主要观点总结
本文讨论了模型应用、算力、国产芯片及模型发展等内容。指出模型推理生意与云计算相似，国内模型在云上做推理不经济，需要降低单次推理成本。Deepseek降低了训练成本，但推理算力成本降低不明显。国产芯片存在产能、良率和性价比等问题，但逐步得到互联网公司的广泛测试适配。国产模型发展需关注算力、数据、团队和商业化。Deepseek模型关注度提升，V3版本模型训练效率较高。文中强调了数据的重要性，并提醒投资者本文内容仅供学习交流，不构成任何投资建议。
关键观点总结
关键观点1: 模型应用与推理需求
指出模型推理生意与云计算相似，国产芯片适配推理需求问题不大，但稳定性相对较弱。国内模型在云上做推理不经济，需要降低单次推理成本。
关键观点2: Deepseek训练与推理成本
Deepseek降低了训练成本，但推理算力成本降低不明显。未来国内模型厂商需要蒸馏大模型成小模型以降低成本。
关键观点3: 国产芯片的发展与问题
国产芯片存在产能、良率和性价比等问题，但互联网公司正在广泛测试适配。政府支持国产芯片的发展。
关键观点4: 国产模型的发展趋势
国产模型发展需关注算力、数据、团队和商业化。训练需求大于推理需求，国产卡推理为主，文本、图片、语音和视觉同步开发。
关键观点5: Deepseek模型的发展与市场关注度
Deepseek模型市场关注度提升，V3版本使用更高的效率进行模型训练。强调数据的重要性，并提醒投资者本文不构成任何投资建议。
文章预览
25年是模型应用落地大年 25年年底推理所用算力才能赶上训练使用的算力 国产算力芯片跟进需要时间，但是目前国产芯片适配推理需求问题不大，只不过目前稳定性相对弱一些 模型推理的生意比较像云计算，云计算规模上来可以跟上游服务器压价；模型推理也是重资产投入， Deepseek 的官网价格可能没有利润， 国内模型在云上做推理一直不经济，模型能力弱，价格非常低，赚不到钱，对模型蒸馏能力有要求，不能提供特别大的模型，降低单次推理成本，模型参数越少，推理成本越低 Deepseek大幅降低了训练成本，但是推理算力成本降低不明显； 未来国内模型厂商需要蒸馏，把600B模型调优到300B上线运行，把大模型蒸馏成小模型有成本 国产芯片：存在产能，良率和性价比各种各样问题，历史上毫无性价比；现在互联网公司广泛测试适配，选择好的使用
………………………………
