单元一

DeepSeek的核心技术突破与行业意义

1. DeepSeek的技术架构解析*

1.1) MOE（专家混合模型）与MLA（多头潜在注意力）算法的创新。  

1.2) 参数规模与算力效率：V3模型6710亿参数中仅激活370亿，训练成本557万美元的颠覆性意义。  

 **案例**：对比Meta Llama3与DeepSeek-V3的算力需求差异（H800 GPU数量减少87.5%）。  

**讨论课题**：证券机构如何通过低成本AI模型降低技术投入门槛？  

2. 性能评测与商业化潜力  

2.1) 在MMLU、DROP等评测中超越GPT-4o的关键表现。  

2.2) 开源模式对OpenAI闭源垄断的挑战：技术民主化与生态共建。  

单元二

指令模型与推理模型的差异

1. 指令模型的核心逻辑 

1.1) 基于用户指令生成结果，强调任务执行的准确性（如传统GPT系列）。  

1.2) 局限性：缺乏动态推理过程，依赖大量监督微调数据。  

2. 推理模型的范式革新  

2.1) DeepSeek-R1的强化学习训练：跳过监督微调，直接通过逻辑链生成解决方案。  

2.2) 关键能力：文档分析、数学推理、代码生成（AIME2024测试成绩79.8% vs. OpenAI-o1的96.7%）。  

**案例**：某券商测试中利用DeepSeek-R1优化量化交易策略的回测效率。  

单元三

证券行业的AI应用场景重构

1. 投资研究与资产管理 

1.1) 自动化研报生成与多因子模型优化。  

1.2) 实时市场情绪分析与事件驱动策略。  

2. 客户服务与合规风控  

2.1) 智能投顾的交互式决策支持（如“思考过程”可视化）。  

2.2) 反洗钱与异常交易识别的动态推理能力提升。  

**案例**：奇安信利用DeepSeek-R1实现安全威胁研判效率提升30%。  

单元四

AI成本优化与算力需求演变

1. DeepSeek对算力生态的影响  

1.1) 训练成本降低20%-40%对资本支出的释放效应。  

1.2) 推理算力需求增长：从训练密集型向应用密集型的转变。  

2. 证券行业的算力策略

2.1) 混合云部署与国产算力替代（如海光信息、浪潮信息）。  

**讨论课题**：如何平衡推理算力需求与GPU供应链风险？  

单元五

行业竞争格局与开源生态的机遇

1. OpenAI与DeepSeek的路线之争 

1.1) 闭源收费 vs. 开源生态：技术壁垒与商业化闭环的博弈。  

2. 证券机构的开源策略**  

 2.1) 参与社区共建 vs. 自主模型微调的路径选择。  

**案例**：阿里云、腾讯云快速集成DeepSeek模型的开源实践。  

3、企业部署模型和使用模型的成本将大大降低。

单元六

推理模型的未来趋势与高阶能力预测

1. 复杂决策与动态交互能力  

1.1) 多模态融合：文本、数据、图表联动的投资决策支持。  

1.2) 实时自适应学习：基于市场波动的策略动态调整。  

2. 伦理与风险挑战 

2.1) 模型幻觉的进一步降低与可解释性提升。  

2.2) 监管科技（RegTech）与AI合规框架的协同演进。  

单元七

AI的这种变化下，企业和职员该如何应对

AI大模型的时代下复合型人才需求的持续攀升

要求学习能力越来越强，尤其是对技术逻辑、

业务理解和技术工具的使用能力。

3、某些工作流程的重塑可能性