电子行业深度报告：算力平权，国产AI力量崛起

豆包+DeepSeek破局，国产大模型弯道超车。豆包和DeepSeek分别在多模态和轻量化两方面加速了国产大模型的发展进程。2024年12月18日，豆包发布豆包视觉理解模型，一举成为国内最领先的多模态大模型之一；同为12月，DeepSeek发布DeepSeek-V3大模型，拥有671B总参数、37B激活参数，成本仅为557.6万美元，但在性能上却与GPT-4o和Claude-3.5-Sonnet同属世界顶尖水平。国内其他模型厂商也加速了追赶节奏，2025年以来，豆包、通义千问、百度、腾讯混元、阶跃星辰和Kimi等其他国产大模型加速了更新迭代，例如通义千问在3月连续发布QwQ-32B与Qwen2.5-Omni等。豆包对多模态的探索，以及DeepSeek对轻量化大模型的升级节奏，有望开创大模型开源、低成本、高性能的新时代，为应用侧公司探索创新AI应用提供巨大便利，AI应用加速放量下推理侧需求有望提升。 向“芯”而行，国产算力破局元年。在国产大模型密集落地背景下，芯片厂商加速适配国产算力生态。中芯国际N+1工艺已逐步成熟，N+2持续推进，构建国产算力底座；昇腾910C量产落地，920系列研发加快，性能持续逼近国际主流水平；寒武纪、海光等在AI训推方向深度布局，硬件端多点突破，生态融合加快。云端ASIC正成为算力演进主流，谷歌、亚马逊持续加码自研芯片体系；国内翱捷科技、芯原等设计企业快速成长，覆盖多元应用场景，并与海内外头部厂商形成紧密合作，成长弹性充足。在软件层面，适配节奏同样加快。以DeepSeek为例，发布即获得17家芯片厂商支持适配，训推效率大幅提升，助力算力生态向自主可控稳步迈进。 算力基建加码，解决供给短板。国内云计算厂商正加大算力储备及模型优化投入，AI计算基础设施建设布局逐步清晰，相关资本开支进入新一轮扩张周期。海量推理算力需求下行业供需关系显著改善，根据CloudPrice，AWS的云计算（H100）均价近一个月来上涨了76%，云计算商业模式有望迎来“量价齐升”的局面。算力基建作为云厂商资本开支落地的核心环节，华勤、浪潮等公司迅速推出适配国产算力的服务器，并针对卡间互联推出ETH-X超节点方案，而短期内，国产算力基建难以满足迅速增长的需求，算力租赁成为破局之道。处于数据隐私性及定制化考虑，以DeepSeek为代表的国产大模型的亦落地本地化部署，算力一体机具备软硬结合、开箱即用、灵活定制的特性，满足本地化部署需求。 电源及液冷创新，解决功率密度瓶颈。AI浪潮下，单机柜功率密度提高，对电源及温控系统提出新的挑战。为保证数据中心稳定运行，三级供电/备电系统有所升级，供电系统从UPS向HVDC演进，超级电容亦将成为全新增量；温控方面，传统风冷难以满足高功率芯片散热需求，液冷逐步成为刚需，科智咨询预计23年到27年国内液冷市场复合增速达60%，冷却液、CDU、快接头、manifold等上游零部件成为核心受益环节。 投资建议：国产大模型持续突破，DeepSeek、豆包、MCP等开始引领全球AI产业发展，AI应用落地加速。芯片厂商也在加速适配国产算力生态。以自主可控为基石，云厂商资本开支持续加速。带动服务器、电源、存储等上游产业链环节机遇。建议关注：1）算力芯片：中芯国际、海光信息、寒武纪、芯原股份、云天励飞、翱捷科技、沐曦技术（未上市）；2）服务器：华勤技术、联想集团、浪潮技术、弘信电子； 3）电源：禾望电气、麦格米特、中恒电气、泰嘉股份、科泰电源、潍柴重机、科华数据、欧陆通、奥海科技；4）温控：申菱环境、英维克、溯联股份、川环科技；5）其他供应链：德明利、长光华芯、杰华特、华海诚科、华丰科技、兴森科技等。 风险提示：AI应用落地不及预期，云商资本开支不及预期，宏观经济波动。 重点公司盈利预测、估值与评级 1豆包+DeepSeek破局，国产大模型弯道超车 总书记指出“人工智能是引领这一轮科技革命和产业变革的战略性技术”，从顶层建筑角度为国产AI发展指引了战略方向。而近期国产大模型也持续突破。豆包、Deepseek、MCP等开始引领全球AI产业发展，为AI应用落地加速提供了技术底座。 1）豆包大模型：专注多模态融合。推动了国产大模型在多模态领域的能力升级。豆包大模型始于2023年8月17日字节的AI对话产品“豆包”公测，2024年，豆包逐步补全了语音、图像、代码等能力，并在12月18日发布豆包视觉理解模型，实现了更强的内容识别、理解和推理、以及视觉描述等能力，一举成为国内最领先的多模态大模型之一，引领国产化大模型在多模态领域的升级之路。 2）DeepSeek：专注深度思考+轻量化。相较于豆包在多模态方面的领先，DeepSeek则更注重大模型的轻量化升级能力，在成本和性能方面做到极致。2024年12月，DeepSeek发布DeepSeek-V3大模型，拥有671B总参数、37B激活参数，成本仅为557.6万美元，但在性能上却与GPT-4o和Claude-3.5-Sonnet同属世界顶尖水平；2025年1月20日，DeepSeek发布DeepSeek-R1推理大模型，性能追平OpenAI-o1正式版。由于性能和成本端的优势，当前DeepSeek在国内外均得到了高度的认可：国外方面：微软CEO纳德拉高度认可DeepSeek的新模型，并表明Azure AI Foundry和GitHub已经融入DeepSeek AI，英伟达认为DeepSeek-R1是具有最先进推理能力的开放模型；国内方面：华为昇腾、沐曦、海光信息、壁仞科技、昆仑芯、云天励飞等AI芯片企业纷纷官宣适配DeepSeek大模型。我们认为，DeepSeek开创了大模型开源、低成本的新时代，为应用侧公司探索创新AI应用提供了极大便利，AI加速放量下推理侧算力需求有望增长。据电子工程专辑，DeepSeek- R2 或将发布，该模型参数总量将达到1.2万亿，相较R1的6710亿提升一倍，并将采用更先进的混合专家模型MoE和门控网络层Gating Network，进一步提升推理性能。 3）MCP：重新定义模型和数据的交互模式，推动AI Agent落地。2024年11月，Anthropic推出MCP（Model Context Protocol，模型上下文协议），用于统一大语言模型与外部数据源和工具之间的通信协议。该协议为AI模型连接不同的数据源和工具提供了标准化的方式，就像是AI应用程序的USB-C接口，重新定义了模型和外部世界的互动模式，通过MCP Client和MCP Server，提升了AI Agent从调用数据到做出决策的便利性，极大拓展了AI Agent的能力范围和应用场景。 豆包、DeepSeek和MCP的异军突起加快了国产大模型的迭代节奏。2025年以来，豆包、通义千问、百度、腾讯混元、阶跃星辰和Kimi等其他国产大模型加速了更新迭代，豆包推出Doubao-1.5-pro，通义千问连续发布QwQ-32B与Qwen2.5-Omni，各大模型厂商均加速了各自的能力迭代速度，提升了国产大模型的综合性能。 图1：豆包和DeepSeek突破后，国产大模型的迭代时点 1.1技术驱动引领，DeepSeek加速布局 1.1.1量化巨头助力，DeepSeek崛起之路 DeepSeek（杭州深度求索人工智能基础技术研究有限公司）是AI领域的专业技术研发公司，致力于开发先进的大语言模型（LLM）和相关技术，由国内知名量化巨头幻方量化于2023年7月17日创立。幻方量化作为国内最早确立以AI为主要发展方向的公司之一，早在ChatGPT 3.5问世前，就拥有1万张NVIDIA A100显卡，在GPU储备上与商汤、百度、腾讯、字节和阿里位列国内同期第一梯队。得益于母公司在AI领域的前瞻性布局，DeepSeek于2023年11月2日便开源了首款代码大模型DeepSeek Coder，随后不断进行迭代，旗下于2025年1月20日发布的DeepSeek-R1推理模型，在性能方面对标OpenAI o1正式版，表现卓越，被英伟达认为是具有最先进推理能力的开放模型。 图2：DeepSeek发展历程 1.1.2专注算法优化创新，DeepSeek核心优势 DeepSeek始终坚持以创新算法驱动大模型效率与能力的双重跃升，分别通过1）构建混合专家架构DeepSeekMoE；2）原创注意力机制MLA；3）多token预测技术MTP以及4）推理优化技术GRPO等创新技术为支点构建了其核心竞争力。 DeepSeek大模型均采用MoE架构（混合专家模型），并进一步改进成DeepSeekMoE。MoE是一种基于Transformer架构的模型，主要包括稀疏MoE层和门控网络，其中稀疏MoE层中包含多个专家，每一个专家是单独的神经网络，而门控网络则决定了哪个token将被发送给哪个专家。DeepSeek-V3采用DeepSeekMoE架构，在MoE的基础上添加了细粒度专家分割和共享专家隔离，并采用无辅助损失的负载均衡策略替代传统的专家平衡策略，使得模型效率进一步提高： 1）细粒度专家分割：在保持专家总参数数量不变的前提下，对专家进行更精细的划分，使得专家获得更高的专业化水平，在计算过程中等比例增加专家激活数量，单个token能够被分配给更多的专家，专家组合的多样性和灵活性也有所上升。 2）共享专家隔离：在所有专家中选取部分专家作为共享专家（Shared Expert），所有的token都将分配给共享专家进行计算，从中获取通用知识，并相应减少其他专家被激活的数量，从而缓解专家间的参数冗余问题，提升模型效率。 3）无辅助损失的负载均衡策略：通过动态偏差来实现均衡，即对低负载专家增加偏差值以提高被选中的概率，对高负载专家降低偏差值以降低被选中的概率，并辅以部分辅助损失提高整体分配的稳定性。 图3：DeepSeekMoE示意图 MLA（多头潜在注意力架构）是DeepSeek原创的注意力机制，能够实现性能和KV缓存的平衡。KV缓存是影响模型推理效率的关键因素，Transformer架构下的MHA会产生大量的KV缓存，GQA和MQA作为改进方案虽然减少了KV缓存，但是在性能表现上受损。MLA通过对Key和Value进行低秩联合压缩实现了内存的高效利用，在降低KV缓存的同时获得了更强的性能。 图4：不同注意力机制示意图 图5：不同注意力机制KV缓存和性能对比 MTP（多token预测技术）通过预测多个后续token提升模型效率。传统模型只根据前文预测1个token，即根据t预测t；而MTP技术则要求模型一次性生成多个token，即在主模型中根据t预测t，在MTP Module 1中根据t预测t，在MTP Module 2中根据t预测t，依此类推。这意味着通过一次训练便可以学习多个位置的label，有效提升数据训练效率，从而降低训练成本，并提高模型对于长句的理解能力，一次性生成多个token也提高了推理速度。DeepSeek-V3设定了2个token预测目标，且实验表明第二个token的接受率处于85%-90%，高接受率保证了模型的解码速度能够达到1.8倍TPS（每秒token数）。 图6：MTP技术示意图 GRPO（组相对策略优化）通过取消价值模型提高了模型的推理能力。传统强化学习方法为PPO（近端策略优化），需要同时训练价值模型和策略模型，在计算成本方面存在劣势，而GRPO则取消了价值模型，通过比较组内相对表现进行优势评估，显著降低了计算和内存消耗，同时简化了优势估计过程，组间相对得分相较于绝对得分更加适用于推理任务，提高了模型推理能力。 图7：GRPO技术示意图 1.1.3算法协同优化，DeepSeek性能出色 通过对算法、框架和硬件进行协同优化，DeepSeek大模型在性能上表现出色。DeepSeek的技术团队擅于在软件层面进行技术优化创新，以此实现大模型的性能飞跃：1）在DeepSeek-V3上，创新性使用无辅助损失的负载均衡策略、FP8混合精度训练架