文｜杨泽原 丁奇 马庆刘 孙竟耀
近日，DeepSeek-V3的正式发版引起AI业内广泛高度关注，其在保证了模型能力的前提下，训练效率和推理速度大幅提升。我们认为，DeepSeek新一代模型的发布意味着AI大模型的应用将逐步走向普惠，助力AI应用广泛落地；同时训练效率大幅提升，亦将助力推理算力需求高增。我们持续看好AI产业链的加速落地机遇，建议重点关注AI应用、AI Infra、AI算力三大主线。
▍事项：
12月26日，DeepSeek-V3（深度求索）首个版本正式发布并同步开源，已在网页端和API全面上线。其在训练效率和推理速度上相较历史模型有了大幅提升，同时可保证领先的模型能力表现，引起业内高度关注。
▍模型：数学、代码等能力优异，API性价比较高。
参考官方论文，DeepSeek v3为6710亿参数MoE架构模型，激活37B，在14.8T token上进行了预训练。能力上，模型暂不支持多模态输入，但在通识和专业知识测试集上表现优秀，MMLU pro正确率75.9%，GPQA-Diamond正确率59.1%，达到国内第一梯队，接近Claude 3.5 Sonnet的水平；并且在数学和代码领域测试表现突出，MATH 500正确率90.2%，SWE-bench正确率42.0%，Codeforces得分51.6，超越所有非o系列模型。模型生成速度达到60TPS，是前代模型的三倍。定价上，API定价为输入每百万tokens 0.5元（缓存命中）/2元（缓存未命中），输出每百万tokens 8元，与字节Doubao-pro-256k定价输入每百万tokens 5元，输出每百万tokens 9元的水平相当，在国产模型中性价比较高。
▍应用：国产模型能力提升、价格下降，支撑全领域AI应用加速。
豆包pro、DeepSeek v3等国产模型连续发布。模型能力上，国产模型在文本和知识能力上接近GPT-4、Claude、Llama等海外前沿模型水平，多模态能力逐步完备，逻辑和代码能力在非o1技术路线下达到可用水平。价格上，国产模型API百万tokens输出普遍定价10元以内，是GPT-4o的1/3甚至更低。我们预计模型性价比持续提升下，国内AI应用依托丰富生态和成熟流量加速各领域落地。其中，Agent模式有望以更长的任务流程、更好的场景理解、更高的自主能力，成为所有互联网用户的数字助手，在企业管理、教育、办公、金融等领域展现应用价值。
▍算力：DeepSeek训练效率大幅提升，助力推理算力需求高增。
1）训练效率大幅提升，GPT4的训练成本约为DeepSeek V3的6.2倍。根据DeepSeek V3的官方技术文档，本次DeepSeek的训练仅使用了2048个H800 GPU，总训练GPU卡时为2788千小时（其中预训练为2664千小时），平均到每个GPU上，仅为1361小时，约合56.7天。与之相对比，根据英伟达CEO黄仁勋在GTC2024上的演讲内容，GPT-4 MoE使用8000个H100训练了90天，合计约为17280千卡时，相当于DeepSeek V3的6.2倍。
2）训练效率提升归因：我们认为DeepSeek V3训练提效的原因主要包括低精度计算、小参数量、高质量数据等方面。精度方面，根据英伟达官方文档，其GPU的8位精度算力通常是16位精度算力的2倍，因此数据精度从FP16降低到FP8可以贡献一倍效率提升。参数方面，GPT-4 MoE模型总参数量达到1800B，而按照DeepSeek V3官方文档，其总参数量只有671B，约为GPT-4 MoE的1/3，同时，DeepSeek的激活参数大约为37B，而GPT4-MoE每次推理激活的参数量约为280B，二者约为7.57倍关系；数据方面，GPT-4 MoE使用了13万亿（1300B）token，而DeepSeek V3使用的token数量约为14.8万亿（1480B），数据量相差不大，但DeepSeek V3技术文档提及了使用模型生成训练数据等，因此我们认为数据质量或有较大幅度提升。此外，采用负载均衡、更好的流水线策略亦是其官方提及的提升训练效率的重要原因。
3）从推理侧助推AI普惠，带动推理算力需求倍增，打开更广阔算力市场空间。我们认为，DeepSeek模型相比GPT4模型更小的参数量也意味着更低的推理成本，推理成本的降低，将是AI应用普及的前奏，正如4G提速降费给我国移动互联网产业提供了助力。当前AI应用渗透率仍然较低，产业仍在早期，根据我们在2024年12月13日外发的报告《计算机行业“智能网联”系列报告54—算力需求测算：Agent+Sora》，随着Agent成为流量入口，渗透率达到30%左右，全球Agent的推理token数量将增长3个数量级以上，且视频生成与实时视频理解等形态的AI同样有望带来巨量需求增长，并且根据我们对视频生成模型的测算，视频推理算力需求将有望达到训练算力需求的2-3个数量级以上。算力需求的指数级提升与模型训练推理成本的下降将构成产业飞轮，带动全产业链扩张，随着AI进一步普及到日常生活与产业当中，我们认为推理算力需求将仍然驱动AI算力产业链持续增长。
▍风险因素：
AI核心技术发展不及预期，AI被不当使用造成严重社会影响，企业数据安全风险，信息安全风险，行业竞争加剧。
▍投资策略：建议关注AI全产业相关投资机会，综合梳理以下投资主线：
1）AI 应用：伴随模型能力升级，Agent等应用形式有望加速落地，带动办公、教育、管理、端侧、具身智能等应用领域公司加速兑现业绩弹性。
2）AI Infra：模型场景化与行业化发展催生数据服务和模型平台需求，产业发展确定性高。
3）AI算力：AI应用加速落地带动推理端算力新需求。
