不考慮人力成本的支出，芯片在 AI 的訓練成本中占比最大，需求空間巨大。根據Epoch AI 數據，芯片在 AI 訓練成本中占據了顯著的比例。以 Gemini 1.0 Ultra 和 GPT-4 為例，AI 芯片的成本占比均超過 40%，而在 OPT-175B 和 GPT-3 175B 中，這一比例更是接近 50%，這表明，隨著模型規模的增大，AI 芯片在整體訓練成本中的重要性愈發凸顯。芯片作為計算的核心部件，直接決定了模型訓練的效率和速度，因此 AI 研發團隊對于高性能的芯片需求是天然巨大的，盡管其作為一次性支出的成本巨大，但是高性能芯片能夠顯著提升訓練過程中的計算能力，從而縮短訓練時間，降低單位計算成本。 請務必閱讀正文之后的信息披露和法律聲明 13 國產算力產業鏈受益于 DeepSeek 發布，有望具有更強彈性。對于國內算力供應鏈而言，我們認為 DeepSeek 的出現是一劑強心針，標志著國產 AI 實現了比肩全球頂級模型水準的跨越，DeepSeek 通過算法、架構、工程的軟硬件協同優化創新，以有限算力超低成本實現了性能比肩頂尖國外模型的國產模型，印證了軟硬協同這一技術路線對推動 Scaling Law、突破算力瓶頸的有效性和巨大潛力。我們認為其對國產算力鏈的影響包括：第一，從當前國產 AI 生態來看，國產的算力資源仍然稀缺，隨著以 DeepSeek為代表的國產 AI 大模型的持續發展，國產算力缺口依舊較大，因此我們認為當前是軟硬件協同實現國產算力芯片突破，進而實現國產 AI 生態閉環的關鍵窗口期，可以看到在DeepSeek-R1 模型發布后國產硬件廠商用極快的速度紛紛接入 DeepSeek，我們判斷通過此次軟硬件合力發力的機會為二者未來持續融合夯實了基礎；第二，如我們在前文的分析中指出推理芯片的占比將會持續提升，CSP 出于成本以及可得性考慮，我們判斷ASIC 在算力芯片中的比重將會不斷提升，預計將持續為國產算力芯片創造發展動能。