西南证券SOUTHWESYSECURITES专题报告Deepseek引爆通信产业新机遇西南证券研究发展中心通信研究团队2025年2月www.swsc.com.cn
核心要点DeepSeek通过创新算法使推理效率大幅优化,大幅降低了应用成本。DeepSeek-V3的训练成本仅为2.788MH800GPU小时,同时其支持FP8混合精度训练,并针对训练框架进行了全面优化,以实现加速训练和降低CPU内存使用,通过算法框架和测件的共同设计,克服了跨节点MoE训练中的通信瓶颈,显著提高了训练效率并降低了训练成本。DeenSeeK每百万输入tokens成本为055首元，每百万输出tokens成本为2.19美元,相较于ChatGPT01模型,输入和输出成本均降低了96%。DeepoSeek-V/3采用了多头潜在注意力(Multi-head LatentAttention,MLA)和DeepSeekMoE架构,显着提高了推理速度和显存利用率,能够在保持模型性命的同时实现高效的训练和推理。DeepSeek从成本端和技术端对垂类AI小模型(AIAgent)带来了直接催化。从成本端看,更低的推理成本降低了垂类AIAgent的开发成本,极大刺激了各行业的企业智能化需求。技术端看,Deeoseek在自然语言理解多模态交互等座层技术上的酶破直接降你7垂直领域小模型的技术门槛,其开源的分布式训练框加等技术能够被小模型复用、同时,Deeoseek的横型知识蒸馏等压缩技术使小模型既能继承大模型能力,又保持轻量化特性。对数据实时性敏感的垂类AIagent需要在感知端和云端快速传递数据,对任时延高带宽网络提出要求，同时小模型下沉到中小企业,进一步带来了网络通信基础设施需求,对交换机、边缘计算设备、5G切片等带米新需水。光模块等需求来源从训练转向推理,带来多场景适配需求。虽然单次训练任务的算力需求降低,但模型轻量化可能推动分布式训练和边缘计算的普及,导致数据中心内部短距连接需求从集中式超算集群转向更分散的节点间通信。机架内光模块对于高密度计算仍需要低延决高带宽的亏连,800G模块需求可能受分布式契构的推动:而在边缘场景,短距光模块在边缘服务器的部署比例可能上升,但单点用量低于传统超算中心。同时,技术替代效应强于需求收缩,CPO的核心价值在于解决传统可插拔光模块的功耗和密度瓶颈,即使算力需求下降,但对于能效比要求、空间压缩要求、降低成本要求仍可能驱动其渗透率提升。风险提示:A建设不及预期:上游资本开支不及预期等,www.swsc.com.cn
目录1技术突破开源大模型如何重塑AIAgent开发范式2因果团环AIAgent多点开花和边缘设备搭载ai如何倒逼通信升级3硬件变革通信产业链的确定性机会www.swsc.com.cn
DeenSeek与开源模型的“降本增效"革命DeapSeak大幅降低了应用成本。DeepSek-13的训练成本仅为2.788ME800 GPU小时，同时其支持FP8混合精度训练，并针对训练框架进行了全面优化以实现加速训练和降低GPU内存使用。通过算法、框架和硬件的共同设计。克服了跨节点ME训练中的通信瓶颈。显着提高了训练效率并降低了训练成本DeepSeek每百万输/.tokens成本为0.55美元，每百万输出tokens成本为2.19美元，相较千ChatGPTO1模型，输入和输出成本均降低了96%。DeopSeok通过创新算法使推理效率大幅优化。DeepSeek-V3采用了多头潜在注意力(Multi-head Latent Attention, MLA)和DeepSeekMbE架构,显着提高了推理速度和显存利用率,能够在保持模型性能的同时实现高效的训练和推理,DeepSeek-R1与各类大模型性能比较DeepSeek-V3与各类大楼型性能比较数据来源:DeepSeek,四南证券整逆
DeepSeek与开源模型的“降本增效"革命MA架构能够大幅提升模型神理效率。MLA(Multi-head Latent Attention)跨层注意力特征融合架构架构是DeepSeek模型中的一种注意力机刷优化技术，通过低秩联合压缩注意力键(Key)和值(Value），显着降低了推理过程中的KV级存。同时保持了与标准多头注食力(HA)相当的性能MA架款MOE精建化能够控制激活参散数量，提升模型计算效率,MoE(Mixture of Experts)通过捋模型划分为多个“专家”模块,每个专家专注于处理特定的任务或数据子集。在训练和推理过程中，只有部分专家被激活，从而减少了不必要的计算。MoE架构能够显着降低计算开销,提高模型的训练和推理效率。此外，MoE架构还具有高度的可扩展性，通过增加专家的数量,可以进一步提升模...
