2025年计算机行业专题分析：三大要素齐发力，AI应用步入全面加速期

1. 要素一：逻辑推理能力提升

1.1. o1 开启逻辑推理能力提升的新路径

纵观本轮人工智能在大语言模型方向上取得的成就，就是因为发现了 Transformer 符合 Scaling Laws，通过增加模型参数、训练数据和算力，保持系统能力的增长，甚至在规模达到 一定程度，模型能力会得到指数级的提升，也就是涌现。 而随着算力规模指数级的增长，训练数据枯竭，合成数据也未能取得理想的效果，在预 训练方向的 Scaling Laws 面临发展瓶颈。2024 年 11 月 10 日，根据 The Information 报 道，OpenAI 的下一代旗舰模型 Orion 可能不会像前面几代产品那样带来巨大的飞跃。Orion 性能虽然超过了 OpenAI 现有的模型，但是面临了新训练数据匮乏的瓶颈。OpenAI 意图通过 合成数据进行 Orion 的训练，但是合成数据可能会导致 Orion 在某些方面与那些旧模型相似。 此前科学界对于 LLM 的技术路线能否在提高语言能力的同时，高效提高逻辑能力和推理 能力存在较大质疑。 2024 年 6 月 19 日，美国麻省理工学院在 Nature 发表了论文《语言主 要是一种交流的工具，而不是一种思考的工具》（Language is primarily a tool for communication rather than thought），论文中证明了负责语言的神经和负债思维的神经在人 脑中是分离的。可以看到在 OpenAI 的 o1 发布以前，大模型的在语言能力构建上取得了突 破，已经表现得比较出色，但是在推理和逻辑能力方面的表现仍较人类有极大的差距。

2024 年 9 月，作为 AI 发展风向标的 OpenAI 发布了 o1，提升了大模型解决科学、编 码、数学和类似领域的复杂问题。因而 o1 对于 LLM 实现 AGI 具有重要的意义，是 OpenAI 在模型能力提升上更为重要的突破。

1.2. DeepSeek 首次公开验证了强化学习对于大模型推理能力提升的有效性

DeepSeek 使用 DeepSeek-V3-Base 作为基础模型，通过强化学习（RL）训练出了 DeepSeek-R1-Zero，进而具备了较强的推理能力，其 AIME 2024 得分从 15.6%提升到了 71.0%。DeepSeek-R1-Zero 首次公开验证了大模型的推理能力可以通过强化学习来完成训 练，而不需要监督微调，为后续大模型推理能力的提升找到了可靠的路径。

但是 R1-Zero 具有可读性差和语言混合等问题需要解决，于是 DeepSeek 又在 R1-Zero 训练方法的基础上加入了多阶段的训练，包括在强化学习之前使用数千高质量思维链（CoT） 冷启动数据来微调 DeepSeek-V3-Base 模型，接下来执行与 DeepSeek-R1-Zero 相同的面向 推理的强化学习，再对精心挑选的示例数据进行监督微调（SFT），再进行强化学习，从而让 新得到的 DeepSeek-R1 具有了更好的语言可读性和连贯性，在推理之外的测试中实现了更好 的性能。

为了能够将推理能力迁移到不适合 MoE 架构的场景，DeepSeek 还用 DeepSeek-R1 对 Llama 和 Qwen 系列开源大模型进行了蒸馏，并得到了 6 个小模型，也很好地提高了模型的 推理能力。

纯强化学习的训练方式为模型创造出了超越传统人类思维上限的可能性。R1-Zero 在强 化学习训练过程中，自主掌握了通过增加思考时间来解决复杂推理任务的能力，具有自我评 估、自我反思、生成超长思维链（CoT）等复杂思维能力。随着训练迭代步数的提升， DeepSeek-R1-Zero 的 AIME 精度持续提升，同时其思考的时间也在增加，展现出了自我进化 的能力。与监督微调通过给模型大量人类标注数据进行学习不同，在强化学习中，模型通过自我学习和获得奖励的方式，完成自主的学习。因而我们看到强化学习具有几大优点：（1）不 依赖于先验知识，模型自我学习的过程中或能涌现出超越人类思维上限的推理能力；（2）无 需标注数据，监督微调需要的人工标注数据往往需要耗费较长的时间周期和较高的成本，还容 易因为标记者喜好产生训练偏差。

2. 要素二：推理成本下降

2.1. DeepSeek 开启低成本路线

在 2024 年 5 月推出的 DeepSeek-V2 中，DeepSeek 就已经显示出了高性价比优势，被 誉为大模型领域的“拼多多”，后续 DeepSeek 又将这一优势延续到了 V3 和 R1 等产品中。

2024 年 12 月发布的 DeepSeek-V3 在性能上看齐了 GPT-4o，同时模型训练成本仅为其 1/20。2025 年 1 月发布的 DeepSeek-R1，又在性能上看齐了 o1，同时 API 调用成本仅为其 1/30。

2.2. DeepSeek 算力节省的关键点

DeepSeek-R1 的模型架构主要来自于 DeepSeek-V3，DeepSeek-V3 的模型架构中减少 算力消耗的两个关键点包括： （1）多头潜注意力机制（MLA，对传统多头注意力机制的改进）：大概贡献了 2-4 倍的 计算效率提升，该技术首次在 DeepSeek-V2 中引入。传统的多头注意力的键值缓存（KV Cache）较大，DeepSeek 通过将低秩近似方法引入键值缓存压缩中，从而提升了计算效率。

（2）DeepSeek MoE 架构（对传统 MoE 架构的改进）：大概贡献了 4 倍以上的计算效 率提升。DeepSeek-V3 是一个混合专家语言模型（MoE），由于 MoE 架构模型的每个输入 数据只选择激活其中一部分专家模型，因而可以减少计算量，提高训练和推理的速度。

DeepSeek-V3 具有 6710 亿参数，其中每个 Token 的计算约激活 370 亿参数。相比于 传统 MoE 模型，DeepSeek 使用专家数量大幅提升，并通过无辅助损失的负载平衡策略提高 训练的稳定性，从而实现了更高的训练效率。

DeepSeek-V3 的训练基于其自研的 HAI-LLM 框架。在模型架构之外，DeepSeek 的训练 架构上展现出了软硬协同优化能力，这成为了他们超越国内其他大模型团队的关键，这其中核 心优势包括了：

（1）FP8 混合精度训练框架：通常在大模型训练中会选用 BF16 或 FP32 / TF32 精度进 行数据计算和存储，FP8 虽然可以提升计算速度和降低存储需求，但是由于计算精度不高， 容易损失数据信息。为此，DeepSeek 结合自身在 GPU 硬件架构和训练误差方面强大的整合 分析能力，专门设计出了针对 FP8 的训练框架体系，将大多数计算密集型操作在 FP8 中进 行，而一些关键操作则保持了原有数据格式，兼顾了训练效率和稳定性。DeepSeek 也成为 了首个成功使用 FP8 混合精度训练超大规模大模型的公司。

（2）DualPipe 算法：实现高效的流水线并行，并通过计算和通信的重叠，隐藏了大模 型训练中的大部分通信开销，规避了单个服务器中 8 个 GPU 共享一个 IB NIC 流水线并行期 间出现的网络带宽竞争。从下图中可以看到，在代表着 8 个 GPU 的流水线并行中，在不同任 务的穿插计算中，白色的气泡时间都得到了极大的压缩。

（3）跨节点 All-to-All 通信内核：使用 PTX 编程，充分利用了节点间互联 （InfiniBand）和 NVLink 带宽。对显存分配进行了优化，无需使用昂贵的张量并行（TP）就 可以完成训练。

2.3. 两大模型训练路径

从目前大模型能力构建路径来看，大致可以分为两类：

（1）通过精细化模型和软硬件结合的训练构架的构建，实现在较低的算力消耗基础上的 模型能力建设。DeepSeek 在这个方向上展现出超强的能力和开创性，也很好契合我国目前 GPU 被卡脖子的现状和 AI 应用推广的实际需要。

在业届关注 DeepSeek 的同时，阿里也在 3 月 6 日开源了 QwQ-32B，性能对标 DeepSeek-R1 的同时，实现了中等模型的能力对标，仅需消费级显卡就可以实现推理需求。

（2）通过大算力投入，带动整体模型能力的提升。这一方法面临 Scaling out 的质疑，但 是从 xAI 发布的 Grok3 推理能力赶超 DeepSeek-R1 来看，堆算力的方式目前暂时有效。在用 122 天构建出 10 万 GPU 数据中心 Colossus 以后，xAI 又用 92 天将其扩建至 20 万卡，并在 这一硬件基础上完成了对 Grok3 的训练，累计训练时长达到 2 亿 GPU 小时，是 Grok2 的十 倍。

但可以预见的是，无论从经济性上来说，还是从能源消耗等因素来看，简单依靠大力出奇 迹的发展路径的瓶颈都显而易见。而 DeepSeek 所处的精细化处理的发展路径，给后续大模 型应用推广和能力进一步提升，都创造了更多发展空间。

2.4. DeepSeek 运营成本及相关数据测算

根据 DeepSeek 在 3 月 1 日发布的《DeepSeek-V3 / R1 推理系统概览》中“线上系统 的实际统计数据”的相关数据，我们对 DeepSeek 的实际推理成本做了进一步的测算。

当前 DeepSeek 用 278 台 H800 服务器提供推理服务，对应的 GPU 数量为 2224 张。由 于 DeepSeek 在夜间的需求较少，其减少了推理节点，用剩余算力满足自身的研究和训练， 平均占用 GPU 数量为 1814 张，这个数量是远低于市场预期的。 可以看到大约在每日 9 点到 24 点时段，所有节点提供推理服务，低谷阶段仍有约 1/4 的 节点提供推理。

按照理论测算，DeepSeek 会有日均 47.5 万美元的利润，对应的毛利率高达 84.5%，但 实际利润会少于理论值，对比在理论收入测算中与实际收入的差距主要包括： （1）DeepSeek 目前提供了网页、APP 和 API 推理服务，由于网页和 APP 提供免费服 务，DeepSeek 实际只能通过 API 获得收入。 （2）DeepSeek 的收入是以 R1 价格进行的计算，而 V3 的价格低于 R1。

（3）DeepSeek 在夜间提供了折扣，会降低夜间收入价格。 2024 年 10 月媒体 The Information 的报道，根据其获得的 OpenAI 公司财务文件显示， 预计从 2023 年到 2028 年，OpenAI 将蒙受 440 亿美元的损失，其中 2024 年将损失 50 亿美 元，到 2026 年年度损失可能高达 140 亿美元，到 2029 年 OpenAI 或才能扭亏为盈。对比来 看，DeepSeek 凭借强大的成本控制能力，已经可以实现 MaaS 服务盈利，同时实现如此高的理 论毛利率，都是超出市场预期的。

由于 DeepSeek 的推理成本取决于当前时段其用于提供推理服务的节点数，用户使用习 惯会影响服务需求的波动。如在 12 点左右和 18 点左右的用餐时段，DeepSeek 服务需求会 有阶段性下降，从而影响了推理节点的利用率。因而对于规模体量更大的 MaaS 供应商来 说，可以有更多不同类型客户来平抑掉推理服务的波动。比如 C 端用户通过手机等终端的 AI 服务接入后，在用餐时段或将产生更多的服务需求。

3. 要素三：开源阵营的性能超越

3.1. 开源大模型阵营首次在先进性上超越了闭源阵营

主流大模型厂商在开源方面路线可以分为三类：

（1）闭源路线为主的厂商： OpenAI：在从开源走向闭源的过程中，GPT-1 开源到了技术细节，GPT-2 开源仅为源代 码，GPT-3 仅有公开的论文，到了 GPT-4 以后 OpenAI 甚至连模型参数都不再对外公布。 除此以外，Anthropic、腾讯、华为目前也都可以算作这一阵列。

（2）开源落后模型或者轻量模型的厂商： xAI：xAI 开源了 Grok-1，但是 Grok-2 和 Grok-3 都还没有进行开源，xAI 表示将会在 Grok-3 达到一般可用性后开源。这意味着 xAI 的开源节奏将会在发布新模型后才进行上一代 模型的开源，整体模型能力也将落后于目前主流闭源模型的水平。 谷歌：作为 AI 领域的老牌厂商，谷歌在 2024 年 2 月和 6 月分别推出了开源模型 Gemma 和 Gemma 2 系列模型，主要是一些轻量型模型，但与此同时谷歌最强的模型为闭源 的 Gemmi 系列。 虽然有开源，但是这类厂商对开源大模型总体贡献有限。

（3）坚定的开源路线厂商，给开源社区带来了较大贡献： Meta：作为此前开源大模型领域的标杆，Meta 开源了 Llama 1、Llama 2、Llama 3、 Llama3.1 系列模型，同时在模型能力上比肩 GPT-4o，包含模型最大参数达到了 4050 亿。 阿里：是国内首个加入大模型开源行业的大型科技企业，阿里也在陆续进行了 Qwen、 Qwen 1.5、Qwen 2、Qwen 2.5、QwQ 等系列大模型的发布，产品尺寸涉及了从 5 亿到 1100 亿等多个参数大小尺寸，且模型效果始终在开源届处于较为领先的地位，在 R1 之前开源大模 型能力上比肩 GPT-4o 和 o1-preview，最新模型能力对标 o1，且仅有 32B 参数。 DeepSeek：从 2023 年 11 月的首个大语言模型就积极拥抱了开源路线，其中重要的版 本包括了 DeepSeek LLM 67B、DeepSeek-MoE、DeepSeek-V2、DeepSeek-V2.5、 DeepSeek-V3、DeepSeek-R1，R1 在模型能力上比肩了当前最先进的闭源模型，同时在成 本方面优势明显。 通过梳理开源阵营和开源大模型发布的时间线，我们可以看到 DeepSeek 的 R1 和 V3 模 型开源的意义表现在不光追平了最先进的闭源模型的能力，同时在成本上形成了明显的优 势，代表了更先进的模型发展方向，所以结合两个维度来看，意味着开源大模型在先进性上首次超越了闭源大模型。

3.2. DeepSeek 开源条款更加开放，有利推动模型的推广和应用

Meta：其在 2023 年 2 月推出 Llama-1 的时候仅可用于研究，而不能进行商用，到 2023 年 7 月推出的 Llama-2 才进一步开放到可以进行商用，2024 年 7 月推出的 Llama-3.1 中， Meta 进一步允许使用其模型的输出来改进其他模型。Llama 在模型的使用上仍需遵守特定的 许可条款，如月活用户超 7 亿需额外申请许可（涉及被许可人的关联方），同时其受加利福 尼亚州法律管辖，加利福尼亚法院具司法管辖权，或影响受贸易制裁的企业的使用。 阿里：以 Qwen2.5 为例，在 2024 年 9 月发布的 7 个不同体量的基础模型中，主要都是 遵守 Apache2.0，其中规模最大的 720 亿参数模型为 Qwen 许可，30 亿模型为 Qwen Research 许可。以 Qwen 许可为例，允许商用但需要标注通义千问的贡献，要求当产品拥有 超过 1 亿的月活跃用户需要向阿里云申请许可证，同时规定了模型复制、分发、利用产生的 争议适用于中国法律，杭州法院具司法管辖权。阿里在 R1 后开源的 QwQ-32B 选择了 Apache2.0，或是受到 DeepSeek 的压力，表现得更为开放了。 DeepSeek：DeepSeek 使用 MIT 协议，可以商用，且未规定用户特定的许可条款，未规 定法律管辖相关条款。MIT 与 Apache 同属于较宽松的开源协议，但是 Apache 要求在衍生作 品中包含原始许可证、版权声明和贡献者声明等，MIT 协议则更加简单宽松。

通过以上对比来看，DeepSeek 在开源协议上保持了更加开放的精神，对于大型企业更加 友好，对于全球被许可人来说，也可以避免受到国际政治及法律变化的影响。 在 Deep-R1 和 DeepSeek-V3 发布以后，海内外云厂商都快速接入了 DeepSeek 的模型 并提供 MaaS 服务，省去了开发者买卡、装驱动、配网络、配存储、装环境、装框架、下载 模型等繁琐步骤。同时，包括昇腾、昆仑芯、寒武纪、飞腾、海光在内的国产芯片也都对 DeepSeek 进行了适配，加速了国产替代进程。下游的软件厂商也都快速接入了 DeepSeek， 加速了在大模型的应用落地，也可以很好地满足更多私有化的行业需求。

对比手机操作系统来看，安卓通过开源策略成为了除苹果以外的众多手机厂商的首选。 根据 Canalys 数据，从 2024 年全球智能手机出货量市场来看，安卓占据了约 78%的市场份 额，也极大地降低了手机厂商和应用厂商发展的门槛，促进了手机生态的成熟。因而，业界也 对大模型开源生态的发展给与积极的响应。

在闭源生态发展的过程中，由于中国企业上云（特别是公有云）比例远低于海外，AI 的B 端应用推广也因此受限。而随着最强大模型的开源，国内大模型的发展也将加速展开。

3.3. DeepSeek 将核心代码悉数开源，极大地促进了 AI 技术的发展

传统软件开源的定义中，关注点在于源代码的公开可获取，来自全世界的开发者可以很容 易地为软件提供贡献。而对于大模型来说，涉及到的核心要素包括了模型架构、用于模型训练 的代码、模型参数、用于训练的技术和方法、标记训练数据的程序、支持库以及用于模型训练 的数据等等。 正是因为认识到了传统软件开源与模型开源的差异，2024 年 10 月 28 日，开放代码促进 会（OSI）发布了其开源 AI 定义 1.0 版。根据这一定义，开源 AI 模型必须提供足够的信息， 使任何人都能够实质性地重建该模型，其中要点包括： （1）模型参数：包括模型的权重和配置，需提供向应用的访问权限； （2）模型代码：需要公开用于训练和运行 AI 的完整源代码，展示数据处理和训练的规 范； （3）训练数据：训练数据的来源、处理方式以及获取或许可的方式。 同时 OSAID 还规定，开发者应享有使用、修改和共享模型的自由，而无需获得他人许 可。由于 OSI 的定义较为严格，Llama 和 Gemma 等主流大模型都不符合开源大模型的定 义，但是 OSAID 给出了度量开源大模型开放程度的理想化方向。

在 DeepSeek R1 的开源仓库中，包括了配置文件、模型代码、模型参数、文档说明、模 型卡片、模型许可证等，是典型的大模型开源仓库。同时 DeepSeek 还一并发布了详细记载 R1 训练过程的论文，一同开源的还包括了 DeepSeek-R1-zero 和 6 个蒸馏的小模型。 2025 年 2 月 24 日，DeepSeek 拉开了 “Open Source Week” 的帷幕，一场为期 6 天的代码库开源活动就此展开。从芯片级优化到系统级设计，从算法到工程实现，DeepSeek 通过破译英伟达后台指令，并巧妙地使用，极致优化了算法性能。在此次活动中，DeepSeek 将其在节省算力和高效运算方面的核心技术毫无保留地进行了共享，MLA、EP 专家并行、矩 阵乘法、流水线并行优化算法 DualPipe、负载均衡器 EPLB、文件处理系统 3FS 的核心代码 悉数开源，在全球范围内引起了广泛的关注和强烈的反响，其开源的诚意也赢得了全世界的赞 誉与认可。

在开源代码库源码以后，DeepSeek 还在 3 月 1 日对外发布了《DeepSeek-V3 / R1 推理 系统概览》，其中最值得关注的部分是 DeepSeek 披露的“线上系统的实际统计数据”，揭 示了原厂在性能优化后提供 DeepSeek MaaS 服务的真实盈利水平。DeepSeek 高达 85%的 理论毛利率水平，将成为 MaaS 服务的效率标杆，同时将吸引跟多厂商加大在 DeepSeek 相 关服务的投入。 通过 DeepSeek 的测算，其每节点（8 张 H800 的 AI 服务器）的平均吞吐输出为 8575 Tokens/s，而英伟达在 2 月 25 日公布的 8 张 H200 和 B200 节点的 R1 推理吞吐分别为 5899 Tokens/s 和 21088 Tokens/s。这意味着 DeepSeek 通过这套算法优化，在显存（80GB vs 141GB）和带宽（2TB/s vs 4.8TB/s）都远不及 H200 的情况下，实现了 151%的性能超越。

同时，考虑到 DeepSeek 可以通过低成本取得大厂闭源系统同等水平的大模型，那么 DeepSeek 也可以在前期实现更加纯粹的和具有可持续性的开源、开放，从而加速建立出一个 庞大 AI 开源生态体系，也借助这样的开源实现群策群力，更快地走向 AGI。 此外，DeepSeek 的开源，也极大地刺激了大模型厂商的开源力度。百度宣布了将在 6 月 30 日开源文心大模型 4.5；OpenAI 也宣布 GPT-5 将对 ChatGPT 免费用户无限量开放，同时 也在考虑加大开源策略；连一向低调的火山引擎也开源了“大模型应用实验室”，加速 AI 应 用的开发。

4. AI 产业发展趋势的预判

随着 o1 这类推理模型的出现，我们看到大模型开发范式也发生了根本性的变化。以往模 型的算力主要集中在预训练（Pre-training）阶段，而未来模型在后训练（Post-training）阶段 消耗的算力进一步加大，同时由于模型在推理阶段需要进行更长时间的思考过程，单次推理耗 费的算力也进一步增长。 应用爆发期，B 端 AI 应用成为了企业应对科技变革冲击的重要手段，也将给原来的行业 软件服务商带来部署的机会。同时，如同医疗、政务等领域的 AI 落地，Manus 的突然火爆， AI 效能改变已经成为了市场的共鸣，相关爆款应用也会成为了资金的关注点。同时，腾讯、 阿里、字节、小米等科技大厂也在加速 AI 投入，完成向下个时代的布局。 虽然大模型推理成本在下降，但是由此带来的应用爆发有望带来更多的应用需求，成为下 一阶段拉动算力增长的主要驱动力。从模型的单次调用，到 Manus 类型的 Agent 通过一系列 调用产生结果，将带来服务的请求密度几何倍增长；从 App 的搜索提问辅助工作生活，到手 机终端一类的应用落地形成日常调用，模型调用需求将在种类和频次上获得极大的提升。 从 DeepSeek、QwQ 到 Manus，从宇视科技出圈到智能驾驶的全面推广，2025 年中国科技圈亮点频现，正在完成一个从量变到质变的过程。考虑到中国有互联网应用的领先优势、 在数据端的长期积累和庞大的工程师团队，在底层模型能力实现突破以后，我们在 AI 应用的 发展有望实现全球领先。

5. 河南借助智算带动人工智能应用发展

2024 年 11 月 14 日河南省出台了《河南省算力基础设施发展规划（2024—2026 年）》，并提出了在 2026 年全省算力规模超过 120EFlops、智算规模达到 100EFlops 以上 的发展目标，同时规划智算、超算等高性能算力占比超过 90%。对比全国来看，河南目前不 论总算力、智算算力、智算占比目标都名列前茅，也意图将算力和人工智能作为新质生产力来 带动河南的发展。

在 DeepSeek-R1 发布以后，河南省本地数据中心也在加快接入 DeepSeek 的相关模 型。鹤壁市城乡一体化示范区的京东云（中原）算力中心在 2 月 7 日上线了 DeepSeek 模型 部署和推理服务，成为河南省第一个提供该服务的城市级算力中心，河南空港智算中心也在 2 月 8 日接入全量级 DeepSeek-R1 和多模态 DeepSeek-Janus-Pro 模型。

编辑：火腿肠