一、破圈：客户基数和市场规模

以 Deepseek 为代表的大模型快速普及，扩大了对高性能存储基础设施的需求；而模型拉低低成本，降低使用门槛，有利于低预算客户。最可贵的是，在应用端呈现出破圈态势，不只是各云服务厂商上线 Deepseek，各种 APP 也以接入 Deepseek 作为近期更新的卖点。

可以预见的是，政企客户在 2025 年的采购中，会极大增加 Deepseek 类产品比例，嗅觉敏锐的 IT 厂商纷纷推出了 Deepseek 一体机。

二、技术趋同：竞争从存储开始

当前AI领域存在技术栈趋同的趋势，在开源模型的推动下尤为显著，表现为以下方面：

1. ​模型架构趋同：MoE与MLA成主流选择

  • ​混合专家模型（MoE）​：DeepSeek通过MoE架构将参数激活率从传统模型的100%降至5.5%（如V3模型6710亿参数仅激活370亿），显著降低计算成本，成为大模型优化的重要方向
  • ​多头潜在注意力（MLA）​：通过低秩压缩键值矩阵，MLA减少50%的KV缓存占用，成为替代传统MHA的主流方案

2. 训练策略趋同：混合精度与多Token预测

  • ​FP8混合精度训练：DeepSeek在非关键模块采用FP8精度，降低30%显存占用，同时通过高精度累积解决量化误差
  • ​多Token预测（MTP）​：通过单次预测多个Token提升训练信号密度，DeepSeek将训练效率提高40%

3. ​工程优化趋同：强化学习与通信优化

  • ​强化学习驱动推理：DeepSeek-R1通过GRPO算法实现无监督推理能力，性能对标OpenAI-o1
  • ​通信优化技术：DeepSeek 通过算法减少30%的多卡通信延迟，推动行业重视底层通信协议优化

4. ​开源生态加速趋同

  • ​权重与代码开源：DeepSeek 将 V3/R1 模型权重及训练代码开源，开放策略导致技术复现门槛降低，形成“技术扩散-反馈-优化”的闭环
  • ​工具链标准化：基于Transformers库的开源框架成为行业事实标准，企业定制化需求向微调优化倾斜

5. ​硬件需求趋同：显存与算力配置标准化

  • ​显存需求集中化：MoE架构推动显存配置向24GB+（如RTX 4090）集中，硬件厂商的SKU策略随之调整
  • ​算力架构同质化：企业间硬件差异度缩小

随着MoE、MLA等技术成为行业基准，企业间的技术差异可能进一步变小，竞争焦点将转向垂直场景优化与全栈协同能力，从 “算力芯片+存储”开始的基础设施优化，成为性能和成本差异化的关键

三、DeepSeek 模型在推理时对存储的需求

关注推理环节，主要原因是增长的市场主要是对模型应用的需求，不是训练。Deepseek 模型呈现​出“大容量、高性能、多模态、低成本”​四个特征，推动存储技术向全闪存化、智能化、存算融合方向演进

  • 大容量：推理（尤其是 R1）中间数据缓存产生较多
  • 高性能：推理时频繁访问模型参数和中间结果，需低延迟读写和高带宽支持
  • 多模态：需支持文本、图像、代码等异构数据存储；同时推理过程中产生临时中间结果（如数学推理的中间步骤），需存储系统支持快速写入与定期清理
  • 低成本：边缘端部署小参数规模模型成为可能

四、挑战：模型迭代速度远超存储技术

  • 模型技术更新快，对存储的需求变化快，需持续投入研发以应对模型规模扩大（如万亿参数模型）和新兴场景（如多模态推理），研发成本高
  • 上游高性能硬件更新快，容易抵消工程技术优化带来的效率优势，同时影响算力技术和存储技术的部署预算
  • 国产化算力进步速度不够，也不能释放存储技术迭代带来的进步

标签：产品, AI

评论已关闭