根据FOREXBNB的报道，中信证券在其研究报告中指出，Deepseek在降低模型训练成本方面的卓越表现，预计将激励科技巨头采取成本效益更高的方法来加速探索和研究前沿模型，并逐步接近AGI。同时，对OpenAI O1模型推理能力的复现将使众多AI应用得以实现和部署。算法训练带来的规模经济效应以及单位算力成本下降所对应的杰文斯悖论，均表明在中短期内，科技巨头在AI算力领域的持续和大规模投资仍具有高度确定性。对于未来12个月美股AI算力产业链的投资前景持乐观态度，但投资者需接受高波动性。商用GPU、ASIC、以太网、HBM、光通信等将继续成为核心关键词。
以下是中信证券的主要观点：
报告背景：Deepseek迅速走红，引发了市场对AI算法和美股AI半导体的不同看法。
1月20日，DeepSeek-R1正式发布。在性能方面：在2024年AIME测试中，Deepseek取得了72.6%和79.8%的成绩，与OpenAI o1的79.2%相当。在用户方面，DeepSeek的日活跃用户数(DAU)快速增长，Sensor Tower的数据显示Deepseek的DAU已超过千万，目前约为3000万。市场的关注点主要集中在AI算法迭代、AI资本支出方向以及后续半导体投资策略。
AI算法：
1)Scaling Law依然有效。尽管Deepseek在AI算力有限的情况下实现了极低的训练成本，但这并未包括探索、数据处理、数据与架构消融实验等系列成本。中信证券认为，硬件系统的进步和算法研发学习曲线的存在都在推动算法训练成本在相同效果下持续降低，而Deepseek的开创性工作无疑加速了行业成本下降的进程。AI算法技术路线开始多元化发展，这些都将不断刺激算力端的需求。
2)Deepseek对AI产业的突出贡献在于对OpenAI O1模型推理能力的复现。过去两年，限制AI模型在应用领域广泛落地的主要因素之一是模型复杂推理能力的不足，Deepseek R1完整开源了如何利用规则驱动的大规模强化学习，以及SFT+强化学习实现了模型推理能力的获得。
3)中信证券认为：Deepseek在模型训练成本降低方面的最佳实践将激励科技巨头采取成本效益更高的方法加速前沿模型的探索和研究，并逐步接近AGI。同时，对OpenAI O1模型推理能力的复现将使众多AI应用得以实现和部署。此外，开源对闭源的逼近&追平并不意味着算法模型的商品化，算法最终的智能水平将是决定算法、应用之间价值分配的最核心变量。AGI模型的加速研发、应用端的解锁等均意味着算力需求的持续增长。
AI算力需求总量继续保持高景气度。
1)杰文斯悖论表明，效率的提高往往会导致总体消耗增加。随着人工智能变得更加普及和高效，它有可能大幅增加对计算能力的需求。虽然更高效的模型格局在短期内意味着资本支出和数据中心建设放缓，但参考过去服务器虚拟化、云计算行业的发展，长远来看，中信证券认为：人工智能应用的潜在加速将在一定程度上抵消这些假设。
2)根据英伟达的财报数据，北美科技巨头是AI算力支出的主力，近年全球占比近50%，他们的AI策略、支出行为&结构等基本主导着全球市场的发展，过去两周，美股主要科技巨头的四季报基本披露完毕。总体而言，北美TOP 4云厂商2025的CAPEX指引明显高于市场一致预期。预计2025年四大CSP合计资本开支将继续保持30%以上的增长；2026年大概率正增长，同时结构上进一步向数据中心AI硬件倾斜。
3)结合美股TOP 4云厂商短期Capex指引和杰文斯悖论来看，中信证券认为：算法训练带来的规模报酬递增效应以及单位算力成本降低对应的杰文斯悖论等均意味着在中短期内，科技巨头继续在AI算力领域进行持续、规模投入将是高确定性事件。
算力结构潜在变化：
1)在LLM模型时代，算力负载从训练向推理端的迁移并不意味着计算芯片门槛的大幅降低，面对复杂、多元的推理端场景需求，需要在单芯片算力、内存容量、内存带宽、互联带宽、I/O带宽、灵活性等多个指标上面不断谋求平衡，这就意味着：商用GPU仍将是市场的首选，高端ASIC则将是有效的补充。
2)网络存储等重要性亦在持续提升。AI算力投入（数据中心、端侧AI等），将对HBM、大宗DRAM等构成持续的拉动，同时亦将拉动企业端存储设备的需求，AI网络持续scale up、scale out，以及前端网络升级等将是未来数年数据中心网络设备、接口芯片&模块主要成长性的来源。产业核心关键词包括：以太网、光连接、HBM、Retimer等
风险因素：
AI核心技术发展不及预期风险、科技领域政策监管持续收紧风险、私有数据相关的政策监管风险、全球宏观经济复苏不及预期风险、宏观经济波动导致欧美企业IT支出（尤其是AI支出）不及预期风险、AI潜在伦理、道德、用户隐私风险、企业数据泄露、信息安全风险、行业竞争持续加剧风险等。
