---
title: "野村——DeepSeek专家电话会核心要点——模型智能之外，成本效率与生态圈重要性凸显 核心结论：在国产大模型竞争白热化的当下，单纯追求参数与榜单智能已非唯一护"
topic_id: 55521544442154554
created_at: 2026-10-20T13:06:59.952+0800
source: zsxq
type: topic
cssclasses: zsxq-vault
---

# 野村——DeepSeek专家电话会核心要点——模型智能之外，成本效率与生态圈重要性凸显 核心结论：在国产大模型竞争白热化的当下，单纯追求参数与榜单智能已非唯一护

- 序号：261
- 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/55521544442154554)
- 附件：图片 0，音频 0，文档 0
- 音频文件：_无音频_

## 图片

_无图片_

## 正文

野村——DeepSeek专家电话会核心要点——模型智能之外，成本效率与生态圈重要性凸显

核心结论：在国产大模型竞争白热化的当下，单纯追求参数与榜单智能已非唯一护城河，推理成本效率、基础设施优化以及生态分发能力正成为决定性变量。DeepSeek通过“旗舰模型探顶+Flash高性价比模型放量”的双轨策略，结合极致的推理工程优化与峰谷定价机制，构建了难以复制的成本优势；与此同时，国产AI加速芯片在大规模预训练环节仍受制于互联与软件生态碎片化，但在推理侧替代进度将显著加快。展望后市，野村认为中国LLM（大语言模型）行业的竞争维度已全面扩展，最受益的三类玩家分别是：凭借极致推理经济学占据成本曲线的DeepSeek、依托架构创新与长程复杂推理的Moonshot AI（Kimi），以及手握超级流量入口与一体化应用生态的字节跳动。

1. DeepSeek的竞争战略：以“成本性能比”为核心的双轨制

专家指出，DeepSeek当前API收入主要由V4.1 Flash与V4 Pro贡献，其中Flash模型凭借在代码、软件工程及标准化Agent任务上的优异表现与极低定价，占据了API收入的绝大部分。公司未来仍将延续“大模型先行、高效模型跟进”的范式：下一代旗舰模型参数量有望达到当前V4 Pro的1.5至2.0倍，主攻复杂推理与长程Agent任务；同时通过更大规模的后训练与强化学习，持续压低Flash系列的推理成本。更重要的是，专家强调预训练缩放（pre-training scaling）已不再是差异化的唯一来源，架构创新、后训练工程与部署优化才是控制服务成本、提升商业变现能力的关键。一款纸面智能顶尖但推理成本高昂的模型，在商业化落地层面将面临显著阻力。

2. 护城河深挖：基础设施优化与国产芯片适配的难度被低估

野村在报告中着重提示，尽管主流大模型架构已基本开源，但真正难以被复制的壁垒在于底层基建优化与长期部署经验的积累。DeepSeek的API定价（尤其是对缓存输入的高折扣）之所以能长期保持吸引力，源于其MLA缓存架构与最新的KV-cache优化技术——该技术将KV缓存的HBM占用降至前代的四分之一、SSD占用降至八分之一，大幅降低了长上下文与Agent工作负载的重复计算开销。此外，针对第三方云资源的依赖，DeepSeek推出了峰谷定价机制（非高峰时段折扣达50%），既平滑了算力波动，又锁定了对价格敏感的高用量开发者客户。专家认为，这种“工程+基建”的组合护城河，是纯算法创新难以短期逾越的。

3. 国产算力现实：推理侧替代加速，预训练侧仍依赖英伟达

专家对国产AI加速器的应用前景给出了审慎且结构化的判断：在大规模预训练场景，国产芯片仍面临互联带宽不足、通信效率低、集群稳定性差等系统性挑战；加之主流训练框架与计算内核深度绑定CUDA生态，迁移至国产平台需进行大规模代码重写与内核重开发，且国内不同芯片厂商的软件栈彼此割裂，进一步推高了适配成本与开发周期。因此，国产芯片在预训练环节的替代进度缓慢，DeepSeek目前仅将其用于适配测试与小规模训练，大规模预训练仍主要依赖英伟达GPU。但在推理侧，由于对超大规模集群互联的要求相对较低，且软件适配工作量较小，国产加速器的采用速度将明显加快。

在厂商竞争格局上，专家将华为视为国内AI加速平台的绝对领先者；第二梯队中，寒武纪凭借推理能力与企业客户采用率居前，海光信息则依托CPU+DCU架构与软件兼容性占据一席；互联网自研芯片方面，阿里平头哥在推理效率上已具备与一线厂商竞争的实力（但主要内部部署），百度昆仑芯则被归类为第二梯队。

4. 行业终局推演：从“谁更聪明”到“谁更便宜、谁生态更强”

专家明确判断，中国LLM市场的竞争在未来12-18个月将从“模型智能比拼”全面转向“成本效率+生态落地+垂直场景适配”的综合较量。在此框架下，野村梳理出三类差异化赢家：

• DeepSeek：胜在极致的推理经济学与开源社区渗透，有望成为开发者与Agent应用的“底层水电煤”；

• Moonshot AI（Kimi）：胜在架构创新与长上下文、复杂推理能力，在高端企业用户与复杂任务场景中占据心智；

• 字节跳动：虽非独立模型实验室，但凭借抖音、今日头条、TikTok等超级App的流量分发优势与一体化产品生态，能够实现模型的极速落地与数据反馈闭环，构成结构性护城河。

5. 投资启示与配置建议

对于二级市场投资者，野村认为上述趋势将加剧互联网与AI板块的内部分化：拥有自研芯片、云基础设施与海量应用场景的头部平台（如阿里巴巴、百度）将在“算力自主+模型成本可控”的循环中占据更长维度的胜势；而单纯依赖外部算力、缺乏生态闭环的独立模型公司，即便技术亮眼，其商业化路径与毛利率波动风险仍将高于市场预期。短期来看，关注国产推理芯片渗透率提升对云厂商资本开支效率的改善，以及Agent规模化部署带来的API调用量爆发，是布局下一阶段AI行情的核心线索。

## 总体总结

主题正文
1. 核心结论：在国产大模型竞争白热化的当下，单纯追求参数与榜单智能已非唯一护城河，推理成本效率、基础设施优化以及生态分发能力正成为决定性变量。
2. 展望后市，野村认为中国LLM（大语言模型）行业的竞争维度已全面扩展，最受益的三类玩家分别是：凭借极致推理经济学占据成本曲线的DeepSeek、依托架构创新与长程复杂推理的Moonshot AI（Kimi），以及手握超级流量入口与一体化应用生态的字节跳动。
3. 专家指出，DeepSeek当前API收入主要由V4.1 Flash与V4 Pro贡献，其中Flash模型凭借在代码、软件工程及标准化Agent任务上的优异表现与极低定价，占据了API收入的绝大部分。
4. DeepSeek的API定价（尤其是对缓存输入的高折扣）之所以能长期保持吸引力，源于其MLA缓存架构与最新的KV-cache优化技术——该技术将KV缓存的HBM占用降至前代的四分之一、SSD占用降至八分之一，大幅降低了长上下文与Agent工作负载的重复计算开销。
5. 此外，针对第三方云资源的依赖，DeepSeek推出了峰谷定价机制（非高峰时段折扣达50%），既平滑了算力波动，又锁定了对价格敏感的高用量开发者客户。
6. 5. 投资启示与配置建议
7. 对于二级市场投资者，野村认为上述趋势将加剧互联网与AI板块的内部分化：拥有自研芯片、云基础设施与海量应用场景的头部平台（如阿里巴巴、百度）将在“算力自主+模型成本可控”的循环中占据更长维度的胜势；
8. 短期来看，关注国产推理芯片渗透率提升对云厂商资本开支效率的改善，以及Agent规模化部署带来的API调用量爆发，是布局下一阶段AI行情的核心线索。