DeepSeek對全球AI產業鏈發展趨勢有哪些影響？

全球ICT終端設備市場規模穩步增長,5G和AI技術是推動這一增長的核心動力,而DeepSeek在其中發揮著重要的賦能作用。

1.“杰文斯”悖論再次到來，算力需求將迎來長周期繁榮

DeepSeek工程優化節約訓練成本，中長期來看算力需求依舊強勁。DeepSeekV3通過訓練與算法等工程優化，訓練成本大幅降低。DeepSeek-V3于2024年12月26日發布，是一個強大的混合專家模型(MoE)，共有6710億個參數，每個token激活370億個參數。DeepSeekV3開創了無需輔助損失的負載均衡策略，并設定了多token 預測訓練目標來獲得更強的性能,通過使用14.8萬億個多樣化且高質量的token進行預訓練,隨后進行監督微調(SFT和強化學習(RL)。通過采用多頭潛在注意力(MLA)和DeepSeekMoE架構，有效的降低了訓練成本并實現了高效推理，論文表示，DeepSeekV3完整訓練僅需278.8萬H800GPU小時，且訓練過程非常穩定，沒有遇到任何不可恢復的損失峰值且沒有進行任何回滾。

DeepSeekR1采用群組相對策略優化(GRPO)算法，進一步降低訓練成本。DeepSeekR1與2025年1月20日正式發布，并同步開源模型。DeepSeekR1完全摒棄SFT，核心技術為GRPO算法，其通過組內相對獎勵來優化策略模型,進而對訓練過程進行簡化,減少訓練中計算資源的消耗,無需額外的“評估模型”或者“批評模型”來評估當前策略的優劣，通過強化學習(RL)從基礎模型中激發推理能力，專為復雜推理任務而設計，尤其在數學、代碼生成和邏輯推理領域表現尤為突出，在MATH-500測試中，DeepSeekR1得分97.3%，高于GPT-01的96.8%。

整體來說DeepSee在工程復雜度上大幅提升，即通過調整模型架構、訓練精度、算法，且數據質量方面差異化導致單次訓練成本大幅降低:

1)DeepSeekV3采用稀疏 MoE架構，激活參數量降低:OpenAI采用密的Transformer架構，即需要在每個前向/后向傳播過程中激活并更新全部參數，因此在大規模訓練時對算力與顯存需求很高，但 DeepSeekV3在訓練或者推理過中只會激活少量參數，有效降低每次前向/后向的計算量，降低整體訓練成本。

2)DeepSeekV3采用FP8混合精度訓練,提升計算效率:OpenAI在訓練過程中多采用FP16精度，兼顧數值穩定和計算效率，而DeepseekV3采用了FP8混合精度訓練，從而提升單位GPU小時的計算利用率，這也是其大幅縮減成本的重要原因之一，與此同時大幅提升工程復雜度。3)DeepSeek蒸餾策略優化，減少對額外RLHF依賴:OpenAI訓練數據規模更大，數據更多元化，且在RLHF環節上投入較大，DeepSeekV3數據規模在14.8萬億token，在后訓練與蒸餾策略做了優化，減少了對額外 RLHF資源的依賴，并且上文提到 DeepSeekR1 采用群組相對策略優化(GRPO)算法,進一步優化訓練成本,但DeepSeekR1整體訓練成本要顯著高于 DeepSeekV3.總結來說，DeepSeek通過在算法與工程側的深度合，把相同的算力資源利用率最大化所以我們看到單次訓練成本有顯著下降。

“杰文斯”悖論再次到來，技術進步反而推動資源使用總量上升，DeepSeek將推動算力需求總量提升。DeepSeekV3以及R1的出現，反而證明了模型的架構演進還在繼續，從整個產業鏈看，預訓練、后訓練、測試時間計算等不同路徑都仍然與創新優化空間。此外，DeepSeek研究員也曾發推文表示 DeepSeek要做開源的 AGI,目前開源已經完成，且如果證明強化學習是通往 AGI時代的正確的道路，對算力的需求只會越來越大，要向上走到AGI依然需要更強算力。當技術進步提高了資源使用的效率，不僅沒有減少這種資源的消耗，反而因為使用成本降低，刺激了更大的需求，最終導致資源使用總量反而上升(杰文斯論)，微軟CEO薩提亞·納德拉的推文提到了這一點。所以當模型的成本越低，開源模型發展越好，模型的部署、使用就會更高頻率、更多數量，對算力的需求將越來越大。

2.算力需求或將出現結構性改變，國產化進程加速推進。DeepSeek發布文生圖大模型Janus-Pro，表現優于DALL-E3。從1月28日DeepSeek發布文生圖像大模型 Janus-Pro,該模型是Janus-Flow的進階版本,相比前一代模型，Janus-Pro 在訓練策略上進行了優化并拓展訓練數據集，模型也更大。在基礎測試中超越美國巨頭OpenAI，該開源多模態模型在生成遍真圖像、執行復雜視覺推理等多種視覺任務方面具備強大優勢。深度求索稱，Janus-Pro在使用文本提示函生產圖像的基礎測試中，表現優于OpenAI的DALL-E3 和StabilityAl的 StableDiffusion.

Janus-Pro 準確率大幅提升，推理算力需求占比進一步提升。DeepSeek 表示，在文生圖GenEval和 DPG-Bench基準測試中，Janus-Pro-7B 的準確率較上一代Janus 大幅提高，準確率測試結果分別為80%和84.2%，高于包OpenAIDALL-E3在內的其他對比模型。我們認為，DeepSeek的成功路徑將推動算力需求結構性改變，未來多模態持續迭代，推動推理端算力需求占比大幅提升。

2.DeepSeek 加速 AGI到來，大模型從“訓練”向“推理”演進

DeepSeek將加速AGI時代到來，AIAgent將成為通往AGI的基石。DeepSeekR1是人工智能革命下里程碑式的產品，對標 OpenAI的 o1模型，并且在強化學習的推動下，展現出了此前未曾預見的推理能力，同時通過工程與算法等深度耦合，大幅降低成本，讓大模型更易觸達下游廠商。并且 DeepSeek開源其模型預示著開源社區正以全新的方式推進人工智能技術的發展，加速通用人工智能時代到來并推動AIAgent技術更加成熟。

AIAgent是一種能自主感知周遭環境,通過內在的智能處理進行決策,并執行相應行動以達成特定目的的智能體。它基于大型語言模型(LLM)，集成了規劃、記憶、工具和行動能力。從智能助手、個性化推薦系統到自動化客戶服務，AIAgent的應用案例層出不窮，它們在各行各業中展現出巨大的潛力和價值。

AI代理的工作流程比傳統的LLM交互方式更高效:通過選代式的AI代理工作流程(例如:先寫提綱，再進行網絡搜索，再寫初稿，再修改)，可以顯著提高AI模型的輸出質量，其提升程度甚至超過了模型本身的迭代升級。

3.新一輪“得入口者得天下”，從 APP 到 Agent 與終端生態的轉變

技術驅動下的生態重構。在全球數字化浪潮的推動下，ICT行業正經歷著深刻的變革，核心入口從傳統APP向以AIAgent(智能代理)和終端設備為主導的新生態轉移。這一變革的底層驅動力是多元技術的協同突破，而以DeepSeek未代表的大模型推出將加速這一進程的推進。

Al Agent的崛起是自然語言處理(NLP)、機器學習(ML)、知識圖譜等技術深度發展的結果。基于 DeepSeek等先進模型開發的 AIAgent,借助深度學習算法，能夠精準理解用戶問題的意圖，從海量知識庫中提取準確答案，甚至能依據對話語境進行多輪交互，提供更具人性化的服務機器學習賦予 Al Agent 自主學習能力，使其在與用戶的持續交互中不斷優化算法，積累經驗，從而更精準地預測用戶需求。

終端設備與AI的深度融合，是硬件技術與AI算法相互賦能的成果。以智能家居領域為例，智能音箱、智能攝像頭等設備通過內置 AI芯片和算法，實現了“無感化”服務。從算法層面，不斷優化的AI算法讓設備能夠更精準地識別用戶聲音、理解用戶意圖，實現智能化控制，而從硬件層面看，低功耗、高性能的AI芯片將為設備實時處理復雜語音和圖像數據提供了便利。DeepSeek的出現進一步提升了終端設備的智能化水平。例如，搭載DeepSeek算法的智能音箱，在語音喚醒、語音識別、語義理解和語音合成等方面表現更為出色,用戶只需簡單的語音指令,就能完成音樂播放。信息查詢、家居控制等操作，極大地提升了用戶體驗，重塑了流量入口格局。

AlAgent的市場規模與增長潛力巨大。中國AAgent市場呈現出迅猛的發展態勢，預計到2028年，其市場規模預計將達到8520億元，年復合增長率高達72.7%，DeepSeek在這一增長趨勢中扮演著重要角色。

從供給端來看，以 DeepSeek為代表的先進模型技術的成熟是關鍵因素。DeepSeek基于海量文本數據訓練，具備強大的泛化能力，能夠快速適應不同領域的應用需求。企業只需在DeepSeek基礎上進行微調,就能開發出適用于特定行業的A1Agent,降低了開發成本和周期,加速了AIAgent市場的擴張。

從雷求端來看，各行業數字化轉型加速，對智能交互和自動化決策的需求激增。比如:在金融行業，DeepSeek憑借其強大的語言理解和分析能力，能夠更精準地解讀金融數據和市場動態，為投資者提供更具前瞻性的投資建議，基于其開發的AIAgent可被廣泛應用于智能投研、投資顧問風險評估和客戶服務等環節;在醫療行業，AlAgent輔助醫生進行疾病診斷，通過分析患者病歷、影像數據和醫學文獻，快速給出診斷建議，提高診斷效率和準確性，DeepSeek能夠對海量醫學知識進行深度挖掘和理解，為醫療診斷提供更全面、準確的參考。隨著5G、物聯網等技術的普及，產生了海量數據，這些數據為基于DeepSeek開發的AIAgent訓練提供了豐富素材，將進一步推動其在各行業的應用。

DeepSeek的加入終端設備的生態重構。全球ICT終端設備市場規模穩步增長,5G和AI技術是推動這一增長的核心動力,而DeepSeek在其中發揮著重要的賦能作用。

5G技術的商用，為終端設備帶來了高速率、低時延和大連接的網絡環境。在工業物聯網領域5G使工廠設備實現高速互聯，大量生產數據能夠實時傳輸到云端或邊緣計算節點進行分析處理DeepSeek能夠對這些生產數據進行深度分析，挖掘數據背后的潛在價值，為企業提供更精準的生產優化建議。在智能家居領域，5G保障了智能家電之間的穩定通信，用戶可以通過手機或智能音箱遠程控制家中設備，實現智能化家居場景。搭載DeepSeek算法的智能終端設備，能夠更準確地理解用戶指令，實現更智能的家居控制。

AI技術則賦予終端設備智能化的“大腦”。智能家居設備通過AI算法實現智能場景識別和自動控制。DeepSeek的加入，使得智能設備在場景識別和決策制定方面更加精準和高效。例如，智能燈光系統可以根據環境光線、用戶活動狀態自動調節亮度和顏色，借助DeepSeek的強大分析能力，燈光系統能夠更好地理解用戶的生活習慣和需求，提供更貼心的服務。物聯網終端借助AI實現設備故障預測和智能運維。DeepSeek能夠對設備運行數據進行實時監測和分析，提前預測設備故障，為企業節省維護成本，保障設備的穩定運行。這些技術升級提升了產品附加值，刺激了市場需求，推動終端設備市場持續增長。

AIagent模型通過實現自然語言與硬件的交互，解決端側AI痛點。端側AI之前的痛點之一是無法通過用戶指令調用操作界面并實現用戶目標。最新的agent智能體模型比如Caude3.5Sonnet、智譜AutoGLM 以及OpenAI即將發布的“Operator”可以解決這一難題。Alagent模型與硬件爭奪流量入口，ICT未來發展趨勢將從當前的APP生態轉向模型生態或終端設備生態。在互聯網時代，C端用戶通過自發向APP輸入指令來實現功能;而在Alagent時代，C端用戶可以向模型輸入指令來實現功能，并且獲得模型的雙向反饋，模型通過自然語言更好地完成與硬件的交互。這改變了流量入口的分配，Alagent模型將取代APP的地位，并與硬件爭奪流量入口。

4.DeepSeek推動 AI Agent崛起，B 端+C 端應用開啟新篇章

從Open、歌、Salesforce、Servicenow、Hubspot等全球頭部的 AI應用公司新產品即將發布情況來看，AIAgent有望成為2025年AI應用的新趨勢。Agent將成為AI落地的最佳選擇，市場規模和應用場景將持續擴大。全球頭部公司的一致布局代表對AAgent發展前景的認可，Salesforce的股價也因AIAgent產品的推出而躍升至歷史高點。

DeepSeek推動AIAgent快速進化，AI應用進入新時代。當前，伴隨全球數據量維持高速增長，為AIAgent發展提供數據資源。未來五年，全球數據量將維持增長，2022年，全球數據規模已達到103ZB，中國數據規模達到23.9ZB;預計2027年，全球數據規模可達到284.3ZB，近五年的 CAGR可達到 22%，中國數據量規模則可達到76.6ZB，近五年的CAGR為26%，超過全球增長速度。國產大模型自2023年7月開始進行密集發布，截至2023年7月，國產大模型累計數量達到300個，并且涉及金融、法律、教育、醫療、娛樂等多個垂直細分領域。

5.生態應用統一接口條件下，端側 AI迎來巨大發展機遇

生態應用統一接口條件下，AI手機、AIPC、AI眼鏡等端側AI能夠解決用戶痛點，迎來巨大發展機遇。AI手機硬件升級提速，2024年行業創新重點聚焦端側AI應用。華為鴻蒙通過軟硬芯云整合構建了鴻蒙原生智能架構，使AI與操作系統深度融合，用戶可通過全局拖拽方式直接處理文字、圖片、文檔，實現摘要、潤色、提取表格等功能;OPPO在FindX7系列中率先集成了端側AIGC消除、AI通話摘要功能;vivo推出了從 10億到1750億參數的不同規模端側模型，構建起較為完整的 AI能力矩陣;小米14 Ultra搭載首個 AI大模型計算攝影平臺AISP，通過整合 CPU、GPU、NPU和ISP將AIGC技術應用于數碼變焦的實時處理。

Al agent對手機界面的操作是一個復雜任務，而這一難題正通過 AI與端側結合得以實現。端云結合的方式使得手機既能使用端側模型，也能利用云端模型，使用agent方式完成操作，以平衡性能、參數和能耗等不足。華為AI助手小藝搭載盤古大模型，現已具備23類TOP場景的記憶感知能力，任務成功率達90%，已實現與300多個重點服務的無縫對接。

聯想 Yoga Pro 9i和 Yoga 9i二合一搭載最新的英特爾酷睿 Ultra處理器和聯想 AI芯片，配備YogaCreatorZone生成式 AI軟件，可將基于文本的描述或草圖轉換為圖像;Aura系列由聯想與英特爾合作打造，以“至輕、至強、至AI”為特性，內嵌“天個人智能體系統”，具備自然交互和感知，意圖理解和任務規劃等功能。

AI 眼鏡搭載大模型，功能漸全，迎來發展新機遇。Gyges Labs自研的 DigiWindow技術基于視網膜投影原理，創造了全球最輕、小的近眼顯示光學方案，使得智能眼鏡實現真正的可全天候佩戴。這款 AI眼鏡不僅體積小、重量輕，還能降低功耗，并實現對于近遠視的完全視光學兼容。GygesLabs將協同式 AI融入技術中，為可穿戴硬件設備賦予了感知與交互能力，從而進一步拓展了其商業化價值。GygesLabs的 AI眼鏡實現了雙向同步翻譯功能，并且接入多個大模型，如通義千問、百度文心一言等，提供物體識別、文字翻譯、數學題解答等多任務處理能力。此外，用戶可以在不干擾視線的情況下，接收和發送信息;此款AI眼鏡還能夠根據用戶的需求和環境，智能地提供信息提示，比如日程提醒、天氣信息等。