大模型持续迭代 算力需求不升反降

 近期，深度求索(DeepSeek)发布第二代开源模型。其创新的模型结构，引发了市场对于算力需求究竞将如何演进的广泛讨论。公司在模型架构侧的创新表观上实现了推理时大幅降低KV Cache 访存开销且不增加额外计算量，看似对硬件有“降规"指引，但是，更低的推理成本会在中长期维度激发更多需求，反哺算力硬件市场增长。同时，大模型厂商推理环节的盈利能力正逐步改善，算力硬件需求持续性较高。

MLA 创新架构使推理任务中占用的KV Cache 大幅降低

提高硬件利用效率。在主流Transformer 网络结构中，多头注意力机制Muli-HeadAttenion(MHA)是重要的织成部分。为了大幅简化无效重复计算，一般采用缓存MHA 中Key 和Value 的方法(KV Cache)米优化推理任务效率。但随着输入上下文窗口长度的增加，传统MHA 中的KV Cache 数据量会大幅增长，给推理任务访存制造了瓶颈。DeepSeek-V2 模型通过引入Multi-Head Lalent Altenion(MLA)将KV 矩阵乐缩到潜在空间米大幅降低所需缓存的数据量，且并不引入额外计算开销，巧妙的降低了推理成本，但在训练端，MLA结构会引入额外计算。针对优化训练成本和效率的问题，DeepSeek-V2 则是在前馈网络中引入并改进了MoE 架构。

大模型厂商推理环节的盈利能力正向改善，驱动生成式A商业闭环落地

针对推理环节，虽然大模型厂商AP!的收费标准有所下降，但算力硬件表现提升(TCO 的下降)叠加算法工程优化正同步发生，根据我们测算，大模型厂商在推理侧的盈利能力整体显现正向改善的趋势。展望未来，考虑到前期训练硬件基础设施相对海量的前置成本，大模型厂商AP!收费标准下调空间有限，伴随着硬件侧算力的提升以及HBM 的持续迭代，以及工程优化手段不断涌现，大模型厂商盈利能力有望逐步转正，进一步推动生成式A| 产业实现商业闭环，反哺算力硬件需求。