春節期間，DeepSeek 新一代開源模型以驚人的低成本和高性能引發熱議，在全球投資界引發劇震。
市場上甚至出現了 DeepSeek&#34;僅用 500 萬美元就複製 OpenAI&#34;的説法，認為這將給整個 AI 基礎設施產業帶來 “末日”。
對此，華爾街知名投行伯恩斯坦在詳細研究 DeepSeek 技術文檔後發佈報告稱，這種市場恐慌情緒明顯過度，DeepSeek 用 “500 萬美元複製 OpenAI” 是市場誤讀。
另外，該行認為，雖然 DeepSeek 的效率提升顯著，但從技術角度看，並非奇蹟。而且，即便 DeepSeek 確實實現了 10 倍的效率提升，這也僅相當於當前 AI 模型每年的成本增長幅度。
該行還表示，目前 AI 計算需求遠未觸及天花板，新增算力很可能會被不斷增長的使用需求吸收，因此對 AI 板塊保持樂觀。
<h2>“500 萬美元複製 OpenAI” 是誤讀</h2>
對於 “500 萬美元複製 OpenAI” 的説法，伯恩斯坦認為，實際上是對 DeepSeek V3 模型訓練成本的片面解讀，簡單將 GPU 租用成本計算等同於了總投入：
<blockquote>
這 500 萬美元僅僅是基於每 GPU 小時 2 美元的租賃價格估算的 V3 模型訓練成本，並未包括前期研發投入、數據成本以及其他相關費用。
</blockquote>
<h2>技術創新：效率大幅提升但非顛覆性突破</h2>
接着，伯恩斯坦在報告中詳細分析了 DeepSeek 發佈的兩大模型 V3、R1 詳細技術特點。
（1）V3 模型的效率革命
該行表示，V3 模型採用專家混合架構，用 2048 塊 NVIDIA H800 GPU、約 270 萬 GPU 小時就達到了可與主流大模型媲美的性能。
具體而言，V3 模型採用了混合專家（MoE）架構，這一架構本身就旨在降低訓練和運行成本。在此基礎上，V3 還結合了多頭潛在注意力（MHLA）技術，顯著降低了緩存大小和內存使用。
同時，FP8 混合精度訓練的運用進一步優化了性能表現。這些技術的綜合運用，使得 V3 模型在訓練時僅需同等規模開源模型約 9% 的算力，便能達到甚至超越其性能。
例如，V3 預訓練僅需約 270 萬 GPU 小時，而同樣規模的開源 LLaMA 模型則需要約 3000 萬 GPU 小時。
<ul type="disc">
<li>MoE 架構： 每次只激活部分參數，減少計算量。</li>
<li>MHLA 技術： 降低內存佔用，提升效率。</li>
<li>FP8 混合精度訓練： 在保證性能的同時，進一步提升計算效率。</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"/>
談及 V3 模型帶來的效率提升，伯恩斯坦認為，與業界 3-7 倍的常見效率提升相比並非顛覆性突破：
<blockquote>
MoE 架構的重點是顯著降低訓練和運行的成本，因為在任何一次只有一部分參數集是活動的（例如，當訓練 V3 時，只有 671B 個參數中的 37B 為任何一個令牌更新，而密集模型中所有參數都被更新）。
對其他 MoE 比較的調查表明，典型的效率是 3-7 倍，而類似大小的密度模型具有類似的性能；
V3 看起來甚至比這個更好（10 倍以上），可能考慮到該公司在模型中帶來的其他一些創新，但認為這是完全革命性的想法似乎有點誇張，並且不值得在過去幾天裏席捲 twitter 世界的歇斯底里。
</blockquote>
（2）R1 模型的推理能力與 “蒸餾” 策略
DeepSeek 的 R1 模型則在 V3 的基礎上，通過強化學習（RL）等創新技術，顯著提升了推理能力，使其能夠與 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 還採用了 “模型蒸餾” 策略，利用 R1 模型作為 “教師”，生成數據來微調更小的模型，這些小模型在性能上可以與 OpenAI 的 o1-mini 等競爭模型相媲美。這種策略不僅降低了成本，也為 AI 技術的普及提供了新的思路。
<ul type="disc">
<li>強化學習（RL）： 提升模型推理能力。</li>
<li>模型蒸餾： 利用大模型訓練小模型，降低成本。</li>
</ul>
<h2>對 AI 板塊保持樂觀</h2>
伯恩斯坦認為，即便 DeepSeek 確實實現了 10 倍的效率提升，這也僅相當於當前 AI 模型每年的成本增長幅度。
事實上，在 “模型規模定律” 不斷推動成本上升的背景下，像 MoE、模型蒸餾、混合精度計算等創新對 AI 發展至關重要。
根據傑文斯悖論，效率提升通常會帶來更大的需求，而非削減開支。該行認為，目前 AI 計算需求遠未觸及天花板，新增算力很可能會被不斷增長的使用需求吸收。
基於以上分析，伯恩斯坦對 AI 板塊保持樂觀。

商湯-WR

商湯-W

深度求索

在 “模型規模定律” 不斷推動成本上升的背景下，像 MoE、模型蒸餾、混合精度計算等創新對 AI 發展至關重要。伯恩斯坦認為，目前 AI 計算需求遠未觸及天花板，新增算力很可能會被不斷增長的使用需求吸收。

- DeepSeek 新模型引發市場熱議，稱 “500 萬美元複製 OpenAI” 是誤讀。  
- 伯恩斯坦認為，DeepSeek 的效率提升並非顛覆性突破，仍需考慮研發成本。  
- AI 計算需求持續增長，新增算力將被吸收，保持對 AI 板塊樂觀。  

華爾街深度研究：DeepSeek 是 AI 末日嗎？