2025年人工智能行业专题报告：适合投资人的DeepSeek分析报告

1. DeepSeek 从何而来

1.1DeepSeek 公司诞生

2023 年 7 月，DeepSeek 公司由幻方量化创始人梁文锋主导创立，其团队依托幻方投资的资金与“萤火超算”万卡级算力资源（万张A100 GPU），致力于AGI 技术探索。2023 年 7 月 17 日，杭州深度求索人工智能基础技术研究有限公司（DeepSeek）正式注册，定位为技术驱动的开源AI公司。

1.2DeepSeek 里程碑事件

DeepSeek 整个发展历程可以分为五个阶段：阶段一：2023 年 11 月，DeepSeek 代码模型首秀。主要包括：DeepSeekCoder：首个开源代码大模型，支持多语言生成与调试，且性能超越CodeLlama，奠定了技术口碑。DeepSeek LLM 67B：通用大模型开源，对标LLaMA2 70B，中英文任务表现领先。 阶段二：2024 年 1 月-5 月，DeepSeek 实现了MoE 架构创新。发布DeepSeekMoE 国内首个开源 MoE 模型，采用细粒度专家共享架构。DeepSeek-V2第二代 MoE 模型，引入 MLA（多头潜在注意力）技术，推理成本仅为LLaMA3的 1/4，API 定价低至 GPT-4 Turbo 的 1/70，大幅拉低AI 使用成本。

阶段三：2024 年 6-8 月，多领域拓展与性能跃升。DeepSeek 发布垂直领域模 型 DeepSeek Coder V2 （ 2024 年 6 月 ） ： 代码能力超越GPT-4Turbo。DeepSeek-Prover-V1.5（2024 年 8 月）：数学推理模型，覆盖初等数学至研究生水平。 阶段四：2024 年 12 月，实现通用模型的迭代。DeepSeek-V3 发布，公司宣称训练成本仅 550 万美元，性能对标国际闭源模型，生成速度提升3倍。DeepSeek-VL2（2024 年 12 月）：多模态 MoE 模型，视觉能力显著提升。阶 段 五 ： 2025 年 1 月 20 日 ， DeepSeek 正式发布第一代推理模型DeepSeek-R1-Zero 和 DeepSeek-R1。

1.3DeepSeek 的爆火

随着 DeepSeek-R1 发布，相关话题在媒体网络爆火，微信指数迅速超越ChatGPT。2025 年 2 月 5 日，DeepSeek 同样也成为了资本市场的宠儿。DeepSeek概念指数仅仅诞生 10 日后，2025 年 2 月 14 日 DeepSeek 板块成交金额就超过了全部 A 股成交额的 20%。同时期内，沪深 300 指数涨幅约为3.8%，DeepSeek成为了这一轮市场上涨的重要推动力量。

除了在媒体和资本市场的火爆，DeepSeek 是国内首个获得各行各业认可并实际接入的大模型。具体来看，目前已经接入 DeepSeek 的已经包括云服务领域，网络安全领域，办公&教育，医疗，政务等等行业的多家国内外知名企业。

云服务领域

华为云：2 月 1 日，硅基流动与华为云团队联合首发并上线基于华为云昇腾云服务的 DeepSeek 推理服务，让模型能够在大规模生产环境中稳定运行。腾讯云：2 月 2 日宣布在高性能应用服务“HAI”上支持一键部署DeepSeek-R1模型，开发者仅需 3 分钟即可接入调用。阿里云：2 月 3 日宣布阿里云PAI Model Gallery支持云上一键部署 DeepSeek-V3、DeepSeek-R1。百度智能云：2 月3日宣布DeepSeek-R1 和 DeepSeek-V3 模型已在百度智能云千帆平台上架，并推出了超低价格方案。京东云：2 月 4 日宣布正式上线 DeepSeek-R1 和DeepSeek-V3模型，支持公有云在线部署、专混私有化实例部署两种模式。联通云：2月3日宣布联通云已基于星罗平台实现国产及主流算力适配多规格DeepSeek-R1模型。天翼云：2 月 6 日，电信天翼云自主研发的“息壤”智算平台率先完成国产算力与 DeepSeek-R1/V3 系列大模型的深度适配优化。火山引擎：支持V3/R等不同尺寸的 DeepSeek 开源模型，提供高性能推理服务。

网络安全领域

360 集团：2 月 2 日宣布其安全大模型正式接入DeepSeek，将以DeepSeek为安全大模型基座，训练出 “DeepSeek 版” 安全大模型。安恒信息：2月4日发布信息称，旗下恒脑・安全垂域大模型正式集成DeepSeek，完成基于DeepSeek-R1 的安全大模型的训练。奇安信：2 月5 日宣布自主研发的QAX安全大模型已全面完成了 DeepSeek 的深度接入。亚信安全：2 月5 日宣布基于DeepSeek-V3/R1 构建智能体，能够在海量的安全告警中，快速、低成本地挖掘到不同来源、不同类型安全告警中的关联关系。安博通：2 月7 日，安博通下一代 AI 防火墙与人工智能大模型强强联合，搭载DeepSeek-R1-Distill-Qwen-32B模型。

办公&教育领域

视觉中国：完成 DeepSeek-R1 接入与本地化部署，并在多个产品中深度应用其能力。钉钉：钉钉 AI 助理接入 DeepSeek，支持深度思考。用友：通过引入 DeepSeek 进一步优化 YonSuite 的 AI 能力，并将以更多数据开源模型训练YonGPT 模型。飞书：飞书多为表格、飞书智能伙伴已接入DeepSeek。ima：正式接入 DeepSeek-R1 模型，在使用搜、读、写和知识库的时候，可以选择腾讯混元大模型或 DeepSeek-R1 模型。网易有道：全面接入DeepSeek-R1，AI 全科学习助手 “有道小 P” 结合 DeepSeek-R1 超长思维链所提供的思考及分析能力，进一步优化了个性化答疑功能。云学堂：已全面接入DeepSeek-R1/V3大模型，云学堂的 AI 制课专家、AI 学习地图、AI 学习专家、AI 对练等产品均能够使用包括 DeepSeek 在内的多种大模型能力。万兴科技：已完成与DeepSeek最新推理大模型 DeepSeek-R1 的深度适配，旗下产品如万兴喵影、亿图图示、亿图脑图 MindMaster、万兴 PDF 等均已集成该模型。知乎：DeepSeek-R1模型能力已经在知乎直答网页和知乎 App 双端集成上线，实现了搜索结果和解答质量的全面提升。科大讯飞：讯飞开放平台宣布 DeepSeek 全系大模型现已正式上线，支持公有云 API 调用和专属模型一键部署。

政务，医疗等其他

深圳全面启用 DeepSeek 打造智慧政务新体验：2 月16 日，深圳市基于政务云环境面向全市各区各部门正式提供 DeepSeek 模型应用服务，实现了基于DeepSeek 的人工智能政务应用一体化赋能升级。此前，深圳已于2 月10日完成DeepSeek-R1（671B）满血版模型在政务云上的部署，并于2 月13 日组织开展全市使用操作培训，成为全省首个基于政务云信创环境下全市范围部署应用DeepSeek 的城市。据 “北京海淀” 微信公众号 2 月11 日消息，海淀区正式为区内企业提供 DeepSeek 全量模型服务，为辖区内行业提供大模型开发、大模型推理 API 服务、大模型应用开发服务等。 浙江省卫健委和蚂蚁集团联合推出 “安诊儿” ：2 月16 日，由浙江省卫健委和蚂蚁集团联合推出的 “安诊儿” 宣布融合 DeepSeek-R1，升级大模型底座能力。多家医疗企业接入 DeepSeek ：2 月 6 日，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”。2 月7 日，医渡科技宣布，已将 DeepSeek 人工智能模型整合至公司自主研发的“AI 医疗大脑” YiduCore。2月 7 日，鹰瞳 Airdoc 自主研发的万语医疗大模型完成焕新升级，接入DeepSeek R1 模型。

海外知名企业

微软已将 DeepSeek-R1 模型纳入其 Azure AI Foundry，这标志着AI 经济格局的重大转变。这一整合不仅挑战了现有的 AI 服务定价，还使更多企业能够以更低的成本采用 AI 技术。英伟达支持 DeepSeek：作为国际巨头之一，英伟达已正式宣布支持 DeepSeek 模型服务。英特尔支持DeepSeek：英特尔是另一家正式宣布支持 DeepSeek 模型服务的国际巨头。

2. 深入剖析DeepSeek

2.1DeepSeek 为什么被称为shock？

DeepSeek 近期在全球科技行业引起的震动，被西方媒体称为“DeepSeekShock‘’。这不仅造成了研究人员的兴奋，也引起了资本市场的高度关注。究其原因，是因为 DeepSeek 以更低的硬件成本和更短的时间实现了可以与OpenAI 和 Anthropic 等美国公司的尖端产品竞争的能力。具体来讲，引起轰动的产品主要是通用大模型 V3 和推理大模型R1。

通用大模型 DeepSeek-V3

DeepSeek V3 采用混合专家(MoE)架构，主要面向自然语言处理(NLP)任务，旨在提供高效、可扩展的解决方案。其优势在于高效的多模态处理能力(文本、图像、音频、视频)和较低的训练成本。

DeepSeek-V3 在实现领先性能的同时，还保证了更加经济的训练成本。

推理大模型 DeepSeek-R1

DeepSeek-R1:专注于复杂推理任务设计，强化在数学、代码生成和逻辑推理领域的性能。通过大规模强化学习(RL)和冷启动技术，R1 在无需大量监督微调(SFT)的情况下，实现了与 OpenAl O1 系列相当的推理能力。

DeepSeek R1 属于性能与成本平衡的中小规模模型（~7B 参数）。训练成本主要涵盖算力（如 GPU 集群）、数据准备、算法调优等核心环节。相较于千亿参数模型的数千万甚至上亿美元成本（如GPT-3 估算约1200万美元），DeepSeek R1 的设计更注重实际落地效率。这也使得DeepSeek-R1目前的 API 服务价格也远低于行业水平。

同时让行业兴奋的是，基于 DeepSeek-R1 蒸馏出的开源小模型，可以适配于不同的应用环境，这让本地化部署的浪潮迅速展开。通过参数与场景的精准匹配，DeepSeek R1 蒸馏模型可最大化性价比，覆盖从嵌入式设备到企业级服务的全场景需求。

2.2DeepSeek 的技术创新在哪里？

DeepSeek 仍然是基于 Transformer 框架下的大语言模型，这一点和OpenAI 等其他大模型并无二致。但是 DeepSeek 在模型训练和推理过程中实现了开创性的创新。DeepSeek 的创新主要在于 MoE 和MLA 两个技术突破。

DeepSeekMoE：2024 年 1 月，DeepSeek 发表论文《DeepSeekMoE:Towards Ultimate Expert Specialization in Mixture-of-ExpertsLanguage Models》。论文提出了 DeepSeekMoE，这是一种创新的MoE（混合专家）架构，专门设计用于实现终极专家专业化。论文中介绍，DeepSeek 通过降低激活参数比例，实现了训练效率3.6X的提升和训练吞吐量 3.6X 的提升。

MLA：2024 年 5 月，DeepSeek 发布论文《DeepSeek-V2: AStrong,Economical, and Efficient Mixture-of-Experts LanguageModel》。论文在 DeepSeek-V2 模型中，引入了 MLA（多头潜在注意力机制），MLA通过将 KV 缓存显著压缩为潜向量来保证高效推理。

与 DeepSeek 67B 相比，DeepSeek-V2 实现了显著增强的性能，同时节省了42.5% 的训练成本、减少了 93.3% 的 KV 缓存、并将最大生成吞吐量提升至 5.76 倍。 除此之外，DeepSeek 在训练时利用了多个 token 预测的技术，即在预测下一个 token 时会基于之前所有 token 的上下文，这样在后续预测时可以减少部分计算量，加快训练速度。此外，DeepSeek-V3 还支持动态的FP8混合精度，在底层运算中使用 FP8 浮点数，大幅减少了计算量。同时，它对GPU底层部署进行了优化，提升了 GPU 通讯效率，节省了时间。

2.3 技术细节之外的信心提升

DeepSeek 在开源社区和行业中引起了轰动，主要原因在于其采用纯粹的强化学习方式训练模型，并取得了显著的效果，这颠覆了之前认为强化学习训练复杂且难以实现高效模型的认知。 除了在技术细节的因素，其之所以能够称为“Shock”，主要在于打破了行业“限制中国企业对于最先进 GPU 获取，将能够阻止中国AI 技术发展”的一贯认知。

AI 行业的 Scaling Law

Scaling Law（规模定律） 是深度学习领域的重要规律，它描述了AI 模型性能（如准确率或生成质量）与模型规模、训练数据量及计算资源（如算力）之间的数学关系。简单来说，“模型变大、数据变多、算力变强，效果会系统性提升”。这使得所有人产生了一种算力军备竞赛的恐慌，所有的行业参与者都会不遗余力的投资算力，行业内普遍认为算力投资需求看不到上线，同时 AI 性能提升与算力投资成线性或者指数关系。

与此同时，早在 2022 年 10 月：拜登政府就首次出台限制措施，明确针对高性能计算芯片 A100/H100 及其制造设备。2023 年10 月：拜登政府升级管制，将英伟达 A800/H800 等降级版 GPU 纳入禁售范围，并扩大限制国别。

DeepSeek 的成功打破了中国 AI 产业的 Scaling Law困境

DeepSeek 成立于 2023 年，虽然受制于高端GPU 的限制，但是在极端的时间内就开发出性能领先且具备成本优势的国产大模型。

总而言之，DeepSeek 通过微创新实现了低成本高性能的模型开发。同时在高端芯片受限制的情况下，用短短两年时间实现了对国外先进企业的追赶，这从根本上提振了国内企业对于 AI 产业的发展信心。

3. 市场对于DeepSeek最关心的问题

关于 DeepSeek 的讨论很多，主要围绕在 DeepSeek 实际开发成本，以及未来 GPU 算力投资是否会大幅减少等等。下面，我们将会对这些问题进行详细分析。

3.1DeepSeek-V3 的模型实际成本几何？

根据 DeepSeek 官方口径，DeepSeek-V3 模型总参数量达到671B，每次处理激活 37B 参数，训练数据规模达 14.8T token。综合评估显示，模型维持了极具竞争力的训练成本，完整训练过程（包括预训练、上下文长度扩展和后训练）仅需 2.788M H800 GPU 小时，按照2 美元/小时成本计算，训练成本约为 558 万美元。

DeepSeek-V3 的训练成本计算可分为正式训练阶段与隐性成本两个部分：预训练效率：每 1T tokens 消耗 18 万 GPU 小时，仅为Llama 3 同规模模型的1/10。硬件利用率：通过 DualPipe 流水线并行与通信优化，H800 集群有效利用率达 92%，领先传统架构水平的 60-70%。

DeepSeek-V3 是建立在前期 V2 等模型基础上开发的，前期研发投入约为2000-3000 万美元。其他数据获取成本和硬件折旧成本未披露，实验试错成本约为 500 万美元，因此预计实际总成本超过4000 万美元。

如果按照实际成本计算，DeepSeek 的成本水平相对Llama 3-405B降低了约69%；相对于 GPT-4o 降低了 95%。

3.2GPU 为代表的算力需求是否会大幅下降？

由于 DeepSeek 模型训练成本的快速下降，直接导致了全球资本市场GPU行业的短暂恐慌，市场开始担心未来对于 GPU 等算力硬件的需求被过度放大。我们认为短期内由于各家 AI 巨头公司在大模型领域的“军备竞赛”不会停止，所以行业内算力支出金额的增长仍然难以看到放缓的趋势。

算力军备竞赛持续加剧

从 2022 年 Q4 到 2024 年，我们可以看到美国五大云服务提供商的AI 投资占比持续增长。2022 年 AI 支出占比普遍在20%-40%，至2024 年提升至50%-85%。此前，市场一致认为对于算力的需求没有上限，这导致全市场都对于算力产生了一种“恐慌性”需求。那算力需求真的会一直线性甚至指数级持续提升吗？

从算力瓶颈到数据瓶颈

根据此前提到的 Scaling Law，AI 模型性能（如准确率或生成质量）与模型规模、训练数据量及计算资源（如算力）之间成正相关关系。虽然目前提升算力确实能够推动 AI 能力的升级，但是这一切的前提是我们拥有充足的高质量数据投喂到训练过程中。

EPOCH AI 在 2024 年 6 月发布论文《Will we run out of data? Limits of LLMscaling based on human-generated data》，人类生成的公共文本数据总有效库存量约为 300T token（90％可能性在 100T 至1000T 之间）。按照目前大模型算力能力进化的趋势来看，2027-2028 年左右现有的大模型训练就将会耗尽所有的公开文本数据。

而根据目前 OpenAI 最新的模型 GPT4 参数规模的预估值1.8T，以及OpenAI 每一代升级后至少一个数量级上升的速度。我们认为，在未来2-3 代模型升级时间之内，影响 AI 模型性能升级的关键将不再是算力投资。数据资源正在成为模型进化的重要瓶颈。

数据瓶颈之后的发展方向在哪里

虽然公开的文本数据正在以肉眼可见的速度被耗尽，但是仍然有大量的高价值专业数据，以及实时动态数据存在于各个行业公司，政府部门以及媒体领域。我们认为，未来 AI 模型的进化方向除了继续在算力硬件方面投资，更重要的是在专业细分领域利用数据资源优势实现具备差异化优势的细分模型。

4. DeepSeek 对产业发展的影响

随着 DeepSeek 的横空出世，低成本高性能的模型训练部署称为可能，这对于 AI 应用加速落地产生了极大地推动作用。我们预计接入DeepSeekAPI 的细分领域推理服务商将会快速涌现，同时具备足够算力的终端设备将会能够实现蒸馏小模型的本地部署能力，包括服务器，智能手机和智能驾驶系统都将会迎来新一轮的升级浪潮。具体来看，我们看好以下细分板块在DeepSeek 推动下的未来发展： 1、先进算力芯片制造产业链：算力芯片设计，先进制程晶圆代工，先进封测。 2、专业咨询服务：包括 AI+医疗，法律，金融，会计，办公，教育，政务等等咨询服务领域。 3、2C 智能终端：AI+智能手机，智驾汽车等终端产业链。4、2B 本地部署设备：服务器 OEM 及产业链。

编辑：火腿肠