兆豐研究部：DeepSeek 將推升AI普及率 有望刺激 dGPU AI PC需求

兆豐研究部針對DeepSeek對AI硬體產業潛在影響評論表示，DeepSeek模型成本大幅下降，將推升AI普及率，刺激AI新應用及加速邊緣裝置AI應用普及，推升AI晶片包含GPU及ASIC總需求，並有望刺激dGPU AI PC需求。

兆豐研究部指出：

一、DeepSeek以Qwen和Llama 架構蒸餾模型，使訓練模型耗用資源大幅下降，但仍符合規模擴展定律（Scaling Law），以DeepSeek R1-Qwen蒸餾模型比較，性能32B>14B>7B>1.5B。模型參數越大，性能越強，而參數量越大仍需越大計算力及晶片需求。

二、對於晶片硬體需求影響：同步推升GPU及ASIC需求

1.雖然訓練所需算力資源有潛在降低可能性，訓練端AI晶片以GPU為主流，恐將導致NVIDIA既有產品線NVL 8潛在需求受限。

2.預期由AI終端應用遍地開花將推升推論需求，進一步推升AI晶片需求。訓練模型需要大集群、機櫃互聯（inter-rack），而推論需求相較於訓練更需要局部強互聯、超節點（機櫃內互聯intra-rack）。推論需求攀升，將同步推升GPU及ASIC晶片需求。

3.NVIDIA積極設計推展超節點大機櫃，將大幅降低推論成本，產品線設計包含NVL 72、NVL 144、NVL 288等，GB200/300 NVL72將於2025年陸續放量，NVL 144/ NVL 288有望於2026年推出。

4.CSP ASIC晶片需求預期將隨落地應用推展而加速成長，然仍無法完全取代CSP對於NVIDIA GPU需求。雖然ASIC有效降低晶片成本，然前期晶片開發周期長，惟無法彈性因應AI演算法日新月異變動，並且ASIC系統級設計能力尚無法達到NVIDIA因應推論需求發展的超節點大機櫃相同水準。

三、對於硬體下游影響：加速邊緣裝置AI應用普及，NPU需求轉向dGPU獨顯

AI訓練成本跟時間大幅下降，推論輸出tokens定價大幅下降，對於講求成本效益及資源有限的團隊有利，有望加速迎來各行各業加速導入AI多種新應用場景。

DeepSeek主體和蒸餾多個開源模型，模型大小最小1.5B，最大70B。PC作為主要生產力工具，DeepSeek多款開源模型發布將刺激獨顯dGPU PC，因CPU/iGPU PC大多僅能跑到7B/14B模型，能夠順暢於本地部署AI模型應用仍需dGPU獨立顯卡。