来自中国的AI初创公司DeepSeek在周二最新公布的原生稀疏注意力(Native Sparse Attention, 简称NSA)机制，不仅将大语言模型处理64k长文本的速度最高提升11.6倍，更在通用基准测试中实现性能反超传统全方位注意力机制模型，意味着AI大模型不久后有望在愈发精简架构的基础上性能也能实现大幅增长，AI训练与推理成本则有望在DeepSeek R1基础上继续呈现大幅下降态势。

继开发出兼具“低成本”与“高性能”属性的DeepSeek R1开源大模型震撼硅谷与华尔街之后，这家非常低调的中国AI初创公司继续展示出基于革新“软件工程技术”破局美国AI算力芯片封锁的全新“极低成本AI大模型算力范式”。

值得投资者们注意的是，关于NSA机制的这份DeepSeek最新研究报告出炉后，英伟达、Marvell、台积电、世芯以及港股市场的中芯国际与华虹半导体等AI芯片产业链热门股的股价并没有因“AI训练与推理成本大幅下行+计算效率激增”而出现类似1月27日的芯片股全线暴跌，反而其中一部分出现强势上涨，尤其是港股芯片标的。

与AI密切相关的芯片股集体股价坚挺背后的核心逻辑，无疑在于市场并未像1月27日那样定价AI训练与推理效率飙升带来的短中期AI芯片需求下滑预期，而是已经充分接纳微软CEO纳德拉此前提到的“杰文斯悖论”——当技术革新大幅提高效率，资源消耗不仅没有减少，反而激增，移植到人工智能算力领域则是AI大模型应用规模激增趋势将带来的史无前例AI推理算力需求。

这也是为何华尔街金融巨头摩根士丹利在最新研报中，重申对于AI芯片两大核心技术路线——AI GPU与AI ASIC核心股票标的的强烈看涨预期，并且强调亚马逊、谷歌与微软等大型科技公司坚持AI资本支出大幅扩张也是基于未来应用端AI算力需求激增，尤其是云端AI推理算力需求激增。

也就是说，DeepSeek虽然彻底掀起AI训练与推理层面的“效率革命”，推动未来AI大模型开发向“低成本”与“高性能”两大核心聚焦，而不是疯狂烧钱用“大力出奇迹”方式训练人工智能大模型。但是，AI应用渗透至全球各行各业的天量级AI推理算力需求意味着，AI芯片需求的未来仍将是星辰大海。

据了解，DeepSeek团队提出的原生稀疏注意力机制(NSA)通过动态分层的稀疏策略，将传统全密集Attention(O(n²)复杂度)的计算负担大幅降低。NSA采用了三个并行分支(压缩注意力、选择注意力、滑动窗口注意力)，并通过门控融合各分支输出，实现了训推一体化的高效计算。这一创新设计不仅使长文本处理任务中推理速度最高可提升11.6倍，还显著降低了训练时对愈发庞大AI GPU算力基础设施的依赖程度，从根本上改善了AI算力资源的利用率。

相比之下，Facebook的Llama、OpenAI的o3mini和谷歌Gemini则各自采用了不同的近似计算策略或硬件调优策略，这些差异值决定了在长序列处理、算力基础设施的能耗优化和AI部署灵活性方面，DeepSeek NSA机制具有强大得多的竞争优势。

随着DeepSeek重磅推出的DeepSeek R1继续风靡全球，以及DeepSeek公司的最新研究显示的NSA机制在Transformer底层实现AI大模型革命性训练与推理效率提升，引发全球AI大模型开发者追随这种“极低成本AI大模型算力范式”，进而全面驱动AI应用软件(尤其是生成式AI软件与AI代理)向全球各行各业加速渗透，彻底革新各业务场景的效率并大幅提高销售额，AI芯片需求在未来可能呈现指数级增长而不是此前市场所预期的“DeepSeek冲击波”引发AI芯片需求断崖式下滑。

AI芯片两大路线——AI GPU与AI ASIC，大摩都相当看好

摩根士丹利在研报中指出，在特朗普政府支持下所开启的星际之门项目(即Stargate项目)，以及DeepSeek R1大模型横空出世之后中国各行各业积极接入与部署DeepSeek大模型所带来的庞大AI推理算力需求推动之下，AI GPU与AI ASIC需求前景展望可谓极度乐观。

大摩在这份研报中重申对于AI GPU绝对领军者英伟达(NVDA.US)的“增持”评级，以及对于中国台湾的封测巨头京元电子(KYEC)、AI ASIC领军者世芯电子(Alchip)与创意电子(GUC)，全球芯片代工之王台积电(TSMC)的“增持”评级。

关于AI GPU，大摩表示，DeepSeek推动中国大型科技企业的AI资本支出激增。大摩团队从台湾半导体供应链获悉，2025年第一季度大约75万颗Hopper架构英伟达AI芯片——集中于专为中国市场推出的H20，将由京元电子(KYEC)完成测试。

大摩表示，受NVL72组装瓶颈影响，英伟达的客户们正积极转向采用B200 AI芯片的HGX服务器(8-GPU架构)。例如，Coreweave与xAI等CSP客户要求ODM厂商在单机架内部署8台HGX服务器(即总计64颗B200 AI GPU)。大摩预计B200芯片库存可被消化，无需下调台积电CoWoS产能预测，并且预计2025年下半年，采用新型连接器设计的GB300 Cordelia模块将显著改善系统良率。

大摩的半导体供应链调查还显示，鉴于Blackwell与Hopper需求强劲，英伟达今年上半年有望实现与市场乐观预期相符的业绩。大摩表示，鉴于英伟达AI GPU仍然需求无比强劲，维持该机构对于CoWoS需求46.5万单元的乐观预期，但假设更多CoWoS产能将来自台积电CoWoS-L先进封装。

关于ASIC，大摩表示，北美金融市场的ASIC投资热度边际过热，相比之下亚洲地区的ASIC厂商们在定制化芯片领域具备估值优势，且与亚马逊AWS等大厂关联的ASIC项目有望带来强劲业绩。大摩表示，从供应链观察到亚马逊AWS正将其对于台积电的CoWoS产能预订从Trainium2(由Marvell代工)逐步转向Trainium3(由世芯进行代工)。

在1月下旬，OpenAl、软银联合甲骨文宣布了一项名为“星际之门”(Stargate)的超大规模AI基础设施建设计划，初期投资额为1000亿美元，4年之内最高可扩大至5000亿美元，集中于新建设以及扩建AI数据中心。“星际之门”的5000亿美元投资计划远超市场预期，甚至被一些媒体誉为“新时代的曼哈顿计划”。重返白宫的美国总统特朗普表示，美国政府将通过紧急声明为“星际之门”计划提供所有便利，尤其是满足必要的全部电力/能源需求，甚至迫切需要的土地/建筑许可。

随着DeepSeek引领的“低成本算力新范式”席卷全球，AI训练与应用推理端AI成本愈发下行，同时全面驱动AI应用软件(尤其是生成式AI软件与AI代理)向中国各行各业加速渗透，有望彻底革新各业务场景的效率并大幅提高SaaS软件以及云计算销售额，而这无疑将带来无比庞大的云端AI推理算力需求。DeepSeek接入微信之后经常见到DeepSeek深度思考无法响应客户需求，验证了当前中国市场的AI算力基础设施远远无法满足AI算力需求。

AI芯片需求的核心支柱——美国科技巨头们巨额支出+星际之门

大摩在研报中指出，美国科技巨头们在2025年的巨额资本支出预期，以及“星际之门”项目计划未来四年投资5000亿美元，其中1000亿美元将于当前部署，使得英伟达AI GPU，以及ASIC厂商们所推出的AI ASIC需求仍然非常强劲，加之DeepSeek大模型加速渗透至中国各行各业所带来天量AI推理需求，将点燃AI芯片产业链的新一轮需求狂潮。

大摩上调2025年北美云计算大厂们整体支出预期，增速从此前的同比29%预期上调至32%，也就是说2025年北美前十大云服务巨头资本支出预计将达3500亿美元，主要基于云端AI推理算力需求大幅扩张趋势。大摩通过半导体供应链观察到，“星际之门”项目的部分GB200 NVL72订单通过戴尔承接，潜在订单可能通过甲骨文及其亚洲ODM/OEM伙伴，比如FII来执行。

微软、亚马逊、谷歌以及Meta，乃至生成式AI领军者OpenAI，从这些巨头近期财报或者行业动态看出，无一例外都在联手博通或者Marvell自研AI ASIC芯片，用于海量推理端AI算力部署。因此AI ASIC未来市场份额扩张之势有望大幅强于AI GPU，进而趋于份额对等，而不是当前AI GPU一家独大局面——占据AI芯片领域高达90%份额。

但是，这种转变不是一蹴而就，在当前AGI仍处于研发进程，AI GPU的灵活性与通用性仍然是AI训练最倚重的专属能力。超大规模的AI模型，比如GPT家族与LIama开源家族，在“研究探索”或“快速迭代”阶段对算子灵活性、网络结构可变性的需求依旧很高——这是通用 GPU 仍占据优势的主要原因。

在谷歌与Meta业绩电话会议上，皮查伊以及扎克伯格均表示将加大力度携手芯片厂商博通推出自研AI ASIC，这两大巨头的AI ASIC技术合作伙伴都是定制化芯片领域领军者博通，比如谷歌联手博通打造的TPU(Tensor Processing Unit)就是一种最典型的AI ASIC。Meta此前与博通共同设计了Meta的第一代和第二代AI训练/推理加速处理器，预计Meta与博通将在2025年加快研发Meta下一代AI芯片 MTIA 3。获得微软巨额投资以及达成深度合作的OpenAI去年10月表示，将携手博通开发OpenAI首款AI ASIC芯片。

随着大模型架构逐渐向几种成熟范式收敛(例如标准化的 Transformer 解码器、Diffusion 模型流水线)，ASIC可以更容易地吃下主流推理端算力负载。并且某些云服务商或行业巨头会深度耦合软件栈，让 ASIC兼容常见的网络算子，并提供优秀的开发者工具，这将加速 ASIC 推理在常态化/海量化场景中的普及。

展望未来算力前景，英伟达AI GPU可能更多专注在超大规模前沿探索性的训练、变化极快的多模态或新结构快速试验，以及 HPC、图形渲染、可视分析等通用算力。AI ASIC则聚焦于深度学习特定算子/数据流做极致优化，也就是擅长稳定结构推理、批量高通量、高能效比。比如，如果一家云平台的AI工作负载中大量使用针对 CNN/Transformer 中常见算子(比如矩阵乘法、卷积、LayerNorm、Attention等)，大多AI ASIC会针对这些算子做深度定制;图像识别(ResNet系列、ViT)、基于Transformer的自动语音识别(Transformer ASR)、Transformer Decoder-only、部分多模态流水线固定化后，都可以基于ASIC进行极致优化。

就像大摩在此前的一份研究中预测的那样，长远来看，两者将和谐共存，中期左右AI ASIC市场份额有望大幅扩张。英伟达通用GPU将聚焦于复杂多变场景与前沿研究，ASIC 聚焦高频稳定、大规模的AI推理负载以及一部分成熟稳定的固化训练流程。