适合投资人的DeepSeek分析报告

行业及产业

电子/

强于大市

一年内行业指数与沪深300指数对比走势：

资料来源：爱建证券研究所、聚源数据

-人工智能专题报告(1)

本期投资提示：

■ 2025年1月20日，DeepSeek发布自研模型R1在全球科技行业引起的震动，被西方媒体称为“DeepSeek Shock”。DeepSeek不仅在媒体圈迅速爆火，同样也成为了资本市场的宠儿，其概念指数仅仅诞生10日后板块成交金额就超过了全部A股成交额的20%。这一切现象究其原因，是因为DeepSeek通过技术微创新，以更低的硬件成本和更短的时间实现了可以与市场领先产品竞争的能力。更重要的是，DeepSeek打破了行业“限制中国企业对于最先进GPU获取，将能够阻止中国AI技术发展”的一贯认知。

■ 本文有别于市场上大部分研究报告冗长的技术细节描述，我们针对投资人短时间内客观理解DeepSeek的需求，加入了不同于市场的思考和量化的分析比较。以下是报告的核心观点：

■ DeepSeek的技术创新在哪里？1）首创DeepSeekMoE架构，专门设计用于实现终极专家专业化。DeepSeekMoE通过降低激活参数比例，实现了训练效率3.6X的提升和训练吞吐量3.6X的提升。2）通过引入MLA机制，DeepSeek-V2实现了显著增强的性能，节省了42.5%的训练成本、减少了93.3%的KV缓存、并将最大生成吞吐量提升至5.76倍。

■ DeepSeek-V3实际开发成本几何？公司官宣正式训练成本为580万美元，但是并没有披露隐性成本。DeepSeek-V3是建立在前期模型基础上开发的，前期研发投入约为2000-3000万美元。其他数据获取成本和硬件折旧成本未披露，实验试错成本约为500万美元，因此预计实际总成本超过4000万美元。实际成本虽然高达公开口径成本的7倍左右，但是仍然相对Llama3-405B降低了约69%；相对于GPT-4o降低了95%。

■ 未来GPU算力需求会大幅下降吗？短期内云服务大厂资本开支持续处于上升通道，这是由于ScalingLaw导致行业对于算力军备竞赛的恐慌性投资仍然存在。但是ScalingLaw中，数据资源同样限制着模型性能的提升。根据EPOCHAI预测，到2028年人类生成的公共文本数据总有效库存量约为300Ttoken将被全部耗尽。换句话说，在现有模型框架和数据资源供给下，2028年之后单纯算力提升将难以继续推动模型性能的升级。

核心结论：

■ 给予行业“强于大市”评级。随着DeepSeek的横空出世，低成本高性能的模型训练部署成为可能。我们预计接入DeepSeekAPI的细分领域推理服务商将会快速涌现，同时终端设备将会能够实现蒸馏小模型的本地部署能力，包括服务器，智能手机和智能驾驶系统都将会迎来新一轮的升级浪潮。我们看好以下细分板块在DeepSeek推动下的未来发展：

先进算力芯片制造产业链：算力芯片设计，先进制程晶圆代工，先进封测等等。

专业咨询服务：包括AI+医疗，法律，金融，会计，教育，政务等咨询服务领域。

》2C智能终端：AI+智能手机，智驾汽车等终端产业链。

2B 本地部署设备：服务器OEM及产业链。

■ 风险提示：大模型开发进度缓慢，模型升级不及预期。AI行业应用落地迟缓，商业模式难以实现良性循环。贸易摩擦加剧，先进芯片及半导体技术受限。

1.DeepSeek 从何而来
1.1DeepSeek 公司诞生.
1.2DeepSeek 里程碑事件..
1.3DeepSeek 的爆火...
2.深入剖析DeepSeek. 8
2.1DeepSeek为什么被称为 shock?
2.2DeepSeek的技术创新在哪里？ ..11
2.3 技术细节之外的信心提升. .12
3.市场对于DeepSeek最关心的问题 .15
3.1DeepSeek-V3的模型实际成本几何? ..15
3.2GPU为代表的算力需求是否会大幅下降？ ..16
4.DeepSeek对产业发展的影响.. 19
5.风险提示. .20

图表目录

图1：DeepSeek 里程碑事件 4
图2：DeepSeek-R1发布后话题爆火， .5
图3：DeepSeek概念占A股成交额比例超过 20%. ..5
图4：DeepSeek通用模型V3性能达到行业领先水平 ..8
图5：DeepSeek通用模型V3成本优势明显 ..9
图6：DeepSeek 推理模型R1性能达到行业领先水平 ..9
图7：DeepSeek-R1价格优势明显， ...10
图8：DeepSeekMOE架构可以用更少的训练参数实现更好的性能表现 ..11
图9：DeepSeek-V2通过MLA机制实现了性能优势和成本降低 ..12
图10：Scaling Law 中算力与 AI 能力的关系.. .13
图11：DeepSeek带动中国资本市场信心提升. ..14
图12：美国主要互联网企业资本支出金额（亿美元） ..16
图13：人类生成的公共文本数据将在2028年耗尽. .. 17
图14：OpenAI模型参数规模快速靠近公共文本数据上限 ..18
表1： DeepSeek-V3 和 DeepSeek-R1 比较. ..8
表2：DeepSeek-R1蒸馏小模型本地化部署 .10
表3：DeepSeekMoE的效率创新. .11
表4：国内外高端GPU 芯片性能比较， .13
表5：DeepSeek开发具备成本优势. ..14
表6：DeepSeek-V3正式训练阶段成本拆分 ..15
表7：DeepSeek-V3 隐性成本拆分， ..15
表8：DeepSeek-V3 实际成本对比 ..16
表9：主要细分行业模型参数规模 .18

1．DeepSeek从何而来

1.1DeepSeek 公司诞生

2023年7月，DeepSeek公司由幻方量化创始人梁文锋主导创立，其团队依托幻方投资的资金与“萤火超算”万卡级算力资源（万张A100GPU），致力于AGI技术探索。2023年7月17日，杭州深度求索人工智能基础技术研究有限公司（DeepSeek）正式注册，定位为技术驱动的开源AI公司。

1.2DeepSeek里程碑事件

DeepSeek整个发展历程可以分为五个阶段：

阶段一:2023年11月，DeepSeek代码模型首秀。主要包括:DeepSeek Coder：首个开源代码大模型，支持多语言生成与调试，且性能超越CodeLlama，奠定了技术口碑。DeepSeek LLM 67B：通用大模型开源，对标 LLaMA2 70B，中英文任务表现领先。

阶段二：2024年1月-5月，DeepSeek实现了MoE架构创新。发布DeepSeekMoE 国内首个开源MoE模型，采用细粒度专家共享架构。DeepSeek-V2第二代MoE模型，引入MLA（多头潜在注意力）技术，推理成本仅为 LLaMA3的1/4，API定价低至GPT-4 Turbo 的1/70，大幅拉低AI使用成本。

图1:DeepSeek里程碑事件

资料来源：DeepSeek，爱建证券研究所

阶段三：2024年6-8月，多领域拓展与性能跃升。DeepSeek发布垂直领域模型DeepSeek Coder V2（2024 年6月）：代码能力超越 GPT-4 Turbo。DeepSeek-Prover-V1.5（2024年8月）：数学推理模型，覆盖初等数学至研究生水平。

阶段四：2024年12月，实现通用模型的迭代。DeepSeek-V3发布，公司宣称训练成本仅550万美元，性能对标国际闭源模型，生成速度提升3倍。DeepSeek-VL2（2024年12月）：多模态MoE模型，视觉能力显著提升。

阶段五：2025年1月20日，DeepSeek正式发布第一代推理模型DeepSeek-R1-Zero 和 DeepSeek-R1。

1.3DeepSeek 的爆火

随着DeepSeek-R1发布，相关话题在媒体网络爆火，微信指数迅速超越ChatGPT。2025年2月5日，DeepSeek同样也成为了资本市场的宠儿。DeepSeek概念指数仅仅诞生10日后，2025年2月14日DeepSeek板块成交金额就超过了全部A股成交额的20%。同时期内，沪深300指数涨幅约为3.8%，DeepSeek成为了这一轮市场上涨的重要推动力量。

图2：DeepSeek-R1发布后话题爆火

资料来源：微信指数，爱建证券研究所

图3：DeepSeek概念占A股成交额比例超过20%

资料来源：iFind，爱建证券研究所

除了在媒体和资本市场的火爆，DeepSeek是国内首个获得各行各业认可并实际接入的大模型。具体来看，目前已经接入DeepSeek的已经包括云服务领域，网络安全领域，办公&教育，医疗，政务等等行业的多家国内外知名企业。

云服务领域

华为云：2月1日，硅基流动与华为云团队联合首发并上线基于华为云昇腾云服务的DeepSeek推理服务，让模型能够在大规模生产环境中稳定运行。腾讯云：2月2日宣布在高性能应用服务"HAI"上支持一键部署DeepSeek-R1模型，开发者仅需3分钟即可接入调用。阿里云:2月3日宣布阿里云 PAI ModelGallery支持云上一键部署DeepSeek-V3、DeepSeek-R1。百度智能云：2月3 日宣布

DeepSeek-R1 和DeepSeek-V3 模型已在百度智能云千帆平台上架，并推出了超低价格方案。京东云:2 月4 日宣布正式上线 DeepSeek-R1 和 DeepSeek-V3 模型，支持公有云在线部署、专混私有化实例部署两种模式。联通云：2月3日宣布联通云已基于星罗平台实现国产及主流算力适配多规格DeepSeek-R1模型。天翼云：2月6日，电信天翼云自主研发的"息壤"智算平台率先完成国产算力与DeepSeek-R1/V3 系列大模型的深度适配优化。火山引擎：支持V3/R 等不同尺寸的DeepSeek 开源模型，提供高性能推理服务。

网络安全领域

360 集团:2月2 日宣布其安全大模型正式接入 DeepSeek,将以 DeepSeek为安全大模型基座，训练出“DeepSeek 版”安全大模型。安恒信息：2月4日发布信息称，旗下恒脑·安全垂域大模型正式集成DeepSeek，完成基于DeepSeek-R1的安全大模型的训练。奇安信:2月5日宣布自主研发的QAX 安全大模型已全面完成了DeepSeek 的深度接入。亚信安全：2月5日宣布基于DeepSeek-V3/R1构建智能体，能够在海量的安全告警中，快速、低成本地挖掘到不同来源、不同类型安全告警中的关联关系。安博通：2月7日，安博通下一代AI 防火墙与人工智能大模型强强联合，搭载 DeepSeek-R1-Distill-Qwen-32B模型。

办公&教育领域

视觉中国：完成DeepSeek-R1接入与本地化部署，并在多个产品中深度应用其能力。钉钉：钉钉AI助理接入DeepSeek，支持深度思考。用友：通过引入 DeepSeek 进一步优化YonSuite 的 AI 能力，并将以更多数据开源模型训练YonGPT模型。飞书：飞书多为表格、飞书智能伙伴已接入DeepSeek。ima：正式接入DeepSeek-R1 模型，在使用搜、读、写和知识库的时候，可以选择腾讯混元大模型或DeepSeek-R1 模型。网易有道：全面接入DeepSeek-R1，AI全科学习助手“有道小P”结合DeepSeek-R1超长思维链所提供的思考及分析能力，进一步优化了个性化答疑功能。云学堂：已全面接入 DeepSeek-R1/V3 大模型，云学堂的 AI 制课专家、AI学习地图、AI 学习专家、AI 对练等产品均能够使用包括DeepSeek 在内的多种大模型能力。万兴科技：已完成与 DeepSeek 最新推理大模型DeepSeek-R1的深度适配，旗下产品如万兴喵影、亿图图示、亿图脑图 MindMaster、万兴 PDF 等均已集成该模型。知乎：DeepSeek-R1 模型能力已经在知乎直答网页和知乎App双端集成上线，实现了搜索结果和解答质量的全面提升。科大讯飞：讯飞开放平台宣布DeepSeek全系大模型现已正式上线，支持公有云 API 调用和专属模型一键部署。

政务，医疗等其他

深圳全面启用DeepSeek打造智慧政务新体验：2月16日，深圳市基于政务云环境面向全市各区各部门正式提供DeepSeek模型应用服务，实现了基于DeepSeek的人工智能政务应用一体化赋能升级。此前，深圳已于2月10 日完成DeepSeek-R1（671B）满血版模型在政务云上的部署，并于2月13日组织开展全市使用操作培训，成为全省首个基于政务云信创环境下全市范围部署应用DeepSeek 的城市。据“北京海淀”微信公众号2月11日消息，海淀区正式为区内企业提供DeepSeek 全量模型服务，为辖区内行业提供大模型开发、大模型推理API 服务、大模型应用开发服务等。

浙江省卫健委和蚂蚁集团联合推出“安诊儿”：2月16日，由浙江省卫健委和蚂蚁集团联合推出的“安诊儿”宣布融合DeepSeek-R1，升级大模型底座能力。多家医疗企业接入 DeepSeek :2 月6 日,智云健康宣布将 DeepSeek-R1 模型接入公司自研医疗人工智能系统“智云大脑"。2月7日，医渡科技宣布，已将DeepSeek人工智能模型整合至公司自主研发的“AI 医疗大脑"YiduCore。2月7日，鹰瞳Airdoc自主研发的万语医疗大模型完成焕新升级，接入DeepSeek R1 模型。

海外知名企业

微软已将 DeepSeek-R1 模型纳入其 Azure AI Foundry，这标志着 AI 经济格局的重大转变。这一整合不仅挑战了现有的AI服务定价，还使更多企业能够以更低的成本采用AI技术。英伟达支持DeepSeek：作为国际巨头之一，英伟达已正式宣布支持 DeepSeek 模型服务。英特尔支持 DeepSeek：英特尔是另一家正式宣布支持DeepSeek 模型服务的国际巨头。

2．深入剖析 DeepSeek

2.1DeepSeek为什么被称为 shock?

DeepSeek近期在全球科技行业引起的震动，被西方媒体称为“DeepSeekShock”。这不仅造成了研究人员的兴奋，也引起了资本市场的高度关注。

究其原因，是因为DeepSeek以更低的硬件成本和更短的时间实现了可以与OpenAl和Anthropic等美国公司的尖端产品竞争的能力。具体来讲，引起轰动的产品主要是通用大模型V3和推理大模型R1。

表1:DeepSeek-V3 和 DeepSeek-R1比较

特性	DeepSeek V3	DeepSeek R1
架构	混合专家（MoE)	混合专家（MoE），优化推理能力
参数规模	671B	671B
计算优化	每次仅激活37B参数大幅节省计算资源并提高响应速	采用动态门控机制，适应推理任务
	度
应用场景	自然语言处理NLP	复杂逻辑推理可以蒸馏出参数规模不同的开源
特色	由于其优秀的性价比，适用于实时变化的商业和研究需求	小模型，可以迅速部署在不同应用场景的深度推理

资料来源：DeepSeek，爱建证券研究所

通用大模型DeepSeek-V3

DeepSeekV3采用混合专家(MoE)架构，主要面向自然语言处理(NLP)任务，旨在提供高效、可扩展的解决方案。其优势在于高效的多模态处理能力(文本、图像、音频、视频)和较低的训练成本。

图4：DeepSeek通用模型V3性能达到行业领先水平

资料来源：DeepSeek，爱建证券研究所

DeepSeek-V3在实现领先性能的同时，还保证了更加经济的训练成本。

图5：DeepSeek通用模型V3成本优势明显

资料来源：DeepSeek，爱建证券研究所

推理大模型DeepSeek-R1

DeepSeek-R1:专注于复杂推理任务设计，强化在数学、代码生成和逻辑推理领域的性能。通过大规模强化学习(RL)和冷启动技术，R1在无需大量监督微调(SFT)的情况下，实现了与OpenAlO1系列相当的推理能力。

图6：DeepSeek推理模型R1性能达到行业领先水平

Figure1| Benchmark performance of DeepSeek-R1.

资料来源：DeepSeek，爱建证券研究所

DeepSeekR1属于性能与成本平衡的中小规模模型（\~7B参数）。训练成本主要涵盖算力（如GPU 集群）、数据准备、算法调优等核心环节。相较于千亿参数模型的数千万甚至上亿美元成本（如 GPT-3 估算约 1200 万美元），DeepSeek R1 的设计更注重实际落地效率。这也使得 DeepSeek-R1目前的API服务价格也远低于行业水平。

图7：DeepSeek-R1价格优势明显

资料来源：DeepSeek，爱建证券研究所

同时让行业兴奋的是，基于DeepSeek-R1蒸馏出的开源小模型，可以适配于不同的应用环境，这让本地化部署的浪潮迅速展开。通过参数与场景的精准匹配，DeepSeek R1蒸馏模型可最大化性价比，覆盖从嵌入式设备到企业级服务的全场景需求。

表2：DeepSeek-R1蒸馏小模型本地化部署

参数规模	0.1-0.5B	0.5-1B	1-3B	3-7B
核心优势	超低功耗、毫秒级响应	语义理解	平衡轻量化与基础支持中等复杂度生接近原模型能力，成任务	高效推理
主要限制	仅支持简单任务、短文本处理	输出质量中等，推理可控性弱	长文本生成不连贯	显存需求较高 (需GPU 加速)
适用硬件	手机/嵌入式芯片 (Cortex-M)	树莓派/边缘计算盒低端GPU或CPU服 (4GBRAM)	务器（8GB RAM)	中端GPU（如 T4/A10)
任务复杂度	单一分类/检测	简单生成+分类	多轮对话/摘要	长文本生成/推理
硬件成本	<$50/设备	$100-$300	$500-$2000	$3000+
开发周期	1-3天	1-2周	2-4周	4-8周
适用行业	智能家居、农业传感器	零售客服、教育工具	金融合规、电信运维	医疗、法律、营销

资料来源：DeepSeek，爱建证券研究所

2.2DeepSeek的技术创新在哪里?

DeepSeek仍然是基于Transformer框架下的大语言模型，这一点和OpenAl等其他大模型并无二致。但是DeepSeek在模型训练和推理过程中实现了开创性的创新。DeepSeek的创新主要在于MoE和MLA两个技术突破。

表3：DeepSeekMoE的效率创新

技术维度	传统MoE	DeepSeekMoE	效率提升倍数
单 token计算量	激活20%总参数	激活5.5%总参数	3.6x
设备间通信量	无限制跨节点路由	最多4节点路由	2-5x
KV缓存/Token	384KB (Llama 100B)	135KB	2.8x
训练吞吐量	1.2样本/秒/GPU (基线)	4.3样本/秒/GPU	3.6x

资料来源：DeepSeek，爱建证券研究所

■ DeepSeekMoE:2024年1月，DeepSeek 发表论文《DeepSeekMoE:Towards Ultimate Expert Specialization in Mixture-of-ExpertsLanguageModels》。论文提出了DeepSeekMoE，这是一种创新的MoE（混合专家）架构，专门设计用于实现终极专家专业化。论文中介绍，DeepSeek通过降低激活参数比例，实现了训练效率3.6X的提升和训练吞吐量3.6X 的提升。

图8：DeepSeekMOE架构可以用更少的训练参数实现更好的性能表现

资料来源：DeepSeek，爱建证券研究所

■ MLA:2024 年5月，DeepSeek 发布论文《DeepSeek-V2: A Strong,Economical, and Efficient Mixture-of-Experts Language Model》。论文在DeepSeek-V2模型中，引入了MLA（多头潜在注意力机制），MLA通过将KV缓存显著压缩为潜向量来保证高效推理。

图9：DeepSeek-V2通过MLA机制实现了性能优势和成本降低

资料来源：DeepSeek，爱建证券研究所

与 DeepSeek 67B 相比，DeepSeek-V2 实现了显著增强的性能，同时节省了42.5%的训练成本、减少了93.3%的KV缓存、并将最大生成吞吐量提升至5.76倍。

除此之外，DeepSeek 在训练时利用了多个 token预测的技术，即在预测下一个 token 时会基于之前所有 token 的上下文，这样在后续预测时可以减少部分计算量，加快训练速度。此外，DeepSeek-V3还支持动态的FP8 混合精度，在底层运算中使用FP8浮点数，大幅减少了计算量。同时，它对GPU底层部署进行了优化，提升了GPU 通讯效率，节省了时间。

2.3技术细节之外的信心提升

DeepSeek在开源社区和行业中引起了轰动，主要原因在于其采用纯粹的强化学习方式训练模型，并取得了显著的效果，这颠覆了之前认为强化学习训练复杂且难以实现高效模型的认知。

除了在技术细节的因素，其之所以能够称为“Shock”，主要在于打破了行业“限制中国企业对于最先进GPU获取，将能够阻止中国AI技术发展”的一贯认知。

Al行业的 Scaling Law

ScalingLaw（规模定律）是深度学习领域的重要规律，它描述了AI模型性能 (如准确率或生成质量）与模型规模、训练数据量及计算资源 (如算力)之间的数学关系。简单来说，“模型变大、数据变多、算力变强，效果会系统性提升”。这使得所有人产生了一种算力军备竞赛的恐慌，所有的行业参与者都会不遗余力的投资算力，行业内普遍认为算力投资需求看不到上线，同时AI性能提升与算力投资成线性或者指数关系。

图10：ScalingLaw中算力与Al能力的关系

资料来源：NVIDIA，爱建证券研究所

与此同时，早在2022年10月：拜登政府就首次出台限制措施，明确针对高性能计算芯片A100/H100及其制造设备。2023年10月：拜登政府升级管制，将英伟达A800/H800 等降级版GPU 纳入禁售范围，并扩大限制国别。

表4：国内外高端GPU芯片性能比较

芯片型号		NVIDIA A100 NVIDIA H100 NVIDIA A800		NVIDIAH800 华为昇腾910B寒武纪MLU370
FP32算力 (TFLOPS)	19.5	42.8	19.5	30.4	~12	~8
FP16算力 (TFLOPS)	312	2000	312	1450	256	128
INT8算力 (TOPS)	1248	4000	1248	2900	1024	512
显存容量显存带宽	40/80GB	80GB	40/80GB	80GB	32GB	16GB
(GB/s)	1935 (HBM2e)	3350 (HBM3)	1935	2500 (HBM2e)	~900 (HBM2)	~600
单卡互连带宽	600GB/s	600GB/s	400GB/s	400GB/s	200GB/s	150GB/s
集群扩展性	支持数干节点无缝扩展	支持数干节点无缝扩展	扩展效率下降约30%	扩展效率下降约30%	最多支持 4096节点	实验室环境最大 64节点

资料来源：NVIDIA，华为，寒武纪，爱建证券研究所

根据上表中数据，国产GPU 芯片在性能方面相较于NVIDIA产品在性能上有显著的差距。根据ScalingLaw，这将会直接导致中国大模型研发进度延后，与国外企业的差距也将越来越大。例如，百度、腾讯、阿里巴巴等企业在训练大模型时，因无法获得英伟达A100/H100GPU，改用降级版A800或国产芯片，导致训练时间增加30%-50%。部分企业被迫通过“堆量”弥补单卡性能差距，显著推高成本。

DeepSeek的成功打破了中国Al产业的Scaling Law 困境

DeepSeek成立于2023年，虽然受制于高端GPU 的限制，但是在极端的时间内就开发出性能领先且具备成本优势的国产大模型。

表5：DeepSeek开发具备成本优势

模型	参数量	官方成本估算	备注
Meta Llama 2-13B	13B	600万-800万美元	开源模型，基线参考
Mistral-8x7B	45B (MoE)	约1200万美元	MoE架构降低激活参数量
Gemma-7B	7B	400万-600万美元	Google高效调优技术
DeepSeek-R1	7B	550万美元	前期版本对比基准

资料来源：DeepSeek，爱建证券研究所

总而言之，DeepSeek通过微创新实现了低成本高性能的模型开发。同时在高端芯片受限制的情况下，用短短两年时间实现了对国外先进企业的追赶，这从根本上提振了国内企业对于AI产业的发展信心。

图11：DeepSeek带动中国资本市场信心提升

资料来源：iFind，爱建证券研究所

3．市场对于DeepSeek最关心的问题

关于DeepSeek的讨论很多，主要围绕在DeepSeek实际开发成本，以及未来GPU算力投资是否会大幅减少等等。下面，我们将会对这些问题进行详细分析。

3.1DeepSeek-V3的模型实际成本几何?

根据 DeepSeek 官方口径，DeepSeek-V3 模型总参数量达到 671B，每次处理激活37B 参数，训练数据规模达14.8T token。综合评估显示，模型维持了极具竞争力的训练成本，完整训练过程（包括预训练、上下文长度扩展和后训练）仅需2.788M H800 GPU 小时，按照2美元/小时成本计算，训练成本约为 558万美元。

表6：DeepSeek-V3正式训练阶段成本拆分

阶段	GPU小时消耗	占比	成本（美元)	核心目标
预训练	2,664,000	95.5%	532.8万	基于14.8Ttokens完成模型基础能力构建，采用FP8混合精度与MoE架构优化效率
上下文扩展	119,000	4.3%	23.8万	将上下文长度从32K扩展至128K，优化长文本处理能力
后训练	5,000	0.2%	1.0万	通过SFT（监督微调）和RL（强化学习）提升对齐能力，整合R1 的推理知识蒸馏
总计	2,788,000	100%	557.6万	训练周期约55天 (2048 卡集群)

资料来源：DeepSeek，爱建证券研究所

DeepSeek-V3的训练成本计算可分为正式训练阶段与隐性成本两个部分：

预训练效率：每1T tokens 消耗18万GPU小时，仅为Llama3 同规模模型的1/10。硬件利用率：通过DuaIPipe 流水线并行与通信优化，H800集群有效利用率达92%，领先传统架构水平的60-70%。

表7：DeepSeek-V3 隐性成本拆分

成本类型	估算范围	说明
前期研发投入	2000-3000万美元	包含DeepSeek-V2、R1等前置模型的研发费用，以及架构验证实验成本
数据成本	未披露	14.8T tokens的高质量数据清洗与标注 (数学/代码数据占比超30%)
硬件折旧	未计入	若自建H800集群（单价约3.5万美元/卡），2048卡硬件成本约7.168亿美元
失败实验	约500万美元	技术报告中提及的“架构研究”阶段可能消耗的试错成本

资料来源：DeepSeek，爱建证券研究所

DeepSeek-V3是建立在前期V2等模型基础上开发的，前期研发投入约为2000-3000 万美元。其他数据获取成本和硬件折旧成本未披露，实验试错成本约为500万美元，因此预计实际总成本超过4000万美元。

表8：DeepSeek-V3实际成本对比

模型	参数规模	实际成本	单位 token成本 ($/T)	成本效能比 (DeepSeek=1)
DeepSeek-V3	671B	>4000万$	260	1.0
Llama 3-405B	405B	约2.5亿$	833	3.2
GPT-40	~1.8T	推测>1亿$	>5400	>21

资料来源：DeepSeek，Meta，OpenAl，爱建证券研究所

如果按照实际成本计算，DeepSeek的成本水平相对 Llama 3-405B 降低了约69%；相对于 GPT-4o 降低了95%。

3.2GPU为代表的算力需求是否会大幅下降？

由于DeepSeek模型训练成本的快速下降，直接导致了全球资本市场GPU 行业的短暂恐慌，市场开始担心未来对于GPU 等算力硬件的需求被过度放大。我们认为短期内由于各家AI巨头公司在大模型领域的“军备竞赛”不会停止，所以行业内算力支出金额的增长仍然难以看到放缓的趋势。

■ 算力军备竞赛持续加剧

从2022年Q4到2024年，我们可以看到美国五大云服务提供商的AI投资占比持续增长。2022年AI支出占比普遍在20%-40%，至2024 年提升至50%-85%。此前，市场一致认为对于算力的需求没有上限，这导致全市场都对于算力产生了一种“恐慌性”需求。那算力需求真的会一直线性甚至指数级持续提升吗？

图12：美国主要互联网企业资本支出金额 (亿美元)

资料来源：Alphabet，Microsoft，Meta，Amazon，Apple，爱建证券研究所

■ 从算力瓶颈到数据瓶颈

根据此前提到的Scaling Law，Al模型性能（如准确率或生成质量）与模型规模、训练数据量及计算资源（如算力）之间成正相关关系。虽然目前提升算力确实能够推动AI能力的升级，但是这一切的前提是我们拥有充足的高质量数据投喂到训练过程中。

图13：人类生成的公共文本数据将在2028年耗尽

资料来源：Alphabet，Microsoft，Meta，Amazon，Apple，爱建证券研究所

EPOCH Al 在 2024 年6 月发布论文《will we run out of data? Limits of LLMscalingbased on human-generateddata》，人类生成的公共文本数据总有效库存量约为300Ttoken（90%可能性在100T至1000T之间）。按照目前大模型算力能力进化的趋势来看，2027-2028年左右现有的大模型训练就将会耗尽所有的公开文本数据。

图14：OpenAl模型参数规模快速靠近公共文本数据上限

资料来源：OpenAI，爱建证券研究所

而根据目前OpenAI最新的模型GPT4参数规模的预估值1.8T，以及OpenAl每一代升级后至少一个数量级上升的速度。我们认为，在未来2-3代模型升级时间之内，影响AI模型性能升级的关键将不再是算力投资。数据资源正在成为模型进化的重要瓶颈。

■ 数据瓶颈之后的发展方向在哪里

虽然公开的文本数据正在以肉眼可见的速度被耗尽，但是仍然有大量的高价值专业数据，以及实时动态数据存在于各个行业公司，政府部门以及媒体领域。我们认为，未来AI模型的进化方向除了继续在算力硬件方面投资，更重要的是在专业细分领域利用数据资源优势实现具备差异化优势的细分模型。

表9：主要细分行业模型参数规模

专业领域	典型数据集大小(Tokens)	常用模型参数量（B)	关键训练技术
医疗	10亿-100亿	1.5B-540B	领域自适应微调 (Adapter Layers)
金融	50亿-500亿	0.34B-50B	时序数据编码 (Temporal Attention)
法律	30亿-200亿	1.3B-175B	长文本分块训练 (Doc-level NSP)
科学	1亿-10亿 (结构化数据为主)	0.2B-7B	多模态融合 (文本+分子图)
动态	实时流数据 (持续更新)	10B-50B	在线学习 (Real-time Embedding)

资料来源：OpenAl，爱建证券研究所

根据上表中的数据，目前最先进的模型（包括DeepSeek-R1）已经足够完成训练重点行业的数据集。因此，我们可以相信目前的算力水平已经足够完成细分行业的模型有效训练。也就是说在现有模型框架下，模型训练的算力需求并不会持续的以线性或者指数级方式增长，未来的算力需求主要来自于细分领域的推理需求。

4．DeepSeek 对产业发展的影响

随着DeepSeek的横空出世，低成本高性能的模型训练部署称为可能，这对于AI应用加速落地产生了极大地推动作用。我们预计接入DeepSeekAPI的细分领域推理服务商将会快速涌现，同时具备足够算力的终端设备将会能够实现蒸馏小模型的本地部署能力，包括服务器，智能手机和智能驾驶系统都将会迎来新一轮的升级浪潮。具体来看，我们看好以下细分板块在DeepSeek推动下的未来发展：

1、先进算力芯片制造产业链：算力芯片设计，先进制程晶圆代工，先进封测。

2、专业咨询服务：包括AI+医疗，法律，金融，会计，办公，教育，政务等等咨询服务领域。

3、2C 智能终端：AI+智能手机，智驾汽车等终端产业链。

4、2B本地部署设备：服务器OEM及产业链。

5. 风险提示

大模型开发进度缓慢，模型升级不及预期。

AI行业应用落地迟缓，商业模式难以实现良性循环。

贸易摩擦加剧，先进芯片及半导体技术受限。

爱建证券有限责任公司

上海市浦东新区前滩大道199弄5号

电话：021-32229888

传真：021-68728700

邮政编码：200124

邮箱：ajzq@ajzq.com

服务热线：956021

网址：http://www.ajzq.com

评级说明

投资建议的评级标准

报告中投资建议所涉及的评级分为股票评级和行业评级（另有说明的除外）。评级标准为报告发布日后6个月内的相对市场表现，也即：以报告发布日后的6个月内的公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。其中：A股市场：沪深300指数（000300.SH）；新三板市场：三板成指（899001.CSI）（针对协议转让标的）或三板做市指数（899002.CSI）（针对做市转让标的）；北交所市场：北证50指数（899050.BJ）；香港市场：恒生指数（HIS.HI）；美国市场：标普 500指数（SPX.GI）或纳斯达克指数（IXIC.GI）。

买入相对同期相关证券市场代表性指数涨幅大于15%

增持相对同期相关证券市场代表性指数涨幅在5%～15%之间

持有相对同期相关证券市场代表性指数涨幅在-5%\~5%之间

卖出相对同期相关证券市场代表性指数涨幅小于-5%

行业评级

强于大市相对表现优于同期相关证券市场代表性指数

中性相对表现与同期相关证券市场代表性指数持平

弱于大市相对表现弱于同期相关证券市场代表性指数

分析师声明

本报告署名分析师在此声明：我们具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，本报告采用信息和数据来自公开、合规渠道，所表述的观点均准确地反映了我们对标的证券和发行人的独立看法。研究报告对所涉及的证券或发行人的评价是分析师本人通过财务分析预测、数量化方法、或行业比较分析所得出的结论，但使用以上信息和分析方法可能存在局限性，请谨慎参考。

法律主体声明

本报告由爱建证券有限责任公司（以下统称为“爱建证券”）证券研究所制作，爱建证券具备中国证监会批复的证券投资咨询业务资格，接受中国证监会监管。

本报告是机密的，仅供我们的签约客户使用，爱建证券不因收件人收到本报告而视其为爱建证券的签约客户。本报告中的信息均来源于我们认为可靠的已公开资料，但爱建证券对这些信息的准确性及完整性不作任何保证。本报告中的信息、意见等均仅供签约客户参考，不构成所述证券买卖的出价或征价邀请或要约。该等信息、意见未考虑到获取本报告人员的具体投资目的、财务状况以及特定需求，在任何时候均不构成对任何人的个人推荐。客户应当对本报告中的信息和意见进行独立评估，并应同时考量各自的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方面咨询专家的意见。对依据或者使用本报告所造成的一切后果，爱建证券及其关联人员均不承担任何法律责任。

本报告所载的意见、评估及预测仅为本报告出具日的观点和判断。该等意见、评估及预测后续可随时更改。过往的表现亦不应作为日后表现的预示和担保。在不同时期，爱建证券可能会发出与本报告所载意见、评估及预测不一致的研究报告。

适合投资人的DeepSeek分析报告

强于大市

相关研究

-人工智能专题报告(1)

本期投资提示：

核心结论：

目录

图表目录

1．DeepSeek从何而来

1.1DeepSeek 公司诞生

1.2DeepSeek里程碑事件

1.3DeepSeek 的爆火

云服务领域

网络安全领域

办公&教育领域

政务，医疗等其他

海外知名企业

2．深入剖析 DeepSeek

2.1DeepSeek为什么被称为 shock?

通用大模型DeepSeek-V3

推理大模型DeepSeek-R1

2.2DeepSeek的技术创新在哪里?

2.3技术细节之外的信心提升

Al行业的 Scaling Law

DeepSeek的成功打破了中国Al产业的Scaling Law 困境

3．市场对于DeepSeek最关心的问题

3.1DeepSeek-V3的模型实际成本几何?

3.2GPU为代表的算力需求是否会大幅下降？

■ 算力军备竞赛持续加剧

■ 从算力瓶颈到数据瓶颈

■ 数据瓶颈之后的发展方向在哪里

4．DeepSeek 对产业发展的影响

5. 风险提示

爱建证券有限责任公司

评级说明

投资建议的评级标准

行业评级

分析师声明

法律主体声明

版权声明

爱建证券-人工智能行业专题报告（1）：适合投资人的DeepSeek分析报告 听光Vic

爱建证券-人工智能行业专题报告（1）：适合投资人的DeepSeek分析报告听光Vic