DeepSeek的高性价比训练技术引起市场关注，花旗分析师Atif Malik、Asiya Merchant等在其研报中分析了DeepSeek对AI基建产业链各环节的影响。报告指出，DeepSeek的R1模型有望推动AI模型在消费和企业市场的广泛应用，降低计算成本，提高投资回报率。

报告中定义了缩放定律的三个阶段：预训练、后训练和测试时间缩放。DeepSeek是测试时间缩放的典型例子。预训练是在大数据集上生成通用特征；后训练通过强化学习等技术优化模型；测试时间缩放则延长推理阶段的思考过程。

DeepSeek的创新技术将对AI基建产业链产生多方面影响。推理阶段的普及将为GPU、ASIC、DCI等环节带来新机会，而训练需求的减少可能对Retimers和光模块等环节造成压力。AI基础设施建设将成为全球科技行业核心驱动力之一，推动AI模型普及及产业链各环节的新机遇与挑战。

具体影响如下： - GPU：中性。推理需求增加抵消训练需求减少。 - ASIC：中性到积极。推理需求增长可抵消训练需求减少。 - Retimers：中性到消极。推理阶段需求下降。 - 光模块：中性到消极。推理阶段需求减少。 - DCI：积极。不受训练与推理影响，推理增长带来新机会。 - 交换机：中性到积极。推理需求增加推动网络带宽需求。 - 连接器：中性到积极。与AI基础设施整体增长相关。 - 存储：中性到积极。推理阶段加速促进数据管理需求。 - 服务器OEM：中性。推理需求增加平衡训练需求减少。 - PC/智能手机：中性到积极。AI计算能力提升推动更新换代。