中信證券：看好DeepSeek新一代模型帶動雲端推理需求爆發 加速AI應用端側落地

智通財經APP獲悉，中信證券發佈研報稱，DeepSeek通過工程化能力創新，實現了大模型訓練和推理算力成本的極致優化，也爲端側部署高性能模型提供新的方向。通過分析DeepSeek V3和R1模型論文，理解其核心邏輯是“按需分配算力，最小化冗餘計算”，使得千億級模型在低成本硬件(甚至邊緣設備)上高效運行成爲可能，爲大規模商業化落地提供了技術基礎。看好DeepSeek新一代模型帶動雲端推理需求爆發，加速AI應用端側落地：建議核心關注晶圓代工、國產算力芯片、定製化存儲、終端品牌、SoC五大方向。

中信證券主要觀點如下：

DeepSeek如何實現的訓練成本降低?

1)架構創新： DeepSeek-V3的基礎架構中採用了DeepSeekMoE專家架構和MLA多頭潛在注意力機制，DeepSeekMoE通過細粒度專家分配、共享專家及無輔助損失負載均衡策略優化傳統MoE，提升計算資源效率;MLA通過低秩聯合壓縮減少注意力鍵值緩存佔用，提升計算效率、減少內存消耗。

2)FP8混合精度訓練：在全球主流大模型中率先採用FP8低精度數據進行大規模訓練，大部分核心計算用FP8提升速度、降低內存用量，部分關鍵操作保留高精度確保動態穩定性。

3)訓練工程優化：DeepSeek在主流大模型中率先採用硬盤充當輸入端緩存，設計DualPipe算法實現高效流水線並行，融合前後向通信階段，減少阻塞;採用定製化高效跨節點all-to-all通信內核降低通信開銷;通過重計算、EMA、共享向量和輸出頭減少內存佔用。

4)數據策略優化：應用多token預測機制MTP，增加訓練信號密度，減少20%訓練迭代次數，幫助模型捕捉長距離依賴關係。

DeepSeek如何實現的推理成本降低?

DeepSeek-V3對推理的預填充和解碼兩個階段都優化了專家使用效率：預填充階段MoE用EP32及冗餘專家策略提升效率，解碼階段探索動態路由減少通信開銷;還通過支持FP8、INT8量化和提供蒸餾版本，實現低精度量化與模型壓縮，減少顯存佔用。DeepSeek的開源生態可以更好支持硬件廠商適配，例如可以對MLA算子優化提升推理效率，DeepSeek-R1發佈後國內外芯片廠商快速響應支持DeepSeek。1月25日，AMD宣佈已將新的DeepSeek-V3集成到Instinct MI300X GPU上並經過SGLang對推理過程進行了優化，英偉達、英特爾也隨後在1月31日官宣支持。國內廠商都已經官宣完成對DeepSeek的適配，國產算力成爲相對穩定可靠的選項，支撐國產大模型從研發走向商業化。

從DeepSeek算力需求看AI芯片設計方向?

DeepSeek 在論文的芯片設計意見指導中指出通信和計算同等重要，計算方面降低精度和內存需求是關鍵。在通信硬件優化上，DeepSeek建議開發獨立通信協處理器，實現計算與通信物理分離，同時建議融合網絡架構，統一IB和 NVLink的網絡協議棧，統一通信接口以簡化編程複雜度和降低通信延遲;在計算硬件優化上，建議提升 FP8 計算精度，並支持分塊量化與在線量化，減少訪存開銷，提升推理效率。DeepSeek建議帶來兩點啓示：

1)“推理速度”基本90%是由decoding階段決定的，因此內存容量決定大模型推理速度，內存升級仍是算力芯片升級的重點方向，看好近存計算髮展。

2)在模型開源的策略下，DeepSeek-R1蒸餾後的小模型性能有望持續快速提升，幫助端側硬件加速接入，助力AI應用全面落地。看好品牌商和SoC芯片廠商的成長機遇。

投資策略：

看好DeepSeek新一代模型帶動雲端推理需求爆發，加速AI應用端側落地：

1)雲端：DeepSeek有望開啓全新的Scaling Law，模型重心逐步從預訓練切換到強化學習、推理階段，助力算力需求持續增長。

2)終端：看好DeepSeek帶來模型輕量化的全面升級，端側硬件接入有望加速爆發，助力AI應用全面落地，建議關注品牌廠商，SoC芯片廠商。

風險因素：

算力芯片供應鏈風險;芯片產能供給不足的風險;互聯網大廠資本開支不及預期;相關產業政策出臺力度不及預期;AI技術及應用發展不及預期;芯片技術迭代不及預期;國產先進製程量產進展不及預期;行業競爭加劇等。