过年期间，最火的话题莫过于DeepSeek。
以AI为代表的中美科技大战，实际上是一场三条战线的较量：芯片之争——明面上的主战场；系统结构之争——如何将现有芯片的系统性能发挥到极致；软件算法之争——如何用更高效的算法驱动硬件系统。DeepSeek已经证明，国产团队在算法领域不仅能够与美国抗衡，更实现了超越！那么，在系统结构上呢？我们同样有信心——属于我们的突破，即将问世！
让我们用实力证明，中国科技的未来，有我们浓厚的一笔！
一、关于DeepSeek
2024年12月26日，DeepSeek-V3 发布，为自研 MoE 模型，671B 参数，激活 37B，在 14.8T token 上进行了预训练，暂不支持多模态输入输出。DeepSeek-V3 多项评测成绩超越了 Qwen2.5-72B 和 Llama-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。
百科知识：DeepSeek-V3 在知识类任务（MMLU, MMLU-Pro, GPQA, SimpleQA）上的水平相比前代 DeepSeek-V2.5 显著提升，接近当前表现最好的模型 Claude-3.5-Sonnet-1022。
长文本：在长文本测评中，DROP、FRAMES 和 LongBench v2 上，DeepSeek-V3 平均表现超越其他模型。
代码：DeepSeek-V3 在算法类代码场景（Codeforces），远远领先于市面上已有的全部非 o1 类模型；并在工程类代码场景（SWE-Bench Verified）逼近 Claude-3.5-Sonnet-1022。
数学：在美国数学竞赛（AIME 2024, MATH）和全国高中数学联赛（CNMO 2024）上，DeepSeek-V3 大幅超过了所有开源闭源模型。
中文能力：DeepSeek-V3 与 Qwen2.5-72B 在教育类测评 C-Eval 和代词消歧等评测集上表现相近，但事实知识 C-SimpleQA 上更为领先。
DeepSeek-V3 API 服务定价为每百万输入 tokens 0.5 元（缓存命中）/ 2 元（缓存未命中），每百万输出 tokens 8 元。
2025年1月20日，DeepSeek-R1发布，并同步开源模型权重，并且遵循 MIT License，允许用户通过蒸馏技术借助 R1 训练其他模型。
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 OpenAI o1 正式版。
注意：V3模型在AIME2024及Codeforces上的测试效果与R1及其它几个模型相比差距比较大。
但是，从下面这幅图我们可以看出，V3与另外一些厂商的算法相比，在AIME2024及Codeforces测试效果来看，相对得分还算比较好。
我们能看出，R1在各方面与V3相比，提升比较高。
在开源 DeepSeek-R1-Zero 和 DeepSeek-R1 两个 660B 模型的同时，通过 DeepSeek-R1 的输出，蒸馏了 6 个小模型开源给社区，其中 32B 和 70B 模型在多项能力上实现了对标 OpenAI o1-mini 的效果。
DeepSeek-R1 API 服务定价为每百万输入 tokens 1 元（缓存命中）/ 4 元（缓存未命中），每百万输出 tokens 16 元。
下图是R1版本的输入输出价格与其它一些模型的对比：
Deepseek 的技术突破：V3 和 R1 模型
Deepseek V3：这是一款混合专家 (Mixture of Experts, MoE) 架构的 Transformer 语言模型，采用了开放权重模式。V3 分为基础模型和指令模型，指令模型经过指令微调等后训练技术，更易于使用，类似于 ChatGPT。V3 的发布时间是 2024年 12 月底，其性能已可与 GPT-4 和 Llama 405B 等顶尖模型相媲美。（实际上不是媲美，而是远远超过）
Deepseek R1：这是一款推理模型，于 V3 发布几周后推出。R1 与 V3 共享许多训练步骤，但在后训练阶段采用了不同的技术，专注于提升模型的推理能力。R1 的独特之处在于其能够展示链式思考 (Chain-of-Thought) 的推理过程，这在以往的模型中较为罕见，引起了 AI 社区乃至更广泛领域的强烈兴趣。
二、DeepSeek对AI行业的影响
1)降低算力成本与训练门槛
DeepSeek通过算法创新（如FP8低精度训练）显著降低了大模型的训练成本。例如，其V3模型的训练成本仅为557.6万美元，相比Meta的Llama3节省了80%的GPU资源。此外，减少了内存占用和通信开销，使得国产GPU在算力不足的情况下仍能高效参与大模型训练。
2)推动开源生态与技术普惠
DeepSeek开源模型吸引了全球开发者，加速了AI技术的普及。其开放的权重和适配工具链降低了模型使用门槛，使中小企业和开发者能够低成本部署AI应用，推动了AI从“实验室”向“产业端”的渗透。
3)重构算力需求规模
尽管算法效率提升，但端侧应用的爆发（如AIPC）持续推高算力需求。DeepSeek在推理端的低成本优势可能推动市场从“训练优先”向“推理扩容”转变，形成“训练-推理双轮驱动”的新格局。
4)国产AI信心倍增
此举打破了国产GPU长期面临的“性能不足导致市场不信任”的恶性循环，通过实际场景验证产品可用性，增强了客户信心，意义重大。美国对华芯片出口限制倒逼国产替代，DeepSeek的成功为这一战略提供了技术支点。
DeepSeek通过算法创新与开源策略，显著降低了AI大模型对高端硬件的依赖，为国产GPU厂商带来了多维度的结构性机遇。
DeepSeek通过模型蒸馏、结构化稀疏注意力等技术，将大模型压缩至更小规模，同时保持高性能，使国产GPU（如摩尔线程、天数智芯）在算力有限的情况下仍能高效运行复杂模型。例如，摩尔线程通过部署DeepSeek蒸馏模型，验证了其GPU的CUDA兼容性和复杂任务支持能力，为国产芯片提供了技术落地的“试金石”。
三、DeepSeek对英伟达的影响
1)短期市场预期受挫
摩根士丹利将英伟达2025年GB200芯片出货量预期从3.5万片下调至2万片，认为DeepSeek的低成本模式削弱了市场对高端GPU的依赖，导致英伟达股价波动，市值一度蒸发超6000亿美元。
2)长期竞争压力加剧
英伟达在高端算力领域仍具优势（如H100/H800的稳定性和性能），但需应对国产替代趋势。DeepSeek推动的低成本训练模式可能降低对高端GPU的依赖，倒逼英伟达优化产品线或调整定价策略。
从不同渠道得到的消息显示，已经有大量的英伟达GPU在被抛售，表明了DeepSeek的出现确实让市场对英伟达高端GPU的前景并不完全看好。
四、DeepSeek对国内GPU厂家的影响
DeepSeek通过算法优化降低了对高端GPU的需求，转而推动中低端芯片在推理端的应用，这可能为国产GPU厂商如沐曦、天数智芯等带来机会。国产GPU厂商无需与英伟达在高端制程上硬拼，转而聚焦中低端市场的差异化竞争。另外，云厂商和算力中心可能因DeepSeek的高性价比转而采购国产GPU，形成生态闭环，这对国产GPU的市场拓展有帮助。
DeepSeek的开源模型（如V3、R1）吸引了大量开发者基于国产GPU进行适配与优化。例如，天数智芯通过快速完成多版本模型适配，推动其软件栈的完善，提升了国产GPU在分布式训练和推理中的效率。开源生态降低了国产GPU的适配门槛，形成“开发者反馈-厂商优化”的正向循环，加速技术成熟。DeepSeek的开源策略吸引了更多开发者使用国产GPU，推动生态建设。智算中心可能增加国产设备采购，进一步促进国产GPU的市场需求。
国产GPU厂商通过适配DeepSeek模型，验证了其产品的兼容性和性能，这有助于建立市场信任。DeepSeek的成功为国产芯片提供了商业化标杆，促进了技术迭代。
1)摩尔线程：通过适配DeepSeek蒸馏模型验证了其GPU的CUDA兼容性，并计划推出夸娥智算集群支持分布式部署。
2)天数智芯：与Gitee AI合作上线模型服务，快速完成多模态模型的适配，验证了国产GPU在复杂任务中的能力。
3)海光信息：DCU架构与英伟达GPU兼容，直接支持DeepSeek模型运行，未来重点优化推理性能。
4)沐曦：联合联想推出国产一体机解决方案，覆盖从训练到推理的全链条，加速行业落地。
5)华为昇腾：提供昇腾平台的开箱即用支持，助力开发者快速部署模型，巩固其在国产算力生态的核心地位。
五、DeepSeek对AI大模型行业落地的影响
我们通常讲，至少70B以上的模型才能进行正常的生产使用，但是传统的Dense模型，总参数量与激活参数量是一致的。例如，Llama3.1 405B的总参数量，在做推理应用时激活参数量也是405B，这么大的激活参数量，使得使用者需要配备非常高端的GPU集群才能部署成功。
而DeepSeek让总参数量为671B的模型，在推理使用时激活参数仅仅为37B，这样就可以用相对低配置的GPU完成部署，这对行业应用的普及是极大的刺激，也会大大推动AI大模型行业快速蓬勃发展。
1)提升了市场总量
DeepSeek采用了MOE技术，大大减少了对高算力GPU的依赖，推动了算法的普及，AI训练和推理市场的总量会快速增加。DeepSeek的低成本特性使中小企业、教育机构等“非头部客户”能够负担AI部署，扩大了国产GPU的目标市场，激活了长尾市场。
2)降低了准入门槛
企业层面：DeepSeek 训练和推理成本低，如 DeepSeek-R1 的训练费用不到 OpenAI GPT-4 的十分之一，API 定价仅为 OpenAI 的三十分之一，使中小企业无需大量资金投入就能使用高性能 AI 技术，将大模型应用于业务，像智能客服、内容生成等领域。
个人层面：激活了个人用户使用大模型的需求，个人能以较低成本使用大模型的能力，如进行文本创作、智能问答等，推动 AI 在个人场景中的应用。
3)加速垂直行业渗透
行业落地方面，端侧应用可能会加速，比如手机、PC等设备。教育、医疗、交通、公安、科研等领域可能因为AI大模型的各方面成本降低而加速落地应用。中小企业甚至个人开发者都可以以低成本调用大模型，加速AI技术进入日常应用场景。
办公领域：钉钉科技推出的专属 AI 一体机，全面适配 DeepSeek R1、V3 671B 及蒸馏模型，可应用于销售知识助理、智能审批、会议质检等高频办公环节。
医疗领域：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”，增强医疗数据挖掘能力，提高慢病管理效率。
大宗商品领域：上海钢联计划借助 DeepSeek-R1 快速蒸馏出全新的 “宗师” 模型，用于更好地处理大宗商品语义理解的复杂性。
六、DeepSeek对系统结构的影响
AI大模型的发展得益于三驾马车，芯片、系统结构和算法。每一波浪潮人工智能的发展速度都与这三者息息相关。这一次AI大模型的发展始于OpenAI的算法和英伟达GPU算力都得到了空前的发展。而DeepSeek的出现，让算法上升到了一个更高的维度。英伟达的GPU还在不断发展，国内的GPU也在不断地追赶英伟达。但是，我们看到，一味地提升单颗GPU的算力，忽略了能耗和故障率的居高不下，是得不偿失的。
在 AI 大模型的发展中，系统结构是一个至关重要且尚未被充分挖掘的领域，对其进行深入研究和优化，将为 AI 大模型的进一步发展提供强大的支撑，与芯片和算法的发展共同推动 AI 技术的进步。
在国外，模型、芯片、系统已经形成了一套非常完备的闭环生态。在国内，DeepSeek做了非常好的一环，就是使国内模型超越了国外模型，或者说在某些场景完成了超越，或者说在方法论层面上完成了超越。但是如何形成国内“模型-系统-芯片”闭环呢？这是我们认为在未来一定会发生的事情。
DeepSeek打响了非常好的第一枪。我们也希望能够通过国内系统和芯片的闭环发展，使它达到这样的一个结果。为了实现这件事，我们有非常好的基础设施和上层的应用。但是在中间软件和硬件的一些协同优化，是我们需要在未来不断努力和提升的。
七、DeepSeek对AIPC的影响
DeepSeek 实现了算法、框架和硬件的优化协同，提高了模型在端侧设备上的运行效率，端侧 AI 的发展有望大幅激活 AI 硬件的商业化生态。通过知识蒸馏，能将大模型能力迁移到轻量化模型，降低智能产品 AI 功能集成门槛，AIPC的发展可能会进一步加速。
八、结论
DeepSeek通过技术创新与开源策略，重构了AI算力需求格局，既冲击了英伟达的高端市场，又为国产GPU厂商提供了弯道超车的机会。其低成本、高效率的特性加速了AI在多个行业的落地，并通过端侧部署推动AIPC等消费电子产品的迭代升级。
Deepseek 的崛起，以及 R1 推理模型的发布，标志着中国 AI 技术正在快速追赶并开始在某些领域超越西方。“DeepSeek 时刻” 不仅是对现有 AI 格局的一次有力冲击，也预示着全球 AI 竞争将进入一个更加激烈和复杂的新阶段。开放权重、推理模型、超大规模算力基础设施等关键词，将成为未来 AI 发展的重要方向。
这场 AI 革命，才刚刚开始。
以下是广告，算力之光商城，提供主流算力设备方案的供需拉通（可点击）！
下图是培训广告，老张是讲师之一，想了解的朋友可以扫描下图二维码咨询。
