本报告的信息均来自已公开信息，关于信息的准确性与完整性，建议投资者谨慎判断，据此入市，风险自担。 请务必阅读末页声明。 电子行业 超配 （维持） 电子行业深度报告 DeepSeek 推动模型平权，关注 AI 终端及算力领域 2025 年 2 月 20 日 罗炜斌 SAC 执业证书编号： S0340521020001 电话：0769-22110619 邮箱： luoweibin@dgzq.com.cn 陈伟光 电话：0769-22119430 邮箱： chenweiguang@dgzq.com.cn 电子行业指数走势 资料来源：东莞证券研究所，Wind 相关报告 投资要点：  DeepSeek推动模型平权，关注AI终端及算力领域。2024年12月，DeepSeek V3 首 个 版 本 上 线 ， 在 多 项 评 测 成 绩 超 越 了 Qwen2.5-72B 和 Llama-3.1-405B 等 开 源 模 型 ， 并 mini。通 过推出高性能、低成本且开源的模型，DeepSeek给全球AI发展带来了模 型平权，同时也将刺激其他头部模型厂商加快推出性能更强、成本更具 竞争力的模型。而随着模型调用门槛降低，AI终端有望加速落地，而AI+ 快速发展也将反哺训练算力、推理算力需求。  AI终端有望加速落地。AI手机：苹果国行AI功能渐行渐近，三星国行S25 系列搭载智谱Agentic GLM，而华为、荣耀、OPPO等多家国产终端近期

电子 AI+ 系列专题报告 Deep Seek 重 塑 开 源 大 模 型 生 态 ， A I 应 用 爆 发 持 续 推 升 算 力 需 求 证券分析师：胡剑 证券分析师：胡慧 证券分析师：叶子 证券分析师：张大为 证券分析师：詹浏洋 021-60893306 021-60871321 0755-81982153 021-61761072 010-88005307 hujian1@guosen DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 DeepSeekMoE 架构采 用了更为精细粒度 的专家设置，能够更加灵活且高效地调配资源，进一步提升了整体的运行效率和表现。 练效能优化策略、双维度评价体系、 结构化训练范式三个维度。 DeepSeek-R1 采用分阶段强化学习架构演进，包括冷启动阶段、面向推理的强化学习、拒绝采样 与监督式微调、全场景强化学习等。 l AI 应用爆发在即，算力需求持续攀升，关注 ASIC 及服务器产业链。 Scaling Law 与“涌现”能力是大模型训练遵循的重要法则，随着 ChatGPT 引领全球 AI 浪潮， 国内外科技公司纷纷发布 AI 大模型，截至

1 中国推理算力 市场追踪报告，2025年H1 头豹研究院 弗若斯特沙利文咨询（中国） 2025年8月 2 关键发现  算力需求重心从训练转向推理，算力基础设施持续扩展与升级 AI算力消耗已从集中式训练转向大规模推理，带来前所未有的增量需 求。2025年被认为是算力爆发的元年，推理算力的需求将迎来井喷式 增长。推理算力的需求将在未来几年内远超训练算力。 01  2025年H1中国推理算力服务市场中，天翼云以【21 2025年H1中国推理算力服务市场中，天翼云以【21.4%】的市场份 额领先 中国日均Tokens消耗量从2024年初的1000亿增长到截至今年6月底，日 均Token消耗量突破30万亿，1年半时间增长了300多倍，这反映了中国 人工智能应用规模快速增长。天翼云息壤一体化智算服务平台率先完 成国产算力与DeepSeek-R1/V3系列大模型的深度适配优化，成为国内 首家实现DeepSeek模型全栈国产化推理服务落地的运营商级云平台。 02  未来推理算力长序列与超大模型推理优化成为关键，国产软硬件 协同与生态成熟推动推理普及 03 中国算力正朝着“训推一体”融合架构快速发展，以支撑大规模 模型与多模态应用的高效低延迟推理。国产AI芯片与推理框架不 断优化，结合模型压缩、量化、动态推理等技术，进一步提升能 效比和部署灵活性。 3 沙利文市场研读 | 2025/08 2 研究框架  中国推理算力市场综述 • 关键发现

上涨需要配合等比例上升的优质数据集来达到最佳训练效果。因此，大模型 参数在十亿级以上发展并受限于优质数据集的增速是 AI 发展的必然趋势。 大模型增长挑战芯片算力和内存，无法实现完整端侧部署。大模型训练和推 理的三大瓶颈是算力、显存和通信，根据我们的测算，算力方面 GPT-3 训练 所需算力为 121528 TFLOPS，若 30 天内完成，需要 1558 颗 A100。内存角度， GPT-3 训练至少需要 3.2T 内存，至少 .................. 5 大模型的参数上限：参数的增加需要同等量级的训练集增加 .................................. 6 大模型训练对硬件的挑战：算力、内存和通信 .............................................. 8 终端部署具有必要性，轻量化技术优化模型 ...................... ........................................ 9 图12： 算力计算公式 ...................................................................... 10 图13： 近年推出的大预言模型有效算力比率 ...............................................

年 12 月， OpenAI 发布基于 GPT-3.5 的聊天机器人模型 ChatGPT ，参数量达到 1750 亿个。 ChatGPT 引领全球人工智能浪潮，人工智能 发展需要 AI 芯 片作为算力支撑。据 Tractica 数据，全球 AI 芯片市场规模预计由 2018 年的 51 亿美元增长至 2025 年的 726 亿美元，对应 CAGR 达 46.14% ；据前瞻产业研究院 数据，中国 出货量占比 为 82% ， 位居市场第一。公司股价经历 2016-2018 年、 2020-2021 年、 2022 年 9 月以来三轮快速增长；其中 2022 年 9 月至今，受 AI 驱动下针对芯片算力需 求提升，公 司股价呈现大幅度反弹；截至 2023 年 4 月 30 日，公司市值为 6854.00 亿美元。回顾历史， 1999 年，公司发明了图形处理器，定义了 现代计算机图形学 ； 2006 产业链相关公司：算力：英伟达、海光信息、寒武纪、全志科技；服务器：工业富联、国芯科技、环旭电子、闻泰科技、易德龙； PCB ：沪电股份、 胜宏科技、东山精密、鹏鼎控股； AI 终端： 晶晨股份、瑞芯微；先进封装： 长电科技、通富微电、芯原股份；存储：深科技、江波龙、佰维存储、 兆易创新。 请务必阅读正文之后的免责声明及其项下所有内容 l 构建加速计算平台、完善“三芯片”产品布局，重点发力 AI 及数据中心领域。

机交互困难一直是困扰其发展的一大难点。从最近谷歌推出的 Project Astra 以及 Meta 的雷朋眼镜中我们看到，大模型所具备的图像理解、语音交互， 以及根据语音交互结果进行的执行能力有望大幅度提高 AR 眼镜的交互能 力。目前具身智能的发展仍处于非常早期的阶段，但是大模型所具备的以上 能力有望大幅提高机器人对环境的理解能力，以及根据理解结果控制关节等 的执行能力。相关标的包括：Meta，奕瑞，龙旗，舜宇，水晶光电，歌尔。 Dynamics 套件等专业软件在内的生产力工具矩阵，向数据协同、功 能联动的方向发展。如何保护自身私域数据的安全是企业导入微软 Copilot 的主要痛点之一。24 年 5 月，微软推出 Copilot+PC，通过在终端侧部署轻 量级的大模型，在保护隐私的前提下，能够实现会议纪要、文档总结、PPT 智能创作、文生图等企业的基本办公需求，是大模型时代生产力工具的主要 支点。我们认为 2025 年 AI 大模型交互能力，看好智能眼镜等轻量级 AR 发展机遇 .................................................................. 11 大模型应用#2：生产力工具的 AI 化有望推动新一轮 PC 换机周期 ............................................................................

智能机顶盒、智能音响、智能耳机等智能终端产品有望形成软硬件一体 的智能语音交互助理载体。 ◼ AI+提升生产效率， B 端应用场景发展潜力逐渐释放。随着技术和应用 的发展，AI 的赋能将深刻改变很多 B 端的生产力及生产效率，其可以 帮助企业提高生产效率、提升客户体验和创造新的商业价值。举例来看， 1、安防行业作为 AI 技术落地应用较为领先的领域，率先受益于 AI 技术的成熟发展：随着 AI 逐步渗透到视频前后端设备中，AI ............................ 5 1.2. AIGC 发展改革生产力，已具备多领域应用能力 ................................................................... 6 1.3. AI 向实际场景落地，边缘算力重要性加速凸显......................................... 数据来源：Similarweb、东吴证券研究所 请务必阅读正文之后的免责声明部分 东吴证券研究所 行业深度报告 6 / 28 OpenAI 模型可以完成绝大多数文本和图像任务，具有成熟的生产力。根据 OpenAI 的官方介绍，GPT-4 可以接受文本和图像的信息，并允许用户指定任何图像或语言任务， 处理超过 25000 个单词的文本。除了在各种标准考试和不同语言情景下都有突出的表现 外，在图像的处理分析上，GPT-4

XX银行经营能力 17 4.3 XX银行数字赋能 18 5 项目实施的必要性 19 5.1 夯实XX数字化转型的坚实底座 19 5.2 提升金融服务生态系统的竞争力 19 5.3 保障银行的业务安全与运营稳定 20 6 建设必要性小结 20 三、需求分析与建设规模 21 1 数据中心需求分析 21 1.1 新体系算力枢纽 实施方案》提出在京津冀、长三角、粤港澳大湾区、成渝，以及贵州、内蒙古、甘肃、 宁夏等地布局建设全国一体化算力网络国家枢纽节点，发展数据中心集群，引导数据中心 集约化、规模化、绿色化发展。对于贵州、内蒙古、甘肃、宁夏可再生能源丰富、气 候适宜、数据中心绿色发展潜力较大的节点，积极承接全国范围需后台加工、离线分 析、存储备份等非实时算力需求，打造面向全国的非实时性算力保障基地。要求数据 ，我国数字经济竞争力和影响力 稳步提升。为实现新阶段的发展目标，优化升级数字基础设施、充分发挥数据要素作 用、大力推进产业数字化转型、加快数字产业化等成为重要路径，其中包括结合应 用、产业等发展需求优化数据中心建设布局，全面加快金 融等服务业数字化转型的具体要求。 2022 年 2 月，“东数西算”工程正式启动，通过构建数据中心、云计算、大数据一体化 的新型算力网络体系，推动数据中

和业务流程等。但金 融领域的数据分散在各个金融机构，通用大模型缺少金融数据进行训练，金融专业知识不足；另外一方面，如果从底层开始训练大模型， 所需要投入的算力成本非常高，比如千亿级别的通用大模型，训练一次需要付出几千万的成本 在特定任务上，精确性与适用性欠缺，需要更多优化与定制。金融垂类大模型通常会投入大量的时间和资源来收集和整理金融领域的专业 强的控制、模 型的知识升级、多 模态、模型微 调定制以及更高的 速率限制。 谷歌框架领先 模型丰富 ，应用偏弱 谷歌于 2023 年 2 月宣布将在 谷歌云上部署 ChatGPT 的有 力竞品 Claude ，并于同月推 出自研的基于 1270 亿参数大 模型 LaMDA 的聊天机器人 Bard 。应用方面 ，谷歌在过 去更注重发表论文 ，未能及 时将成果产品化。 同时 Moonshot 是月之暗面自主训练的大语言模型，于 10 月 9 日 正式发布。该模型具备多语言能力，支持约 20 万汉字上 下文，通过创新的网络结构和工程优化，实现了无损的 长程注意力机制，有较强的文档理解、归纳和处理能力 。长程对话、长文本阅读、 AI 智能体等方面的应用表现 强劲。另外，在数学运算、内容创作、虚拟数字人等场 景也有不错的表现。 10

优点：可解释、计算速 度快 • 缺点：从前向后单向计 算；单纯基于统计频次、 缺少对上下文的泛化； 随着n的增大，参数空 间呈指数增长 “预训练-微调” 学习范式 （BERT、GPT） 上下文学习、指令微调、 扩展规律 (GPT3、GPT4…) 基于Transformer架构的语言模型 • 优点： ✓ 长距离依赖处理能力强：自注意力机制能捕捉任 意距离的依赖关系。 ✓ 并行计算能 虑词的排序和位置信息，所以通过positional encoding来衡量word位置信息 注意力Attention 自注意力机制：使序列中的每个单词都能“关注”其他单词，包括自己 在内，以更好地理解上下文。（通过计算输入序列中每个位置与其他位置之间 的注意力权重，得到加权的位置向量作为输出） 多头注意力机制：多个独立计算的自注意力机制，将相同的输入映射到 不同的空间中进行上下文理解，使得模型获得了对输入序列有更细致透视，丰 Forward 捕捉序列中元素之间复杂关系的多功能组件。通过使用线性变换和非线性激活 函数，前馈网络使模型能够处理复杂语义，促进文本的稳健理解和生成。 Google Transformer：引入注意力（Attention）学习, 2017 浙江大学人工智能教育教学研究中心 中心 智能教育教学研究中心 大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心