大家好，我是吾鳴。
今天吾鳴要给大家分享的是一份DeepSeek报告，来自浙江大学的公开课，解读的是DeepSeek模型的优势，分别从算力、成本角度对DeepSeek进行解读，大家是否也很好奇，为何DeepSeek突然就火了，它的优势是什么，这份报告将会解答你的疑惑。报告一共23页PPT，文末附上完整版下载地址。
内容摘要
- 引言与背景
介绍讲座主题（从算力与成本角度分析DeepSeek模型优势）、作者信息及时间背景（浙江大学，2025年2月）。 - 算力基础与发展
-
- 概念：算力定义为信息计算、存储与传输能力的综合。
- 历史演进：从大脑、草绳算力工具到现代计算机，对比原生算力与外部工具的特点。
- 计算机算力阶段：大型机、PC、云计算、AI时代的算力需求变化，AI时代算力不足成为核心挑战。
- AI大模型算力与成本分析
-
- 算力需求：基于OpenAI的扩展法则，提出万亿参数模型的计算量估算（如计算次数达(10^{25})量级）。
- 硬件成本对比：对比华为910B与英伟达H800的算力、显存、成本等指标，分析训练万亿模型的资源需求（如1000张H800需174天，成本2.5亿）。
- 大模型扩展法则（Scaling Law）
总结算力、数据集、参数量与模型效果的正相关关系，强调资本偏好确定性扩展规律（如“算力越大，效果越好”）。 - 国内外AI生态对比
-
- OpenAI模式：依赖融资、采购GPU、训练大模型、提供服务的循环，但盈利困难。
- 中国挑战：美国对AI芯片、光刻机、HBM存储等领域的出口限制，导致国内算力差距。
- 国内策略：通过算法优化（如MoE、MLA）和系统创新（自研框架、FP8训练）弥补算力短板。
- DeepSeek模型核心技术
-
- DeepSeekMoE：混合专家架构（1共享+256路由专家），降低激活参数至5.5%，显著减少计算量。
- MLA（低秩压缩） ：减少KV缓存93.3%，提升推理效率。
- 系统优化：自研轻量级框架DualPipe、PTX指令级优化、通信与计算重叠技术，突破CUDA生态限制。
- 国内模型现状与未来展望
-
- 现状：DeepSeek V3以低成本（557万美元）接近国际模型性能，但算力受限下追赶难度增加。
- 展望：呼吁突破工艺卡脖子（如中芯国际、华为），结合“战术穿插”（算法优化）与“火力覆盖”（算力提升），实现AI领域自主竞争力。
- 结语
强调讲座的科普性质，对不严谨之处致歉，并表达对中国AI工业化能力的信心。
精彩内容
报告无套路下载地址：kdocs.cn/l/ci1DfElGC…
