华泰证券认为，DeepSeek通过优化推理成本，有望推动LLM商业化应用加速。基于此，看好推理需求释放带动IaaS服务商稼动率提升，云厂商有望受益。其次，考虑到R1带来模型能力提升的同时又可实现低成本部署，有望带动AI应用加速渗透。最后，尽管目前DeepEP仍需要在Hopper+CUDA+NVLink的框架下实现，但中长期来看，随着国产卡的适配跟进，技术有望向更多国产生态迁移，国产AI算力板块有望迎来成长机遇。
全文如下华泰 | 计算机：DeepSeek - EP降本，关注应用与算力
2025年3月1日，DeepSeek发布《One More Thing, DeepSeek-V3/R1 Inference System Overview》，其中提到通过大模型跨节点专家并行，DeepSeek实现了$87,072/天的低成本推理，有效算力得到显著提升。我们认为，随着国产算力硬件逐步适配DeepEP体系，DeepSeek模型或通过性价比优势带动推理需求释放，国产算力有望加速成长。
核心观点
核心亮点：推理成本大幅降低，理想状态下15%付费率即可盈亏平衡
据DeepSeek，V3和R1推理服务占用节点总和，峰值占用为278个节点，平均占用226.75个节点，DeepSeek假定GPU租赁成本为2美金/小时，总成本为$87,072/天。此外，在2025/02/27 12:00 PM至2025/02/28 12:00 PM，V3和R1模型推理消耗Token 776B（输入608B+输出168B），平均每百万Token处理成本为0.11美元。DeepSeek假设如果所有Tokens全部按照DeepSeekR1的定价计算，理论上一天的总收入为$562,027，成本利润率545%。但考虑到目前DeepSeek仅通过API收费，故我们测算若按照R1收费定价，付费Token占总Token的15%即可实现推理过程的盈亏平衡。
核心技术：通过EP实现更高的吞吐量和更低的延迟
DeepSeek-V3 / R1 推理系统的优化目标是：更大的吞吐，更低的延迟。为了实现这两个目标，DeepSeek的方案是使用大规模跨节点专家并行（Expert Parallelism/EP），并开源了DeepEP代码。具体来看，核心能力包括：1）大规模跨节点专家并行：采用了预填充-解码分解架构，不同阶段同时进行多个专家并行计算；2）计算/通信重叠：将GPU中的SM（流多处理器）划分为计算、通信两部分，各自同时执行相应工作负载，减少延迟等待时间；3）负载平衡：通过预填充负载平衡、解码负载平衡、专家并行负载平衡，尽可能地为每个 GPU 分配均衡的计算负载、通信负载。
核心原因：推理定价/成本的差异或为外部算力供应受限的结果
对比来看，海外模型如OpenAI o3-mini在推理定价方面较DeepSeek更贵，如每百万Token输入的价格为$0.55（缓存命中），而R1为$0.14。我们认为，API定价的差异或有相当一部分来自于推理成本的差异，DeepSeek或凭借EP等更极致的软硬件优化，实现推理成本的节省。我们认为，这一现象的背后，反映的是国内外算力供应以及产业方向的差异。国内大模型厂商在算力供给受限的背景下，通过技术优化的方式不断压榨硬件性能，在有限的算力下实现最优的模型效果。基于此，我们认为，国内模型有望凭借性价比优势，带动下游商业化应用，实现全球市场的份额提升。
核心受益：DeepEP开源有望释放推理需求，关注应用与算力
我们认为，DeepSeek通过优化推理成本，有望推动LLM商业化应用加速。基于此，我们看好推理需求释放带动IaaS服务商稼动率提升，云厂商有望受益。其次，考虑到R1带来模型能力提升的同时又可实现低成本部署，有望带动AI应用加速渗透。最后，尽管目前DeepEP仍需要在Hopper+CUDA+NVLink的框架下实现，但中长期来看，随着国产卡的适配跟进，技术有望向更多国产生态迁移，国产AI算力板块有望迎来成长机遇。
风险提示：AI技术迭代不及预期；AI商业化不及预期；本报告基于客观信息整理，不构成投资建议。
