野村-中国互联网与新媒体：DeepSeek专家电话会要点-261019

DeepSeek 旨在通过提供具有竞争力的成本性能模型来区分自己。根据专家的观点，DeepSeek 采取双轨策略，旗舰模型推动智能前沿，而成本效益的 Flash 模型则最大限度地提高其在有吸引力的成本性能方面的覆盖范围。

专家认为，除了架构创新之外，DeepSeek 的竞争优势在于其对模型基础设施和部署优化的专业知识，这为其具有竞争力的 API 定价奠定了基础。其双高峰/非高峰定价机制旨在提高计算利用率，同时平衡价格竞争力和盈利能力。

在基础设施方面，专家预计国内 AI 加速器在推理方面获得比大规模预训练更快的采用，因为在预训练阶段，互连带宽、通信效率和系统稳定性仍然是国内 AI 芯片和集群的关键挑战。主流训练框架和计算内核已经围绕 NVIDIA 的 CUDA 生态系统进行了广泛优化。因此，迁移到国内加速器需要大量的代码重写、内核重新开发和工作框架适配，从而导致额外的工程工作量和更长的开发周期。这些挑战进一步加剧了国内芯片供应商之间软件生态系统的碎片化，其架构和软件堆栈通常不兼容，导致重复的开发工作和更高的适应成本。专家还强调了异构训练集群结合不同加速器架构的额外复杂性，这可能会增加通信和同步开销，提高故障风险，并降低集群的整体稳定性和训练效率。

国内 AI 芯片格局：专家认为华为仍然是国内领先的 AI 加速器平台，这得益于其规模和相对成熟的生态系统。除华为外，专家将寒武纪和 Hygon 列为第一梯队，引用寒武纪相对较强的推理能力和企业采用率，以及 Hygon 的 CPU+DCU 架构和软件兼容性。在互联网公司内部芯片开发人员中，专家指出阿里巴巴的 T-Head 与第一梯队在推理效率方面竞争，尽管其芯片主要部署在内部，而将百度的昆仑芯定位为第二梯队。

DeepSeek 的护城河：专家承认，中国主要大型语言模型的架构创新现在大多是开源的，理论上可以被竞争对手复制。然而，他 argue 更难复制的优势在于基础设施优化、国内芯片适应和积累的部署经验。这些能力需要大量的工程资源和运营经验，使其难以仅通过开源模型发布来复制。

DeepSeek 的成本效益模型使其能够以有吸引力的价格提供缓存输入。根据专家的说法，这种优势反映了架构创新和推理基础设施优化的结合。特别是，DeepSeek 基于 MLA 的缓存架构能够有效地重用先前计算的上下文，避免重复计算，而其最新的 KV 缓存优化将 HBM 需求减少到上一代的四分之一，将 SSD 存储需求减少到八分之一。随着推理效率和国内芯片适应性的提高，这些创新有助于降低服务重复上下文（尤其是长上下文和代理工作负载）的成本。

面对 LLM 行业日益激烈的价格竞争，DeepSeek 采用了高峰/非高峰定价机制，在非高峰时段提供 50% 的折扣。据专家称，这种方法部分反映了基础设施成本的变化，特别是考虑到该公司对第三方云计算资源的依赖。除了灵活的定价策略之外，DeepSeek 还可以帮助 DeepSeek 维持对成本敏感的开发者和高容量代理工作负载有吸引力的价格，同时最大限度地利用其可用计算能力并支持其利润率。

专家预计中国 LLM 市场将保持竞争，差异化将超越模型智能，成本效益和生态系统覆盖范围以及特定应用中的优势将变得越来越重要。专家认为，这种趋势将特别有利于三个参与者——DeepSeek（凭借其有竞争力的推理经济性）、Moonshot AI（凭借其架构创新和强大的长上下文和复杂推理能力）和字节跳动（凭借其广泛的消费者覆盖范围、成熟的分销渠道和集成的产品生态系统）。这些优势可以促进更快的模型采用，然后生成有价值的使用数据。