李勇：DeepSeek在证券行业的影响与智能化转型趋势

单元

大纲

内容

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

1. AI大模型的时代下复合型人才需求的持续攀升

2. 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