■

DeepSeek-V3支持FP8混合精度训练，并通过全面优化训练框架，减少GPU内存使用，解决了跨节点MoE训练中的通信瓶颈，从而加速了训练过程。

■

DeepSeek-V3采用了多头潜在注意力（MLA）机制和DeepSeek MoE架构，这不仅提升了推理速度，还显著提高了显存利用率，在保证性能的同时大幅优化训练和推理效率。

■

DeepSeek大幅降低的推理成本为各行业的企业智能化需求提供了推动力，尤其是垂直领域的AI小模型（AIAgent）的开发成本大幅降低，推动了这些领域的快速发展。

■

DeepSeek的模型知识蒸馏和压缩技术使得小模型能够继承大模型的能力，同时保持轻量化特性，适应快速发展的小型应用场景。

■

数据实时性要求和低延迟的高带宽网络对垂类AIagent提出了新挑战，推动了对网络通信基础设施的需求增长，特别是在交换机、边缘计算设备和5G切片等领域。

■

尽管DeepSeek模型降低了单次训练任务的算力需求，但轻量化的模型促进了分布式训练和边缘计算的普及，这可能改变数据中心和计算架构的需求，推动机架内光模块和短距光模块的需求增长。

■

由于分布式架构的推动，800G光模块的需求可能进一步增长，特别是在需要低延迟、高带宽的分布式计算环境中。

■

光模块的核心价值在于提高能效比、压缩空间和降低成本，即使算力需求下降，这些需求依然推动光模块的渗透率提升。

■

边缘计算和5G切片的需求将促进相关基础设施的扩展，推动新型光模块和通信技术的应用，满足高效训练与推理的网络需求。

■

DeepSeek的创新在于其引入了强化学习方法，在后训练阶段对已有的强大模型进行训练，从而显著提升模型的推理能力，且成本相对较低。

■

如论文《AI capabilities can be significantly improved without expensive retraining》所提到，后训练阶段的开发成本远低于预训练阶段，且微调成本通常不到原始训练的1%，却能显著提升模型能力。

■

这为大多数企业提供了更加高效、低成本的路径，尤其对于AI的“后发者”而言，强化学习成为性价比更高的选择。

■

推理模型的引入使得AI大模型在处理复杂任务方面获得了更强的能力，远超非推理模型在情感聊天等领域的优势。

■

推理模型不仅可以提升产品能力，还开始具备作为“效率工具”的潜力，进一步推动了个人AI助理的雏形。

■

虽然一些厂商为AI的“后发者”，但通过拥有自己的业务生态系统，厂商能够利用AI赋能提升业务场景的体验，这不仅促进了AI技术的普及，还推动了业务领域的数字化转型。

■

DeepSeek-R1表明，推理模式不局限于大模型，还可以被精炼并应用到小型模型中，提升小型模型的效果。

■

随着DeepSeek的创新推动，2025年大模型能力将显著提升，AI行业的竞争也从技术之争转向了生态之争和应用之争。

■

推荐关注具备生态优势的企业，如腾讯（00700.HK）、阿里巴巴-W（09988.HK）、小米集团-W（01810.HK）等，它们在AI技术和应用生态建设方面将占据重要地位。

■

ServiceNow（NOW.N）、Salesforce（CRM），这些公司在推动AI赋能和应用层面的创新方面具有强大的竞争力，特别是在智能化企业应用上。

■

随着AI技术在各行业的深入应用，Cloudflare（NET.N）等端侧网络安全厂商的需求也会增加，因其能够提供更安全、更高效的网络支持。

■

随着推理能力的提升和AI应用的广泛普及，亚马逊（AMZN.O）、甲骨文（ORCL.N）、世纪互联（VNET.O）等云计算和数据中心厂商将受益于推理需求的增长。