春节期间，DeepSeek 新一代开源模型以惊人的低成本和高性能引发热议，在全球投资界引发剧震。
市场上甚至出现了 DeepSeek&#34;仅用 500 万美元就复制 OpenAI&#34;的说法，认为这将给整个 AI 基础设施产业带来 “末日”。
对此，华尔街知名投行伯恩斯坦在详细研究 DeepSeek 技术文档后发布报告称，这种市场恐慌情绪明显过度，DeepSeek 用 “500 万美元复制 OpenAI” 是市场误读。
另外，该行认为，虽然 DeepSeek 的效率提升显著，但从技术角度看，并非奇迹。而且，即便 DeepSeek 确实实现了 10 倍的效率提升，这也仅相当于当前 AI 模型每年的成本增长幅度。
该行还表示，目前 AI 计算需求远未触及天花板，新增算力很可能会被不断增长的使用需求吸收，因此对 AI 板块保持乐观。
<h2>“500 万美元复制 OpenAI” 是误读</h2>
对于 “500 万美元复制 OpenAI” 的说法，伯恩斯坦认为，实际上是对 DeepSeek V3 模型训练成本的片面解读，简单将 GPU 租用成本计算等同于了总投入：
<blockquote>
这 500 万美元仅仅是基于每 GPU 小时 2 美元的租赁价格估算的 V3 模型训练成本，并未包括前期研发投入、数据成本以及其他相关费用。
</blockquote>
<h2>技术创新：效率大幅提升但非颠覆性突破</h2>
接着，伯恩斯坦在报告中详细分析了 DeepSeek 发布的两大模型 V3、R1 详细技术特点。
（1）V3 模型的效率革命
该行表示，V3 模型采用专家混合架构，用 2048 块 NVIDIA H800 GPU、约 270 万 GPU 小时就达到了可与主流大模型媲美的性能。
具体而言，V3 模型采用了混合专家（MoE）架构，这一架构本身就旨在降低训练和运行成本。在此基础上，V3 还结合了多头潜在注意力（MHLA）技术，显著降低了缓存大小和内存使用。
同时，FP8 混合精度训练的运用进一步优化了性能表现。这些技术的综合运用，使得 V3 模型在训练时仅需同等规模开源模型约 9% 的算力，便能达到甚至超越其性能。
例如，V3 预训练仅需约 270 万 GPU 小时，而同样规模的开源 LLaMA 模型则需要约 3000 万 GPU 小时。
<ul type="disc">
<li>MoE 架构： 每次只激活部分参数，减少计算量。</li>
<li>MHLA 技术： 降低内存占用，提升效率。</li>
<li>FP8 混合精度训练： 在保证性能的同时，进一步提升计算效率。</li>
</ul>
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/e9f1215e-7d11-4679-b8c0-c3ab2267425b.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="1221" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/e9f1215e-7d11-4679-b8c0-c3ab2267425b.png"/>
谈及 V3 模型带来的效率提升，伯恩斯坦认为，与业界 3-7 倍的常见效率提升相比并非颠覆性突破：
<blockquote>
MoE 架构的重点是显著降低训练和运行的成本，因为在任何一次只有一部分参数集是活动的（例如，当训练 V3 时，只有 671B 个参数中的 37B 为任何一个令牌更新，而密集模型中所有参数都被更新）。
对其他 MoE 比较的调查表明，典型的效率是 3-7 倍，而类似大小的密度模型具有类似的性能；
V3 看起来甚至比这个更好（10 倍以上），可能考虑到该公司在模型中带来的其他一些创新，但认为这是完全革命性的想法似乎有点夸张，并且不值得在过去几天里席卷 twitter 世界的歇斯底里。
</blockquote>
（2）R1 模型的推理能力与 “蒸馏” 策略
DeepSeek 的 R1 模型则在 V3 的基础上，通过强化学习（RL）等创新技术，显著提升了推理能力，使其能够与 OpenAI 的 o1 模型相媲美。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/fd37157f-37d0-4cb4-923e-42fea6f4490e.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1000" height="706" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/fd37157f-37d0-4cb4-923e-42fea6f4490e.png"/>
值得一提的是，DeepSeek 还采用了 “模型蒸馏” 策略，利用 R1 模型作为 “教师”，生成数据来微调更小的模型，这些小模型在性能上可以与 OpenAI 的 o1-mini 等竞争模型相媲美。这种策略不仅降低了成本，也为 AI 技术的普及提供了新的思路。
<ul type="disc">
<li>强化学习（RL）： 提升模型推理能力。</li>
<li>模型蒸馏： 利用大模型训练小模型，降低成本。</li>
</ul>
<h2>对 AI 板块保持乐观</h2>
伯恩斯坦认为，即便 DeepSeek 确实实现了 10 倍的效率提升，这也仅相当于当前 AI 模型每年的成本增长幅度。
事实上，在 “模型规模定律” 不断推动成本上升的背景下，像 MoE、模型蒸馏、混合精度计算等创新对 AI 发展至关重要。
根据杰文斯悖论，效率提升通常会带来更大的需求，而非削减开支。该行认为，目前 AI 计算需求远未触及天花板，新增算力很可能会被不断增长的使用需求吸收。
基于以上分析，伯恩斯坦对 AI 板块保持乐观。

商汤-WR

商汤-W

深度求索

在 “模型规模定律” 不断推动成本上升的背景下，像 MoE、模型蒸馏、混合精度计算等创新对 AI 发展至关重要。伯恩斯坦认为，目前 AI 计算需求远未触及天花板，新增算力很可能会被不断增长的使用需求吸收。

- DeepSeek 新模型引发市场热议，称 “500 万美元复制 OpenAI” 是误读。  
- 伯恩斯坦认为，DeepSeek 的效率提升并非颠覆性突破，仍需考虑研发成本。  
- AI 计算需求持续增长，新增算力将被吸收，保持对 AI 板块乐观。  

华尔街深度研究：DeepSeek 是 AI 末日吗？