网站大量收购独家精品文档,联系QQ:2885784924

互联网-浅谈DeepSeek的创新性,对比科技巨头和OpenAI.pdfVIP

互联网-浅谈DeepSeek的创新性,对比科技巨头和OpenAI.pdf

  1. 1、本文档共4页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

证券研究报告

互联网

浅谈DeepSeek的创新性,对比科技

巨头和OpenAI

华泰研究

2025年1月31日│美国动态点评

低成本敲响美国科技界“警钟”,DS引发科技股抛售,掀起AI主导权之争

DeepSeek(DS)的低开发成本引发全球投资者对美国科技巨头高成本投资

的质疑,以及对算力与相关产业的担忧,1月27日纳指出现拥挤性抛售。

英伟达、ARM和博通股价下跌17.0/10.2/17.4%。知名科技投资人Marc

Andreessen认为DS是一项重大突破,并引发各界对美国在AI领域主导地

位的质疑。而特朗普更将DS描述为对美国科技产业敲响了“警钟”。从科

技界看,Meta首席科学家YannLeCun认为DS受益于开源生态,并认为

开源模型正在赶超闭源模型,Meta的Llama同属开源。ScaleAICEO

AlexandrWang表示DS的模型“惊天动地”,性能高且大致与美国最好的

模型相当,并认为中美之间的AI竞赛加剧。OpenAICEOSamAltman称赞

R1的高性价比,但表示其将推出的改进模型或再次引领行业发展。不过,

据彭博报道,微软和OpenAI正在调查DS是否以未经授权方式“蒸馏”了

OpenAI的数据输出作为其训练依据。英伟达也于1月31日宣布DS-R1模

型现已在NVIDIANIM微服务预览版上提供。该微服务在单个HGXH200

系统上每秒最多可提供3872个Tokens。

对比科技巨头和OpenAI的模型,DS是否真正创新?

我们认为DS的R1模型主要是在现有技术路线的基础上创新,并进行深度

优化和改进。这是学术研究惯用的研究方法,也反映了AI发展中开源的趋

势。MetaCEO扎克伯格在24Q4财报里表示,DS的崛起“只会加强我们

对MetaAI战略和投资的信心”。他强调须建立美国AI技术标准,尤其在面

对开源模型带来的全球竞争。他也承认DS采用的几种创新算法可更有效、

更经济地训练模型,Meta目前正评估并考虑将一些算法整合到自己的模型

中。DS于2024年推出V1-V3模型迭代,主要基于MOE(专家混合模型,

MixtureofExperts)和MLA(多头潜在注意力,Multi-headLatentAttention)

算法,以解决AI计算的两大瓶颈:内存与算力。

DeepSeek的MoE算法能如何降低算力需求?

MOE是神经网络之父GeoffHinton于90年代提出,目前相关算法已被

Mistral、谷歌、腾讯、OpenAI等广泛应用。MOE将大型模型划分为多个专

门处理特定任务或数据的小型子模型。而每个子模型仅在其特定知识相关时

才被激活。尽管DS的V3总共有6710亿个参数,但实际上一次只使用370

亿个参数。而R1是以V3基础,通过强化学习实现高效推理。传统MOE

算法(如谷歌GShard)通过激活不同专家来处理任务,但较难确保专家获

得的知识不重叠。而DS的MOE特点在于使用了:1)细粒度专家分割

(Fine-grainedExpertSegmentation)将专家划分为更小单元以更灵活激活

专家组合;2)SharedExpertsIsolation将部分专家设定为共享专家,以捕

捉整合上下文的共同知识,降低其他专家中的参数冗余。相比之下,其他公

司虽也有使用类似算法,但主要集中于提升单一专家能力。

DeepSeek的MLA算法如何降低所需内存?

MLA是对于谷歌GQA(分组查询注意力,GroupedQu

文档评论(0)

Seeker研报 + 关注
实名认证
文档贡献者

如果有被下架的,可以私我发你,欢迎垂询各种研究报告!也可以咨询定制获取特定主题报告,欢迎光临!

1亿VIP精品文档

相关文档