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

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