DeepSeek 是近年来在人工智能（AI）领域崭露头角的大模型之一，专注于自然语言处理（NLP）与生成式 AI（AIGC）。其核心目标是优化 AI 大模型的计算效率，降低训练成本，同时提升模型推理的性能与可用性。
DeepSeek 通过一系列技术创新，如高效的 Transformer 架构优化、混合精度训练、计算并行优化以及分布式存储管理，使得 AI 训练和推理的计算需求大幅降低。这些优化不仅提升了 AI 模型在推理端的响应速度，也降低了 AI 应用在实际落地中的算力成本，使得大规模 AI 计算资源的门槛有所降低，推动了 AI 技术的进一步普及。
DeepSeek 在 AI 领域的影响主要体现在以下几个方面：
1. 提高 AI 计算效率：优化的计算架构使得训练成本大幅下降，同时提升推理阶段的执行效率。
2. 降低 AI 模型训练门槛：减少对高性能 GPU 计算资源的需求，使得更多企业可以在有限预算下训练 AI 大模型。
3. 促进 AI 应用的普及：高效的推理优化降低了 AI 应用的运行成本，有助于推动 AI 在金融、医疗、智能驾驶等多个领域的商业化落地。
4. 影响全球 AI 芯片市场：DeepSeek 可能改变市场对算力需求的结构性认知，进而影响 AI 芯片供应链的布局和投资策略。
01.AI 大模型对算力的需求趋势
近年来，AI 大模型的发展速度惊人，从 OpenAI 的 GPT 系列、Google 的 Gemini 到 Meta 的 LLaMA，AI 训练和推理的算力需求呈指数级增长。这种增长趋势主要体现在以下几个方面：
AI 大模型的发展推动了算力需求的持续增长，并形成了从训练到推理全链条的计算产业生态。然而，DeepSeek 的出现可能会改变这一趋势，它通过优化计算架构降低训练成本，使得 AI 计算市场的需求结构发生潜在变化。
1.1 DeepSeek 对芯片算力市场的短期与长期影响
鉴于 DeepSeek 的技术创新，将从短期和长期两个层面探讨其对 AI 芯片市场的影响：
结构性变化：算力架构多样化发展
- 随着 AI 算力需求的变化，未来可能出现多种计算架构共存的局面，如 RISC-V AI 处理器、异构计算 SoC、低功耗 AI 加速芯片等，以满足不同场景的 AI 计算需求。
- AI 计算芯片的竞争焦点将从“大规模训练”转向“高效推理”，未来 AI 芯片设计将更关注功耗优化、定制化计算单元，以及适应 AI 算法快速迭代的能力。
综上，DeepSeek 在优化 AI 训练成本的同时，也将推动 AI 计算市场从训练算力主导向推理算力主导的方向转型。
1.2 DeepSeek 的技术创新
DeepSeek 作为新一代 AI 大模型，在技术上进行了多方面的创新，尤其在模型架构优化、训练方法改进和推理阶段优化方面，实现了对计算资源的高效利用。其核心目标是降低 AI 训练成本、减少计算资源消耗，同时提升推理性能，从而在 AI 计算市场上形成竞争优势。
模型架构优化：如何降低训练成本和计算资源消耗
DeepSeek 通过对 Transformer 结构进行深度优化，降低了 AI 训练对计算资源的消耗，同时提升了算力利用率。其主要技术创新包括以下几个方面：
相比传统 FP32 精度训练，混合精度计算可减少 50% 以上的显存占用，同时提升计算速度，使得 DeepSeek 训练更高效。
DeepSeek-R1 是参数数量最多的模型，超过 600B，但其在交互过程中使用的参数数量相对较少，这可能意味着它在设计上更加高效，或者在实际应用中并未充分利用其全部参数。
训练方法改进：DeepSeek 的计算效率相比传统 AI 模型的提升
DeepSeek 在训练过程中采用了一系列优化策略，使得其相比传统 AI 模型的计算效率大幅提升。
这些优化器改进使得 DeepSeek 训练更高效，所需 GPU 计算资源比传统模型减少 20%-40%。
推理阶段的优化：DeepSeek 在推理端的资源消耗
DeepSeek 在推理端进行了多方面优化，以降低计算资源需求，提高 AI 应用的响应速度。
这些优化确保 DeepSeek 可在不同硬件环境下高效运行，降低企业 AI 应用的成本。DeepSeek 通过 架构优化、训练方法改进和推理阶段优化，使得 AI 计算资源的利用率大幅提升。
相比传统 AI 模型，DeepSeek 训练效率提升 50%以上，推理计算成本降低 30%-50%，对芯片算力市场的影响深远。
1.3 DeepSeek 对芯片算力市场的短期影响
DeepSeek 作为 AI 领域的新型大模型，其在模型架构、训练方法和推理阶段的优化，使得 AI 计算资源的使用效率大幅提升。这些技术改进不仅降低了 AI 训练和推理的算力需求，还对整个芯片市场产生了直接的短期影响，主要体现在以下几个方面：
训练算力需求下降：如何影响 GPU 及 AI 服务器市场
1.4 长期影响：算力需求的演进
随着 AI 技术的持续发展，DeepSeek 等大模型的优化不仅改变了短期的训练算力需求，也将在长期内塑造 AI 计算市场的演进方向。从推理阶段的算力需求增长，到国产 AI 生态的崛起，再到边缘计算和端侧 AI 推理的发展，算力市场将经历深刻变革。
推理阶段算力需求增长：大规模 AI 应用对芯片算力的新需求
图中展示了 DeepSeek 的 R1 模型与其他公司最新模型在常用 AI 测试中的性能比较。图表中列出了五个不同的测试类别：编码（Coding）、定量推理（Quantitative reasoning）、推理和知识（Reasoning and knowledge）、以及科学推理和知识（Scientific reasoning and knowledge）。总的来说，图中展示了 DeepSeek 的 R1 模型在多个常用 AI 测试中优于其他公司的最新模型，特别是在编码和定量推理方面表现突出，得分接近满分。
长期来看，推理算力市场将朝着 高效、低功耗、专用化 方向发展，并催生出更多 AI 计算架构的创新。
边缘计算与 AI 端侧推理：对低功耗、高算力芯片的需求变化
长期来看，DeepSeek 及 AI 大模型的发展将推动 AI 计算市场向推理计算需求增长、国产 AI 芯片崛起、边缘计算和端侧 AI 普及三大方向发展。未来，全球 AI 计算市场的竞争将更加激烈，国产 AI 计算生态也将迎来前所未有的机遇和挑战。
02.总 结
随着 DeepSeek 等大模型的优化迭代，AI 训练的计算成本逐步下降，使得企业和开发者可以更高效地构建和部署 AI 模型。然而，这并不意味着算力市场的整体需求会下降，相反，推理端的算力需求仍在持续增长。AI 技术的发展正在推动算力市场从“训练为主”向“训练+推理并重”转变，这将影响全球 AI 芯片产业格局，并给国产芯片厂商带来机遇与挑战。
DeepSeek 通过优化 AI 训练方式降低了算力成本，同时推动了推理端算力需求的增长。短期来看，算力市场可能出现波动，但长期趋势仍然是算力需求持续增长。国产 AI 芯片厂商迎来了新的发展机遇，同时也需要面对全球竞争和技术突破的挑战。未来，国产算力产业需要在 AI 计算架构、推理芯片、软件生态等多个方面持续发力，以实现真正的自主可控 AI 计算生态。
参考：
- DeepSeek R1 AI model collects a lot of user data and distorts information about China
- What is DeepSeek and why is it disrupting the AI sector? | Reuters
- Three things to know as the dust settles from DeepSeek | MIT Technology Review
- The Open Source Revolution in AI: DeepSeek's Challenge to the Status Quo - UNU Campus Computing Centre
- Does China's DeepSeek-V3 make the computing power advantages of US AI companies less important？
- DeepSeek Coder
- 🚀 Introducing DeepSeek-V3 | DeepSeek API Docs
END
作者：北湾南巷
文章来源：芯片技术与工艺
推荐阅读
更多 IC 设计干货请关注IC 设计专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
