AI行业报告：DeepSeek（45页）

行业报告下载 2025年02月08日 14:27 管理员

大模型在 AI行业中占据核心地位，是推动技术创新、拓展应用场景及提升行业效率的关键因素。全球范围内的领军企业持续推动大模型性能的提升，随着模型规模的不断扩张，其性能也实现了显著提升。然而，这种规模的扩大也相应地带来了训练和部署成本的急剧增加，成为制约大模型广泛应用的瓶颈。在机器学习领域，尤其是大型语言模型(LLMS)的应用场景中，模型性能的提升与模型规模数据集的大小以及计算资源之间存在着紧密的关联，这一关系通常被描述为“规模定律”(ScalingLaw)。根据规模定律，模型的性能会随着模型规模的指数级增加而实现线性提升。目前，国际上主流的大模型，诸如 OpenAI的 GPT 系列、Anthropic的 Claude 以及谷歌的 Gemini等，其最新版本的规模均已突破千亿参数大关。尽管这些模型在性能上展现出了卓越的表现，但对于众多公司和开发者而言，其高昂的硬件资源使用成本、计算时间等依然构成了巨大的挑战。长期以来，大算力训练一直是基座模型厂商用于融资与构建竞争壁垒的重要手段。

从技术层面来看，GPU等硬件设施效率的提升以及算法的优化等方式，均有望带动大模型成本的显著下降。在全球 GPU 短缺以及美国限制政策的双重压力下，我国的人工智能公司 DeepSeek通过算法优化的创新路径，进一步降低了训练成本，为大模型的大规模应用提供了前所未有的可能性。DeepSeek在1月20日正式发布了其R1模型，并同步开源了模型权重。在第三方的基准测试中，DeepSeek-Rl的表现优于 OpenAI、Meta 和 Anthropic 等美国领先的人工智能公司。在AIME2024数学基准测试中，DeepSeek-R1的成功率高达79.8%,成功超越了OpenAl的 o1推理模型。在标准化编码测试中，DeepSeek-R1更是展现出了“专家级”的性能，在 Codeforces上获得了 2029Elo的评级，并超越了96.3%的人类竞争对手。同时，DeepSeek-R1真正令人瞩目的地方并不仅仅在于其卓越的性能，而在于其极低的成本。它打破了硅谷传统的“堆算力、拼资本”的发展路径,仅用557.6万美元和 2048块英伟达H800GPU便完成了性能对标 GPT-4o的模型训练成本仅为 OpenAI同类模型的十分之一，推理成本更是低至每百万Token 0.14美元，而OpenAI的推理成本则为 7.5美元每百万 Token。