球首款通用AIAgent”问世，引发市场热情。AI

Agent以大模型为核心引擎，但是区别于用户基于提示词(prompt)与AI模型交互，AlAgent具备通过独立思考、调用工具逐步完成用户给定的目标的能力，主打“直接完成工作”，本质是一个控制大模型来解决问题的代理系统。与上文模型API不同，这种基于结果和价值创造的商业模式更加复杂，且需要可衡量的结果和交付价值，目前模型厂商的产品形态还几乎不支持对直接基于模型产生的实际效益去定价，但这种模式能更好地满足客户需求。目前，Copilot类产品首先实现商业落地，AIAgent或首先从垂直场景开始逐步探索，未来在模型能力不断上升、产品模式更加成熟后，有望成为新的下游应用增量点。

图21字节跳动Coze 智能体创建界面

资料来源：Coze官网，东海证券研究所

2.3.大模型竞争日趋白热，未来玩家格局或将逐步收敛

（1）大模型的能力日新月异，护城河不明确，规模效应尚未显现，厂商需要持续大量投入参与市场竞争。互联网时代，厂商可以根据用户画像进行相关推荐，形成了较强的用户关系网络，规模效应能够显著降低成本，且部分APP的迁移成本较高，头部厂家都形成了自己清晰的护城河，能够维持稳定较好的利润水平。区别于互联网，大模型目前产品较为同质化，迁移成本较低，用户关心的是模型的智能程度和成本，且目前行业仍处于前期大规模资本投入阶段，大模型能力不断突破上限，规模效应尚未显现，因此厂商仍需要长期大量投入从而参与市场竞争，维持领先地位。

图22大模型区别于互联网时代的竞争特点

资料来源：量子位智库，东海证券研究所

（2）从海外大模型厂商来看，整体竞争格局日益白热化，尽管GPT拥有先发优势，但是以Claude、Gemini等为代表的大模型正在迅速追赶缩小性能差距。总体来说，模型能力决定市场份额，OpenAI在2023年初发布GPT-4时由于领先的模型能力在市场有较强的竞争力，但后续 Anthropic、Google 相继迭代旗下的大模型，目前Claude、Gemini的最新旗舰版大模型已经在性能上逐步赶上或在某些领域超越GPT系列模型，模型差距相比2023年显著缩小。

图23海外主流AI大模型基准评分差距逐步缩小

资料来源：壹零社，东海证券研究所

（3）目前，OpenAl、Anthropic、DeepMind形成了海外大模型的第一梯队玩家，第二梯队包括×AI、Meta等，第三梯队玩家逐步被头部厂商吸收，小模型厂商在激烈的市场竞争下被淘汰出清，未来竞争格局将逐步收敛至头部5家厂商。1)OpenAI目前和微软深度绑定，目前营收仍处于领先地位，主要来自于GPT的订阅服务。2）Anthropic 营收构成与

OpenAI差别较大，主要为API服务，目前和亚马逊绑定，近一年来市场份额快速增长。3）DeepMind 背靠谷歌，与谷歌工作流进行整合，发力针对中小企业的API市场。4）马斯克带领的xAI目前正在迅速发展，近期发布的Grok3宣称在基准测试中击败GPT-4o，潜力巨大。5）区别于其他厂商，Meta选择了开源路线，目前尚未通过模型进行商业化，构造围绕Llama的开源生态。6）由于目前海外基础模型需要数百亿美元的持续投入，需要厂商本身较强的资本支撑和与巨头的深度合作带来资源支持，第三梯队的模型厂商已经进入出清时期，部分被头部模型厂商吸收合并，整体竞争格局已收敛。

图24海外模型厂商竞争格局

资料来源：量子位智库，东海证券研究所

（4）国内大模型厂商主要分为四类，分别为互联网云厂商、大模型创业公司、模型推理平台及技术类厂商，其中互联网云厂商在模型、生态和渠道优势各方面更为全面，具备较强的竞争力。对于大模型厂商来说，模型能力最为重要，其次是生态能力和渠道能力，国内互联网云厂商和大模型创业公司均具备较高的模型能力，云厂商的生态能力和渠道能力同样亮眼，优势更为全面，代表厂商包括阿里、字节、百度、腾讯等。大模型创业公司也拥有优秀的模型能力，但是生态能力和渠道能力弱于互联网云厂商，代表厂商包括DeepSeek、月之暗面、智谱AI等。模型推理平台通常不自己研发模型，而是整合开源模型生态，通过API盈利，如硅基流动、无问芯穹等。传统的技术类厂商拥有积累的较强的渠道能力，模型和生态能力也较强，代表厂商如商汤科技、科大讯飞、昆仑万维等。

图25大模型区别于互联网时代的竞争特点

资料来源：量子位智库，东海证券研究所

（5）以阿里为例，其云业务相关营收占比总体营收在逐年提升，体现头部模型厂商在持续投入资源后，云业务或将成为其新的增长点。2020年，阿里云营收仅为555.76亿元，到2024年，其云业务营收翻倍，达到1134.96亿元，在总营收中的占比也从8.63%上升至11.56%，未来三年，阿里巴巴在云和AI基础设施上的资本开支将达3800亿元，体现了头部云厂商对AI相关基础建设的投入信心，AI业务有望成为头部互联网云厂商营收增长的重要支撑。

图26 2020-2024年阿里云业务营收占比

资料来源：wind，东海证券研究所

（6）由于通用基础模型领域竞争较为激烈，一方面，国内头部大厂将持续投入通用类产品，结合渠道实力打造生态壁垒，另一方面，部分模型厂商或将开始聚焦商业化层面，转型至相对垂直的细分场景进行服务，增强差异化竞争力。国内第一梯队的大模型厂商多数综合布局，能够承受大量投资和长期亏损的预期，且拥有丰富的消费端场景和自身现有业务产品背书，因此未来国内通用模型竞争格局同样将收敛至第一梯队的少数玩家。在这样的行业背景下，模型创业公司或针对B端模型客户将聚焦于更加垂直、细分的商业化场景。对于传统的技术类厂商来说，目前多数在自身已有的渠道中服务，如部分政府和行业大客户，未来或将尝试将重心转型至大模型。

图27国内模型厂商竞争格局

资料来源：量子位智库，东海证券研究所

3.大模型创新迭代，性能提升与成本下行或成为两条主线

3.1.GPT与o1验证了训练侧和推理侧算力投入的重要性

（1）OpenAI是一家致力于推动通用人工智能惠及人类的企业。OpenAl创立于2015年，最早为非营利组织，创始人包括萨姆·奥尔特曼(Sam Altman)、彼得·蒂尔(PeterThiel)、里德·霍夫曼(Reid Hoffman)和埃隆·马斯克(Elon Musk)等，其中大多都有丰富的技术和商业背景，2016 年，OpenAl 发布首个产品 OpenAl Gym 和 Universe，2018 年，GPT系列模型首次亮相，采用Transformer架构，参数规模达到1.17亿，后续该系列模型不断迭代，参数规模、训练数据、上下文窗口大小呈指数级增长，模型性能相应也有显著提升，此外，GPT系列模型也从最初单一的文本模态迭代成为GPT-4系列的多模态大模型，2025年，OpenAI将推出GPT-4.5大模型。除GPT系列外，OpenAI还推出了深度推理模型 OpenAl01、o3模型，以及文生视频模型Sora 等。

图28OpenAl发展历程以及重要模型发布节点

资料来源：OpenAl，iFind，东海证券研究所

（2）基于GPT-3.5的ChatGPT的发布推动了AI技术的普及和AI产业的变革，是人工智能的重要里程碑之一。2022年11月30日，OpenAl正式发布聊天机器人ChatGPT，基于GPT-3.5架构，能够回答问题、创作文章、编程，甚至可以模仿人类的对话风格，颠覆了人们对于通用大语言模型的认知。ChatGPT发布后，仅仅用了2个月用户数量便达到亿级，增速超越了TikTok、Instagram等全球头部消费级应用。ChatGPT的发布标志着自然语言处理（NLP）技术的重大进步，改善了人机交互体验，显著提高了生产力，推动了AI行业变革。

图29OpenAIGPT系列模型迭代相关性能参数

	GPT-1	GPT-2	GPT-3		GPT-3.5	GPT-4	GPT-40	GPT-4.5
模型架构	12层 Transformer	48层 Transformer	96层 Transformer	Transformer		1	输入/出均由同一个神经网络处理	1
参数规模	117M	1.5B	175B	175B		1.8TB	200B	更大
训练数据	约5GB	40GB	45TB	更大		约13万亿个 Token	更大	更大
训练方式	无监督预训练和有监督微调	无监督预训练	上下文学习	预训练、监督微调、RFHL		预训练、监督微调、RFHL	1	1
模态	文本	文本	文本	文本、语音		多模态	多模态	多模态
是否开源	开源	开源	闭源	闭源		闭源	闭源	闭源
上下文窗口大小	512Token	1024 Token	2048Token	4096 Token		更大	更大	更大

资料来源：华为云，CSDN，OpenAI官网，东海证券研究所

（3）GPT系列模型着重于预训练阶段的Scalinglaw，在预训练阶段投入了大部分算力资源，在后训练阶段采用SFT、RFHL等形式，整体来说更适合解决通识类知识。以GPT-4为例，其整体参数规模约为 GPT-3的10 倍，根据 Semianalyst的《GPT-4 Architecture,Infrastructure,TrainingDataset,Costs,Vision,MoE》文章中透露，GPT4在预训练阶段使用了25000张40G的英伟达A100训练了90天以上，总耗费约6300万美元，而模型能力也因此基本来自预训练阶段学习理解的大量多模态信息和知识，所以GPT系列模型针对问题能够迅速反应并给出答案，擅长处理的也基本是通识类的知识。在后训练阶段，GPT采用SFT、RFHL（人类提供偏好反馈数据从而训练强化学习的奖励模型）方式，提升模型的实际应用效果。

图30以GPT-4为例的GPT系列模型路径

资料来源:《 GPT-4 Architecture, Infrastructure,Training Dataset, Costs, Vision, MoE 》,Dylan Patel & GeraldWong，量子位智库，东海证券研究所

（4)OpenAI于2024年9月发布OpenAlo1模型，可以执行复杂的推理任务，MMLU评分超越一众大模型。o1模型在回答问题之前会形成一条内部思维链(ChainofThought）,模拟人类的思考过程，其在物理、化学和生物学这些具有挑战性的基准任务上的表现与博士生相似，在数学和编码方面表现同样出色。他的MMLU（知识问答，评估LLM的知识和推理能力）评分、Math（含代数、微积分、几何、概率等多个领域）评分、GPQADiamond（全面的框架，测试模型在多种推理场景下的能力）评分均超过了当时的主流大模型，如Gemini2.0 Pro Experimental、Hunyuan-TurboS、Claude 3.5 Sonnet等，对比 GPT-4o 也有显著提升。

图31OpenAlo1与其他头部模型评分对比

资料来源：OpenAl官网，东海证券研究所

（5）o1模型的发布证明了推理侧的算力资源投入同样重要，“ScalingLaw”在推理阶段或同样适用。o1模型引入的思维链类似人类在回答困难问题之前的长时间思考，通过训练时的强化学习，o1能够锻炼其思维链并改进其使用的策略，它还能够识别并改正错误，将棘手的问题拆分成更简单的步骤，如果目前的方式不奏效，o1还会尝试不同的解决方式。上述思维链让o1的推理能力大幅增强。从下图可知，当推理侧的算力资源增加时，模型处理问题的准确度显著提升，代表着类似于预训练阶段的“ScalingLaw”在推理阶段也同样兑现了。

图32OpenAlo1在训练和推理阶段算力资源的投入与模型性能的关系

o1 performance smoothly improves with both train-time and test-time compute
资料来源：OpenAl官网，东海证券研究所

（6）未来，GPT系列与o1为代表的深度推理系列模型或将互相补充。相比GPT-4o，01在具有挑战性的推理密集型任务中都有更为出色的表现，GPT系列类似于思维中的浅层、快速反应系统，能迅速处理日常生活中的直觉性反应和基础认知任务，有更好的多模态交互能力，更大的参数规模、更优质的训练数据、优化后的模型架构是GPT系列模型的发展方向。而对于以o1为代表的深度推理系列模型来说，类似于思维中的逻辑性系统，更擅长复杂的分析和经过深思熟虑后的决策提供，需要更多的推理时间和大量的思维链分析过程，后续发展更注重后训练阶段的“思考模式”优化，以及推理阶段更多的算力资源投入。这两类模型相互补充,GPT类模型可以作为o1类模型的基础模型增强通识，o1类模型可以为GPT类模型生成高质量的推理数据，未来两类模型或共同发展，相互促进。

图33o1模型相比GPT-4o在推理密集型任务上的改进

资料来源：OpenAl官网，东海证券研究所

图34未来GPT系列与o1系列模型或将收敛融合

资料来源：量子位智库，东海证券研究所

3.2.DeepSeek创新性地实现了成本更低的训练

（1）DeepSeek大模型的发布进一步带动AI大模型热潮。DeepSeek，全称杭州深度求索人工智能基础技术研究有限公司，由量化私募管理机构幻方量化成立，专注于开发先进的大语言模型和相关技术。DeepSeek创始人为梁文峰，有丰富的电子信息和人工智能相关背景。2024年12月26日，DeepSeek-V3 发布，训练成本约为GPT-4o 的1/10，同时性能比肩顶尖闭源模型，DeepSeek-R1于2024年1月发布，性能对标OpenAl-o1正式版。DeepSeek的发布挑战了纯算力路径，发布后海内外各大厂商争相本地部署DeepSeek，云服务商也相继入局，掀起AI云与端热潮，算力芯片、服务器、算力云等产业链有望长期收益。

图35DeepSeek发展历程以及重要模型发布节点

资料来源：DeepSeek，东海证券研究所

(2)DeepSeek大模型发布后仅用七天用户增长一亿，海内外头部厂商纷纷入场布局。相比ChatGPT先前两个月的记录，DeepSeek 在DeepSeek-R1发布后，仅用七天就实现了用户增长一亿的成绩，远超各大头部APP。其卓越的性能表现和开源特性，吸引了全球AI开发者和海内外头部厂商布局，华为云与硅基流动联合首发并上线基于华为云昇腾云服务的

DeepSeekR1/V3推理服务，腾讯云则将R1大模型一键部署至高性能应用服务HAI上，开发者仅需3分钟就能接入调用；海外AI芯片头部厂商英伟达宣布 DeepSeek-R1模型登陆NVIDIA NIM，AMD 宣布已将新的 DeepSeek-V3 模型集成到 Instinct MI300X GPU上，针对 AI推理进行了优化，云服务龙头亚马逊和微软也纷纷接入DeepSeek-R1，共同推动 AI技术的迅速发展和应用普及。

图36DeepSeek用户增长速度

资料来源：AI产品榜，东海证券研究所

图37 海内外接入DeepSeek的厂商

厂商		接入平台
国内	华为	华为云与硅基流动联合
	腾讯	腾讯云HAI
	阿里	阿里云PAl Model Gallery
	字节跳动	火山引擎
	百度	百度智能云干帆平台
	中国联通	联通云星罗平台
	中国移动	移动云
海外
	英伟达	NVIDIA NIM
	AMD	Instinct MI300X GPU
	亚马逊	Amazon Bedrock、 Amazon SageMaker Al
	微软	Azure Al Foundry、GitHub

资料来源：MSN，东海证券研究所

（3）DeepSeek-V3性能对齐海外领军闭源模型，训练成本和定价却远低于后者。DeepSeek-V3于2024年12月底发布，为开源自研MoE模型，共671B参数，激活37B，在14.8Ttoken上进行了预训练。根据测试,DeepSeek-V3的多项评测成绩超越了Qwen2.5-72B和LIama-3.1-405B等其他开源模型，并在性能上和世界顶尖的闭源模型GPT-4o以及Claude-3.5-Sonnet不分伯仲。从APl定价看，DeepSeek-V3每百万输入tokens 0.5元（缓存命中）/2元（缓存未命中），每百万输出tokens8元，远低于其他厂商的头部大模型。从训练成本看，根据官方的《DeepSeek-V3Technical Report》，在预训练阶段，在每万亿个token上训练DeepSeek-V3只需要18万个H800 GPU小时，即在拥有2048个H800 GPU的集群上需要3.7天。因此，预训练阶段是在不到两个月的时间内完成的，成本为266.4万个 GPU 小时。再加上11.9 万个GPU 小时用于扩展上下文长度和 5000个GPU 小时的后训练，DeepSeek-V3的总训练成本仅为278.8万个GPU小时。假设H800 GPU的租赁价格为2美元/每GPU小时，那总训练成本仅为557.6万美元（上述成本仅包括DeepSeek-V3 的官方训练，不包括与先前研究、架构、算法、数据和消融实验相关的成本）。与GPT-4 相比，上述成本不到其1/10，DeepSeek-V3 的发布验证了AI大模型低成本训练的商业可行性。

图38DeepSeek-V3多项评测能力与海内外头部模型对比

测试集		DeepSeek- V3	Qwen2.5 72B-Inst.	Llama3.1 405B-Inst.	Claude-3.5- Sonnet-1022	GPT-4o 0513
模型架构		MoE	Dense	Dense		.
#激活参数总参数		37B	72B	405B
MMLU (EM)		671B	72B	405B	-	-
		88.5	85.3	88.6	88.3	87.2
	MMLU-Redux(EM)	89.1	85.6	86.2	88.9	88
	MMLU-Pro(EM)	75.9	71.6	73.3	78	72.6
	DROP(3-shot F1)	91.6	76.7	88.7	88.3	83.7
	IF-Eval(Prompt Strict)	86.1	84.1	86	86.5	84.3
	GPQA-Diamond (Pass@1)	59.1	49	51.1	65	49.9
	SimpleQA (Corret) FRAMES（Acc.）	24.9	9.1	17.1	28.4	38.2
		73.3	69.8	70	72.5	80.5
	LongBench v2（Acc.） HumanEval-Mul (Pass@1)	48.7	39.4	36.1	41	48.1
	代码	LiveCodeBench(Pass@1-COT)	82.6 40.5	77.3 31.1	77.2 28.4	81.7 36.3	80.5 33.4
LiveCodeBench (Pass@1)		37.6	28.7	30.1	32.8
Codeforces (Percentile)		51.6				34.2
SWE Verified(Resolved)		42	24.8	25.3	20.3	23.6
			23.8	24.5	50.8	38.8
Aider-Edit(Acc.）		79.7	65.4	63.9	84.2	72.9
Aider-Polyglot(Acc.)		49.6	7.6	5.8	45.3	16
数学	AIME2024(Pass@1)	39.2	23.3	23.3	16	9.3
	MATH-500(EM)	90.2	80	73.8	78.3	74.6
	CNMO 2024(Pass@1)	43.2	15.9	6.8	13.1	10.8
中文	CLUEWSC(EM)	90.9	91.4	84.7	85.4	87.9
	C-Eval(EM)	86.5	86.1	61.5	76.7	76
	C-SimpleQA(Correct)	64.1	48.4	50.4	51.3	59.3

资料来源：DeepSeek，东海证券研究所（注：加粗字体为最高分）

图39DeepSeek模型性能与价格比处于最优范围内

资料来源：DeepSeek，东海证券研究所
资料来源：《DeepSeek-V3Technical Report》，东海证券研究所

图40DeepSeek-V3训练成本

（4）DeepSeek-V3 创新性的架构特点是通过引入MLA 实现高效推理，通过 DeepSeekMoE实现成本更低的训练。

1）多头潜在注意力机制（Multi-HeadLatentAttention，MLA）区别于Transformer架构的多头注意力（Multi-Head Attention，MHA）机制，显著减少了键-值缓存的内存占用。MHA通过计算查询（Query）、键（Key）和值（Value）矩阵之间的关系，使模型能够关注输入序列中的不同部分。然而，在自回归生成过程中，为了避免重复计算，需要维护一个键-值（KV）缓存，该缓存存储了所有先前生成令牌的键和值矩阵，同时带来了显著的内存挑战，制约了模型的实用性。为了解决该类问题，MLA不直接存储完整的键值矩阵，而是存储一个维度更小的压缩向量。在需要进行注意力计算时，再通过解压缩重构出所需的键和值。这种压缩-解压缩机制使得模型可以在显著减少内存占用的同时，保持甚至提升性能。DeepSeek-V2的技术报告显示，MLA使KV缓存减少了93.3%，训练成本节省了42.5%,生成吞吐量提高了5.76倍。

2）DeepSeekMoE的基本架构建立在Transformer框架之上，在前馈网络（FFN）层引入了创新的MoE机制。与传统MoE使用较粗粒度的专家划分不同，DeepSeekMoE采用了更细粒度的专家划分方式，使每个专家能够负责更具体的任务，从而提高模型的灵活性和表达能力。具体来说，DeepSeekMoE的每个MoE层由1个共享专家和256个路由专家组成，每个token会激活8个路由专家。这种设计使得模型能够在保持高性能的同时，显著减少计算资源的消耗。不同于传统MoE中专家都是独立的设计，DeepSeekMoE的共享专家负责处理所有token 的通用特征，而路由专家则根据token的具体特征进行动态分配。这种分工不仅减少了模型的冗余、提高了计算效率，还使得模型能够更好地处理不同领域的任务。

图41DeepSeek-V3 的 MLA 和 DeepSeekMoE架构

Figure 2| Ilustration of the basic architecture of DeepSeek-V3.Following DeepSeek-V2, we adopt MLA and DeepSeekMoE for eficient inference and economical training.
资料来源：《DeepSeek-V3Technical Report》，东海证券研究所

（5）DeepSeek-R1性能对齐OpenAl-o1正式版。DeepSeek-R1于2025年1月20日发布,共671B 参数,激活参数 37B,在DeepSeek-V3-Base 基础上训练而来。DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩OpenAlo1正式版。

图42DeepSeek-R1在数学、代码、自然语言推理等任务上的性能表现

资料来源：DeepSeek，东海证券研究所

(6)DeepSeek-R1表明通过强化学习可以直接提升推理能力，能够在不依赖监督微调的情况下实现强大的推理表现，同时蒸馏技术也能够将大模型的推理能力转移到更小的模型上，提升它们的表现。

1）DeepSeek-R1-Zero通过强化学习训练，展现了“自我验证、自我反思”和“生成长链推理”的能力，DeepSeek-R1在此基础上做了改进，加入了冷启动数据和多阶段训练流程，从而进一步提升了推理能力并改善了可读性。过去的大多数模型依靠大量的监督数据来提升模型性能，但监督数据的搜集耗时耗力，而DeepSeek-R1-Zero 仅从基础模型开始，在后训练中通过纯粹的强化学习（RL）过程进行自我进化。为了节省RL的训练成本，R1-Zero 采用了组相对策略优化（Group RelativePolicy Optimization，GPRO）方法，让模型针对每个问题生成多个输出，通过比较这些输出的相对表现来调整策略。而在训练时，奖励模型（RewardModeling）决定了模型优化的方向。R1-Zero采用了包括准确性奖励和格式奖励的基于规则的奖励系统，而没有采用基于神经网络的奖励模型，为了避免出现奖励欺骗的情况。在自我进化的过程中，随着推理运算时间的增加，模型解决复杂推理任务的能力也在不断增强，此外还涌现出了“反思”等复杂行为，模型会重新审视和评估自己先前的步骤，还会自发地探索解决问题的其他方法。R1-Zero虽然推理能力强，但存在推理过程可读性差、语言混杂等问题，因此DeepSeek-R1在R1-Zero 的基础上引入了“冷启动”策略和多阶段训练，冷启动是指先用少量高质量的CoT数据对模型进行初步训练，相当于给模型一个“热身”，目标是让模型既能保持强大的推理能力，又能生成清晰、用户友好的回答。

图43DeepSeek-R1-Zero 在训练过程中的AIME准确性不断上升

资料来源:《 DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning 》, 东海证券研究所

2）模型蒸馏技术是一种将知识从复杂的大型模型（教师模型）转移到更小、更高效的模型（学生模型）的方法，旨在保持性能的同时减少计算资源和存储需求。DeepSeek-R1证明了较大模型的推理模式可以被蒸馏到较小的模型中，比在小模型上通过RL训练的推理模式表现更好。DeepSeek利用DeepSeek-R1生成的推理数据，对多个稠密模型进行了微调，结果表明，蒸馏后的小型稠密模型在基准测试中表现非常出色，其中32B和70B模型在多项性能上比肩 OpenAl o1-mini。

图44蒸馏后的小型模型在数学、代码、自然语言推理等任务上的性能表现
Distilled Model Evaluation

Model	AIME2024 pass@1	AIME 2024cons@64	MATH-500pass@1	GPQADiamondpass@1	LiveCodeBenchpass@1	CodeForcesrating
GPT-40-0513	9.3	13.4	74.6	49.9	32.9	759
Claude-3.5- Sonnet-1022	16.0	26.7	78.3	65.0	38.9	717
01-mini	63.6	80.0	90.0	60.0	53.8	1820
QwQ-32B-Preview	44.0	60.0	90.6	54.5	41.9	1316
DeepSeek-R1-Distill-~Qwen-1.5B	28.9	52.7	83.9	33.8	16.9	954
DeepSeek-R1- Distil-Qwen-7B	55.5	83.3	92.8	49.1	37.6	1189
DeepSeek-R1-Distill-~wen-14B	69.7	80.0	93.9	59.1	53.1	1481
DeepSeek-R1-Distill-~wen-32B	72.6	83.3	94.3	62.1	57.2	1691
DeepSeek-R1-Distill-Llama-8B	50.4	80.0	89.1	49.0	39.6	1205
DeepSeek-R1-Distill-Llama-70B	70.0	86.7	94.5	65.2	57.5	1633

资料来源：DeepSeek，东海证券研究所

3.3.AI大模型产业链半导体相关重点厂商梳理

（1）根据大模型产业链上游涉及到的半导体相关环节，我们将其主要划分为AI芯片（云端与端侧）、存储、光模块、PCB、服务器、电源等几个板块。如下图所示，AI产业高速发展离不开AI服务器的基础功能，AI服务器产业链整体包括上中下游，上游硬件部分是AI产业构建的基础，核心是AI服务器展开的相关零组件，随着AI产业的高速发展，上游电子零部件板块或将也高速增长。

图45AI服务器产业链

资料来源：公开资料整理，东海证券研究所

（2）云端AI芯片指面向AI应用，针对AI算法（如深度学习等）进行特殊加速设计的芯片。AI芯片是大模型的“大脑”，提供算力支持，主要包括GPU、FPGA、ASIC 等。国内相关厂商包括寒武纪、海光信息、龙芯中科等。

图46 寒武纪2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所（注：2024年为业绩快报）

图47海光信息2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所

（3）端侧AI芯片是指应用于AI应用，如智能手机、笔记本电脑、智能摄像头等各种终端设备的芯片，核心特点包括低功耗、高算力、低延迟和高集成度等。端侧AI芯片能够在设备本地完成复杂的AI任务，减少数据传输和云端计算的依赖，从而提升设备的智能化水平和用户体验，国内相关重点厂商包括恒玄科技、乐鑫科技、中科蓝讯、晶晨股份、瑞芯微、全志科技、炬芯科技、国科微等。

图48恒玄科技2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所（注：2024年为业绩快报）

图49乐鑫科技2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所

（4）存储包括存储模组和存储芯片，包括DRAM、NANDFLASH、HBM等。AI的发展由海量数据支撑，对数据处理提出了极高的要求，因而需要更大的内存去存储更多的数据，国内相关重点厂商包括兆易创新、江波龙、佰维存储、德明利、澜起科技、东芯股份、聚辰股份、普冉股份、北京君正等。

图50 兆易创新 2020 年-2024Q1-Q3 总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所

图51澜起科技2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所（注：2024年为业绩快报）

（5)光模块是进行光电和电光转换的设备，由光电子器件（光发射组件和光接收组件）功能电路和光接口等组成。AI大模型需要云厂商庞大的算力支持，而光通信网络是算力网络的重要基础和坚实底座。光模块在发送端把电信号转换成光信号，通过光纤传送后，接收端再将光信号转换成电信号。国内相关重点厂商包括中际旭创、天孚通信（光器件）新易盛、光迅科技、源杰科技（光芯片）等。

图52中际旭创2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所（注：2024年为业绩快报）

图53 天孚通信 2020 年-2024Q1-Q3 总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所

（6)PCB作为电子元器件的载体，提供电气互连和信号传输的功能。在AI服务器中，PCB需要处理大量的数据和高速信号传输，还需要承受高负载和高温度环境，确保元器件的稳定运行，因此对层数、线宽、材料等有更高的要求。国内相关重点厂商包括鹏鼎控股、胜宏科技、深南电路、沪电股份、东山精密、景旺电子等。

图54鹏鼎控股2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所（注：2024年为业绩快报）

图55胜宏科技2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所（注：2024年为业绩快报）

（7）AI服务器是大模型算力之源，AI服务器通过集成GPU、FPGA等加速器，能够大幅提升计算速度，满足AI模型对大规模数据处理的需求。国内相关重点厂商包括浪潮信息、工业富联、紫光股份等，服务器其中一个分支是液冷服务器，国内相关厂商包括中石科技、光迅科技、川环科技、国芯科技等。

图56 浪潮信息 2020 年-2024Q1-Q3 总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所

图57工业富联2020-2024年总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所（注：2024年为业绩快报）

（8）服务器电源是一种用于向计算机系统或网络设备供电的设备，将交流电转换为计算机所需的直流电。随着算力发展与芯片功耗的不断提升，对高功率密度与转化效率的服务器电源需求增长，国内相关重点厂商包括麦格米特、光宝科技、中国长城、新雷能、欧陆通等。

图58 麦格米特 2020 年-2024Q1-Q3 总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所

图59 欧陆通 2020 年-2024Q1-Q3 总营收和归母净利润与各自同比增速

资料来源：Wind，东海证券研究所

4.投资建议与风险提示

4.1.投资建议

投资建议：AI时代已经来临，长期建议关注充分受益中国AI产业高速发展及国产化比例提升的双重红利细分板块。

（1）云端AI芯片关注：寒武纪、海光信息、龙芯中科等；

（2）端侧AI芯片关注：恒玄科技、乐鑫科技、中科蓝讯、晶晨股份、瑞芯微、全志科技、炬芯科技、国科微等;

（3）存储板块关注：关注兆易创新、江波龙、佰维存储、德明利、澜起科技、东芯股份、聚辰股份、普冉股份、北京君正等；

（4）光模块、光器件、光芯片关注：中际旭创、天孚通信（光器件）、新易盛、光迅科技、源杰科技（光芯片）等;

（5)PCB关注：鹏鼎控股、胜宏科技、深南电路、沪电股份、东山精密、景旺电子等;

（6)服务器（含液冷）关注：浪潮信息、工业富联、紫光股份、中石科技、光迅科技、川环科技、国芯科技等;

（7）电源关注：麦格米特、光宝科技、中国长城、新雷能、欧陆通等。

4.2.风险提示

（1)AI需求不及预期风险。目前在大模型的刺激下，全球都在积极布局AI产业链，市场还处于不断投资过程中，收益方式还需要看下游应用场景，消费者的接受意愿。如果下游需求不及预期，对产业的持续投资或将产生影响，从而影响产业链上下游的企业经营业绩。

（2）行业竞争过度风险。随着AI产业的大力投资，不少创业公司也纷纷加入布局 AI产业，整个商业模式的行业壁垒相对较高，但全球巨型科技企业纷纷跟随布局，过度的产业竞争或将造成企业经营压力增大，一旦缺少持续性的资金投入，企业或将有经营业绩风险，同时整个产业链或受到冲击。

（3国际贸易政策的变化风险。AI产业中多个细分市场都需要全球先进科技产品支撑，是全球人类共同努力的成果。然而个别经济体随意更改国际贸易政策，或将导致部分核心产业链断供，对全球其他经济体的AI产业布局产生较大影响。

一、评级说明

	评级	说明
市场指数评级	看多	未来6个月内沪深300指数上升幅度达到或超过 20%
	看平	未来6个月内沪深300指数波动幅度在-20%一20%之间
	看空	未来6个月内沪深300指数下跌幅度达到或超过 20%
行业指数评级	超配	未来6个月内行业指数相对强于沪深300指数达到或超过10%
	标配	未来6个月内行业指数相对沪深300指数在-10%一10%之间
	低配	未来6个月内行业指数相对弱于沪深300指数达到或超过10%
公司股票评级	买入	未来6个月内股价相对强于沪深300指数达到或超过15%
	增持	未来6个月内股价相对强于沪深300指数在5%一15%之间
	中性	未来6个月内股价相对沪深300指数在-5%—5%之间
	减持	未来6个月内股价相对弱于沪深300指数5%—15%之间
	卖出	未来6个月内股价相对弱于沪深300指数达到或超过15%

二、分析师声明：

本报告署名分析师具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师，具备专业胜任能力，保证以专业严谨的研究方法和分析逻辑，采用合法合规的数据信息，审慎提出研究结论，独立、客观地出具本报告。

本报告中准确反映了署名分析师的个人研究观点和结论，不受任何第三方的授意或影响，其薪酬的任何组成部分无论是在过去、现在及将来，均与其在本报告中所表述的具体建议或观点无任何直接或间接的关系。

署名分析师本人及直系亲属与本报告中涉及的内容不存在任何利益关系。

三、免责声明：

本报告基于本公司研究所及研究人员认为合法合规的公开资料或实地调研的资料，但对这些信息的真实性、准确性和完整性不做任何保证。本报告仅反映研究人员个人出具本报告当时的分析和判断，并不代表东海证券股份有限公司，或任何其附属或联营公司的立场，本公司可能发表其他与本报告所载资料不一致及有不同结论的报告。本报告可能因时间等因素的变化而变化从而导致与事实不完全一致，敬请关注本公司就同一主题所出具的相关后续研究报告及评论文章。在法律允许的情况下，本公司的关联机构可能会持有报告中涉及的公司所发行的证券并进行交易，并可能为这些公司正在提供或争取提供多种金融服务。

本报告仅供“东海证券股份有限公司”客户、员工及经本公司许可的机构与个人阅读和参考。在任何情况下，本报告中的信息和意见均不构成对任何机构和个人的投资建议，任何形式的保证证券投资收益或者分担证券投资损失的书面或口头承诺均为无效，本公司亦不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。本公司客户如有任何疑问应当咨询独立财务顾问并独自进行投资判断。

本报告版权归“东海证券股份有限公司”所有，未经本公司书面授权，任何人不得对本报告进行任何形式的翻版、复制、刊登、发表或者引用。

四、资质声明：

东海证券股份有限公司是经中国证监会核准的合法证券经营机构，已经具备证券投资咨询业务资格。我们欢迎社会监督并提醒广大投资者，参与证券相关活动应当审慎选择具有相当资质的证券经营机构，注意防范非法证券活动。

上海东海证券研究所

北京东海证券研究所

地址：上海市浦东新区东方路1928号东海证券大厦

地址：北京市西三环北路87号国际财经中心D座15F

网址：Http://www.longone.com.cn

座机：（8621）20333275

座机：（8610）59707105

手机：18221959689

传真：（8621）50585608

邮编：200125

传真：（8610）59707100

邮编：100089

半导体行业深度报告（十二）：AI大模型竞赛方兴未艾，OpenAI与DeepSeek引领行业生态重构-东海证券 听光Vic

半导体行业深度报告（十二）：AI大模型竞赛方兴未艾，OpenAI与DeepSeek引领行业生态重构-东海证券听光Vic