DeepSeek颠覆AI大模型规模定律与规模经济认知 [page::1][page::2]

• DeepSeek由中国初创金融企业研发，打破顶级AI大模型需巨额算力和资金投入的假设。

- 规模定律强调增加算力、数据和参数提升模型性能但边际递减，规模经济分为内部和外部经济效应，后者依赖创新生态和人才池。

• DeepSeek通过算法框架优化，大幅提高算力边际产出，展现技术创新突破规模定律的边际递减限制。

中美AI竞争的规模优势与创新路径差异 [page::4][page::5][page::6]

| 指标类型 | 美国 | 中国 |
|----------|------|------|
| 研发端规模优势 | 稍高 | 稍低 |
| 应用端规模优势 | 较低 | 较高 |
| 人才储备与吸引力增长 | 较高但下降趋势 | 快速增长，2022年AI人才全球占比47% |

• 美国主要依赖算力优势，中国依托庞大的人才基数和广阔应用市场发展算法优化路径。

- 算力出口限制可能促进中国算法投入，深化技术创新，推动中美差异化AI发展路径。

开源驱动AI应用层规模经济与创新生态构建 [page::6][page::7]

• DeepSeek开源降低大模型使用门槛，加速普惠应用及产业创新。

- 开源模式带来较高的用户覆盖和生态外部规模经济，有助于更广泛的社会创新正外部性释放。

• 应用层市场规模约为底层计算与模型规模的两倍，开源推动需求端和供给端双向扩张促进经济增长。

创新发展需融合科技创新与产业创新，实现重需求与人才转型 [page::8][page::9]

• 创新链分为科技创新（基础与应用研究）与产业创新（试验开发及大规模生产）。

- 大企业擅长渐进式创新，小企业具备颠覆式创新优势，需多样化创新生态支持。

• 中国亟需从重供给、重资产向重需求、重人才转变，强化知识产权和个人破产保护促进人才激励。

金融科技与科技金融融合推动AI创新生态建设 [page::10][page::11]

• DeepSeek开发者幻方以量化基金为背景，展示金融科技促进科技创新的典范。

- 金融不仅为科技企业融资，更通过资本市场形成支撑多样化创新生态的规模经济。

• 数字技术与金融的深度绑定，强调包容金融创新与防范风险的平衡，助力AI产业健康发展。

中金研究报告：《从规模经济看DeepSeek对创新发展的启示》详尽分析

---

一、元数据与报告概览

• 标题：《从规模经济看DeepSeek对创新发展的启示》

- 作者：彭文生、谢超、周子彭

• 发布机构：中金公司研究部、中金研究院

- 发布日期：2025年2月27日

• 主题：围绕中国金融企业DeepSeek在AI大模型领域的突破，从规模经济学视角解析其创新意义，探讨AI技术的规模定律与规模效应及相关的国际竞争格局，进而剖析创新发展路径与政策启示。

核心论点总结：

• DeepSeek作为一家金融领域初创企业，依托算法优化打破传统大型科技企业“算力越多越强”的规模定律，实现模型性能与成本优势。

- DeepSeek案例体现的不是规模定律的消解，而是算法技术进步与大国规模经济外溢效应的结合。

• 中美AI竞争不单是要素投入数量的较量，更是技术创新与规模经济的竞合：美国偏重算力优势，中国依托人才和算法创新的比较优势。

- DeepSeek选择开源模式促进外部规模经济，有助于应用层创新爆发，推动经济增长。

• 创新发展应跳出“重供给轻需求、重资产轻人才”的路径依赖，强化需求驱动与人才激励。

- 金融与科技融合（金融科技与科技金融）是AI创新的重要土壤，量化基金等金融机构在科技进步中扮演更加积极角色。

报告整体逻辑清晰，数据与理论结合紧密，既提供了前沿科技经济学视角，也给出中国创新政策明确启示。[page::0,1]

---

二、逐节深度解读

1. AI经济学：规模定律还是规模效应？（第1-4页）

关键论点概述：

• 规模定律（Scaling Laws）指AI模型训练时，数据、参数和算力投入与模型性能的关系，表现为边际效用递减。即单纯扩大这三者规模的性能提升会逐渐减弱。

- 规模效应（Scale Effect）是经济学概念，强调规模增长带来的单位成本下降与效率提升，可分为内部规模效应（单企业范围内）与外部规模效应（行业或区域发展带动的系统性提升）。

• DeepSeek通过算法框架创新（即技术进步）提升了算力等要素的边际产出，打破单纯依赖规模扩张的瓶颈，实现了“换道超车”。

- 算法创新依赖规模经济支撑，规模大的创新生态促进广泛试错和知识积累，形成技术进步的内生驱动力。

• 这意味着规模定律虽然存在，但伴随技术迭代，模型性能的提升可呈现规模报酬递增的态势，长远来看算法创新与规模经济共同驱动AI进步。

数据与分析说明：

• 图表1展示DeepSeek通过低算法投入实现较高效能，凸显算法框架升级对算力需求的优化。

- 图表2用多条算法框架性能曲线说明单一架构下性能递减，跨算法框架技术跃迁带来“规模报酬递增”，形成AI总体发展的趋势线。

• 数据表明，算法框架的升级等效于“技术进步”，会显著提升投入产出效率，突破硬件算力攀升的边际递减限制。

逻辑推理及假设：

• 报告明确算法框架是“技术或生产工艺”的象征，技术进步是长期有效提升AI性能的关键。

- 规模经济不仅是“单点竞争”，更加是上下游协同和国家级基础设施、人才资源的集成效益。

• 由此引出国家间AI竞争本质是体系化规模效应的竞争，对大国更为有利。

总结而言，本章节厘清了技术视角（规模定律）和经济视角（规模效应）的区别与整合，凸显算法创新对突破传统规模限制的决定性作用。[page::1,2,3,4]

2. AI经济学：后发优势还是先发优势？（第4-6页）

核心要点：

• 规模定律为后发者提供技术追赶的空间，类似新古典增长模型中的“后发优势”。

- 规模效应则因规模报酬递增而形成“先发优势”，领先者优势可能继续强化，难以撼动。

• 中美AI发展中，美国在算力资源方面占优，中国在人才基数及市场规模上具备优势，两国形成互补的规模优势结构。

- DeepSeek诞生于中国，突出算法创新和成本效率，而美国的Grok3等模型则更依赖算力优势。

• 美国对中国算力限制可能刺激中国进一步聚焦于算法和商业模式创新，从长远看算法是AI进步的更重要驱动力。

关键数据说明：

• 图表4显示主要国家AI优秀人才来源地和工作地分布，中国优秀人才比例从2019年的29%升至2022年的47%（来源地），在华工作比例也由11%升至28%。

- 中国人才供给优势显著增强，特别是人才基数和应用场景优势，被视为中国算法创新的有利条件。

• AI发展指数显示中美遥遥领先，凸显规模经济对顶尖AI研发中心形成的聚集效应。

推论与经济学隐喻：

• 报告用“资源诅咒”警示，算力禀赋优势虽重要，但过度依赖可能抑制对算法技术进步的动力。

- 因此，美国的出口限制反而可能刺激中国算法创新，促使其形成差异化竞争路径。

• AI国际竞争是先发（规模效应）与后发（技术追赶）的动态博弈，规模与创新共振是胜负关键。

总结本节，中美AI差异化进展为典型的比较优势体现，背后是规模经济与技术创新的复杂互动，隐含深刻的国际竞争和合作逻辑。[page::4,5,6]

3. AI经济学：开源促进外部规模经济（第6-7页）

论点概述：

• DeepSeek选择开源模式，降低了应用层的商业壁垒，有效推动了规模经济外溢。

- 开源使得更多开发者和企业能够参与生态构建，加速技术的扩散与创新，减小闭源带来的垄断和高成本。

• 报告对比iOS和Android生态，指出开源Android用户远多于闭源iOS，尽管后者营收更丰厚，说明开源更能扩大用户基础和创新共享。

- DeepSeek发布后短期内APP日活跃度进入全球排名第二，体现开源模式带来的市场活力和创新潜力。

图表5解读：

• 该图通过成本曲线图示，表现开源（DeepSeek象征）比闭源（如ChatGPT代表的闭源服务）拥有更低的算力和数据成本边界，推动规模经济效应提升整体经济产出边界。

- 深层次隐含技术进步与市场机制驱动的需求供给双侧互促关系。

经济学视角：

• 开源使得规模经济产出更多惠及系统生态成员而非单一开发者，弱化技术进步带来的贫富分化效应，促进经济可持续增长。

- 通过开源释放AI应用层潜力，带来产业链上下游全面繁荣。

综上，报告强调，开源大模型在经济结构层面推动了创新生态多样化发展和需求侧潜力释放，是较闭源商业模式更具长远价值的技术创新路线。[page::6,7]

4. 创新发展：从重供给与资产到重需求与人才（第8-9页）

核心洞察：

• DeepSeek之所以非由高校等科研院所而是民营企业完成，与创新链上不同阶段的正外部性差异有关：基础研究阶段外部性强需公共部门支持，产业创新阶段则靠市场驱动和企业力量。

- 中美G2合作模式助推全球科技与产业创新融合，中国腾飞依赖于产业链的大规模生产和成本优势。

• 目前地缘竞争与“卡脖子”问题使原有合作模式难以持续，中国面临技术创新供给中断和全球市场收缩挑战。

- 解决路径需融合科技创新和产业创新，重视市场需求刺激与人才激励，摆脱“重供给、轻需求，重资产、轻人才”的路径依赖。

• 成功产业创新需创新生态多样化与人才激励体系，支持颠覆式创新和渐进式创新并存，二者相辅相成。

图表6解读：

• 展示中美供给侧科技创新与中国需求侧产业创新的纵向协作模型，反映双边协同产生全球成本优势。

- 该模式凸显中美科技创新交流对中国产业更新迭代的实际影响。

人才部分分析：

• 大企业虽在研发投资和资源上拥有优势，但因庞大机构惯性可能缺乏颠覆性创新活力。

- 小企业缺乏“在位优势”，灵活性高，适合颠覆式创新，DeepSeek作为小企业的成功案例即一验证。

• 资本市场支持的企业风险投资（CVC）可实现大企业资源和小企业灵活性的优势互补。

结论是，深化科技与产业创新融合发展，强化人才激励与创新生态建设，是中国科技创新政策的关键突破口。[page::8,9]

5. 创新发展：从金融科技到科技金融（第10-11页）

主题解析：

• DeepSeek的开发主体幻方是一家量化投资公司，金融背景是其成功的重要资本基石，但这一点在公众讨论中被忽略。

- 传统观点往往将科技创新主体限定为实体企业，金融机构仅为配角，实际情况更复杂。

• 资本市场是现代科学创新体系的金融基础，规模庞大的资本市场能提供多样化金融产品和服务，支持创新资源的高效配置。

- 金融科技（科技在金融中的应用）与科技金融（金融支持科技创新）二者相辅相成，金融科技不仅提升金融服务效率，也自身是创新的重要应用场景。

• 数字技术和人工智能革命本质上与金融高度融合，因为资本市场通过解决信息不对称促进创新。

- 金融科技发展面临监管和风险挑战，但需要在包容“动物精神”和稳健监管间寻求平衡，促使金融科技正向发挥作用。

示例与反思：

• 量化基金风险收益的争议反映金融科技对监管的考验。

- 加密资产作为金融科技重要分支的合规风险与创新价值并存。

• 幻方作为金融企业实现AI突破，显示科技金融体系活力和资本市场生态的独特优势。

报告强调，理解和发挥金融与科技深度融合对创新生态的塑造作用，是中国创新战略不可忽视的关键环节。[page::10,11]

---

三、图表深度解读

图表1: DeepSeek的换道追赶式创新（第3页）

• 描述：坐标轴为算法资源与算力，曲线代表同一规模定律下AI效能水平。

- 解读：红色曲线表明随着算力增加，AI效能提升但边际递减。绿色箭头展示算法框架升级带来的算力效率改善。

• 结论：DeepSeek通过算法创新降低了相同性能水平所需算力，打破单纯堆砌算力的瓶颈，证明技术进步能够显著改写规模输出关系。

- 限制：图示简化系统，未显示实际技术路线多元性，但直观反映算力与算法投入攻守平衡。

图表2: 持续算法改善使AI性能展现规模报酬递增（第3页）

• 描述：多条不同算法框架下的AI效能增长曲线，横轴是模型规模（算力、数据、参数），纵轴是效能。

- 解读：单一算法框架固守边际递减规律，但跨框架技术升级推动总体性能跨步增长（虚线趋势线），模拟现实算法迭代。

• 结论：算法进步是持续破除单纯规模投入边际法则，延展AI性能上限的关键。

图表4: 主要经济体AI优秀人才来源地和工作地（第5页）

• 描述：条形图展示2019与2022年间，不同国家AI顶尖人才本科母校和工作机构的分布。

- 解读：中国优秀AI人才比例显著提升，特别在来源地和工作地上增长明显，反映中国人才培养和吸引力扩展趋势。

• 结论：中国的人才资源优势为算法创新和AI产业发展提供底层支撑。

图表5: DeepSeek降低应用门槛，助力创新发展（第7页）

• 描述：成本和效能关系示意图，展现DeepSeek（开源）相较其他闭源模型的成本与效能优势。

- 解读：降低的算力和数据门槛推动应用层规模经济效应，引发市场和技术双向驱动增长。

• 结论：开源模式不仅减少商业壁垒，也扩展了创新生态的广度。

图表6: 全球化时代科技创新与产业创新融合发展的G2模式中国（第9页）

• 描述：中美科技-产业创新合作模型，体现美国供给侧科技创新与中国需求侧产业创新互补。

- 解读：展示全球科技产业融合分工下中美互惠关系及成本优势形成机制。

• 结论：当前地缘风险使得这种模式面临严峻挑战，未来需中国做好科技产业融合的自主发展。

---

四、估值分析

本文为宏观政策与技术经济学分析报告，未涉及具体公司财务估值和目标价，因此无估值方法、宏观预测、敏感性分析的内容。

---

五、风险因素评估

报告隐含或明确提到的风险点包括：

• 国际技术封锁风险：美国限制算力出口可能加剧中国AI研发面临的硬件和算力压力。

- 技术路径风险：算法创新本质依赖持续试错和人才资源，若创新生态破裂或人才流失，将影响发展动力。

• 市场推广风险：尽管开源降低商业门槛，但如何建立稳定盈利模式和有效激励仍是不确定因素。

- 金融监管风险：金融科技和创新的监管平衡尚不明确，过度监管或放任均可能损害创新生态及市场健康。

• 创新机制风险：过度聚焦大企业或小企业单一模型，均可能限制全局创新活力，需要产业链和资本市场多元支持。

报告未详细给出风险缓解策略，但强调发展创新生态、加强知识产权保护和完善人才激励措施，均为制度层面重要支持。[page::4,6,8,10]

---

六、批判性视角与细节

• 报告论述深刻，整体严谨，但对DeepSeek成功偶然性与政策环境依赖关系的讨论可更充分，当前更多将其视为大国规模经济优势的必然结果，略显乐观。

- 在算法创新与算力投入的平衡上，实际世界技术迭代或受制于更多市场、政策和国际合作因素，报告未详述这些非经济技术层面因素对创新路径的干扰与变化。

• 对于资本市场在创新支持角色的正面评估，未充分评判其潜在的短期投机和资源错配风险。

- 报告对美国限制技术出口的双刃剑效应提出洞察，但较少探讨中国可能的算法创新瓶颈尤其是在核心芯片和硬件自主研发方面的深层制约。

• 相关图表多基于已有文献和官方数据，缺乏深度原始数据计算和多维度交叉验证，存在一定的解释局限。

总体报告视角宏大，但在具体微观机制、风险权衡及不确定性分析方面略显薄弱，后续补充研究可望增强政策指引针对性。

---

七、结论性综合

本报告围绕DeepSeek大模型的突破，深刻剖析了AI发展中规模定律和规模效应的区别及其相互作用。结论指出，DeepSeek的成功并非否定规模定律，而是以算法和技术创新提升要素边际产出，形成技术驱动的规模经济效应，充分体现了中国作为大国的人才和数字基础设施优势。

中美AI竞争展示出各具特色的比较优势：中国依托庞大人才库和市场规模聚焦算法创新，而美国依赖算力优势和资本实力布局大模型。美国的算力出口限制刺激了中国算法研发投入，深化了路径依赖的差异化发展。

DeepSeek坚定选择开源模式，有效推动AI应用层面的外部规模经济，大幅降低商业参与门槛，加快了AI+技术生态的普及和创新，助力中国数字经济和创新增长。

在创新发展战略上，报告强调跳出长期以来的重产能、重资产的思维定式，聚焦需求端激励和人才生态建设，形成多层次、多主体、多元路径融合的科技产业创新体系。同时强化金融资本市场在创新资源配置中的核心作用，强调科技金融与金融科技的互动重要性，指出这一轮信息技术革命对金融体系与创新生态的双向重塑。

图表深度展现了算法创新如何打破硬件算力限制、人才结构变化如何支撑创新生态、开源模式如何放大规模经济以及中美科技产业合作模式的历史映射，全方位支撑了报告的理论推断及政策建议。

总体来看，报告逻辑严谨、数据充分，文化视野经营中国AI创新发展背景及未来路径，对理解中国创新经济生态、AI国际竞争格局及政策设计提供了极具价值的启示与框架。[page::0-11]

---

总结

作为中金发布的前瞻性科技经济学研究，本报告紧扣AI技术创新与国际竞争现实，系统梳理了DeepSeek背后规模经济学意义，丰富了对AI“技术+经济”双重逻辑的理解。其提出的以规模经济为底座、算法创新为突破口、开源驱动生态的中国AI发展路径，为政策制定者和市场参与者提供了理论依据和实践指引。未来，随着技术进步和国际环境变化，该框架依然需要动态更新和深入实证，然而本报告无疑为深入认识AI时代的创新经济规律树立了重要里程碑。

报告