大和证券分析师解读逆DeepSeek冲击与半导体投资逻辑

【何谓逆DeepSeek冲击】（大和证券木野内荣治氏常提及的、4月以后半导体股上涨的论据）

- 在DeepSeek冲击中，「AI可以做得更便宜」→「GPU投资是不是过剩了？」→「半导体、数据中心面临逆风」这样的看法扩散开来。

- 逆DeepSeek冲击则是这一趋势的回调，反而持以下观点：「AI变得便宜」→「使用量爆发式增长」→「推理需求、token消耗增加」→「GPU/HBM/DRAM/网络/电力需求会维持下去」。

- 论点的核心在于：即便「推理能力」可以通过小型化、蒸馏实现，「广泛的知识量」难道不是很难简单压缩吗？

- DeepSeek-R1本身也不是超小型模型。根据官方模型卡，DeepSeek-R1是总参数671B、每个token激活37B参数的MoE模型。虽然也有小型蒸馏模型，但本体是大规模模型。(Hugging Face)

- 论据①：《Scaling Laws for Task-Stratified Knowledge in Post-Training Quantized Large Language Models》
该研究将量化后的LLM的知识分为「memorization＝记忆」和「utilization＝活用」进行分析，结论是记忆型知识对模型尺寸、比特宽度、校正数据量更敏感，压缩后更容易发生劣化。(arXiv)

- 论据②：《Do Compressed LLMs Forget Knowledge?》
分析指出LLM压缩更容易在知识密集型任务中出现性能下降，不过该研究也提出另一种看法：与其说「知识完全消失」，不如说「知识在内部发生偏移，更难提取出来」。(arXiv)

- 论据③：《Understanding LLM Behaviors via Compression: Data Generation, Knowledge Acquisition and Scaling Laws》
该研究将LLM视作压缩器，解释称模型会先记住语法和高频模式，接着学习通用知识，最后才纳入长尾知识。也就是说，越长尾的知识越容易需要模型容量。(arXiv)

- 由此得出的投资启示是：这不一定会是「AI效率提升＝基础设施需求减少」，反而有可能变成「AI效率提升＝使用量增加＝总计算需求增加」。

- 尤其是企业AI，除了数学、代码基准测试，长尾知识，例如内部文档、法务、金融、医疗、制造、客户历史、异常处理等更加重要。

- 因此，「逆DeepSeek冲击」的逻辑是：哪怕低成本推理、小型模型普及开来，面向大模型、RAG、长上下文、多模态、智能体处理的基础设施需求依然会存在。

- 但这并不是说只要无脑买入半导体就可以了。低附加值推理会面临成本下降压力，新云服务、GPU租赁价格也有可能遭遇逆风。重要的是需求增长和供给增长哪一方速度更快。

- 总结来看，核心观点是「哪怕推理模式可以通过压缩、蒸馏实现，事实知识、记忆知识、稀有知识还是容易在压缩后劣化」，这个看法就是「逆DeepSeek冲击」认为DeepSeek之后AI基础设施需求仍会维持的依据。

压缩（蒸馏）AI模型会减少知识量。实际上Meta的新模型也是巨大模型。小型模型不具备通用性。看起来不需要怀疑存储类个股，这对铠侠、SNDX、STX、WDC来说也是利好。