單元一

DeepSeek的核心技術(shù)突破與行業(yè)意義

1. DeepSeek的技術(shù)架構解析*

1.1) MOE（專(zhuān)家混合模型）與MLA（多頭潛在注意力）算法的創(chuàng )新。  

1.2) 參數規模與算力效率：V3模型6710億參數中僅激活370億，訓練成本557萬(wàn)美元的顛覆性意義。  

 **案例**：對比Meta Llama3與DeepSeek-V3的算力需求差異（H800 GPU數量減少87.5%）。  

**討論課題**：證券機構如何通過(guò)低成本AI模型降低技術(shù)投入門(mén)檻？  

2. 性能評測與商業(yè)化潛力  

2.1) 在MMLU、DROP等評測中超越GPT-4o的關(guān)鍵表現。  

2.2) 開(kāi)源模式對OpenAI閉源壟斷的挑戰：技術(shù)民主化與生態(tài)共建。  

單元二

指令模型與推理模型的差異

1. 指令模型的核心邏輯 

1.1) 基于用戶(hù)指令生成結果，強調任務(wù)執行的準確性（如傳統GPT系列）。  

1.2) 局限性：缺乏動(dòng)態(tài)推理過(guò)程，依賴(lài)大量監督微調數據。  

2. 推理模型的范式革新  

2.1) DeepSeek-R1的強化學(xué)習訓練：跳過(guò)監督微調，直接通過(guò)邏輯鏈生成解決方案。  

2.2) 關(guān)鍵能力：文檔分析、數學(xué)推理、代碼生成（AIME2024測試成績(jì)79.8% vs. OpenAI-o1的96.7%）。  

**案例**：某券商測試中利用DeepSeek-R1優(yōu)化量化交易策略的回測效率。  

單元三

證券行業(yè)的AI應用場(chǎng)景重構

1. 投資研究與資產(chǎn)管理 

1.1) 自動(dòng)化研報生成與多因子模型優(yōu)化。  

1.2) 實(shí)時(shí)市場(chǎng)情緒分析與事件驅動(dòng)策略。  

2. 客戶(hù)服務(wù)與合規風(fēng)控  

2.1) 智能投顧的交互式?jīng)Q策支持（如“思考過(guò)程”可視化）。  

2.2) 反洗錢(qián)與異常交易識別的動(dòng)態(tài)推理能力提升。  

**案例**：奇安信利用DeepSeek-R1實(shí)現安全威脅研判效率提升30%。  

單元四

AI成本優(yōu)化與算力需求演變

1. DeepSeek對算力生態(tài)的影響  

1.1) 訓練成本降低20%-40%對資本支出的釋放效應。  

1.2) 推理算力需求增長(cháng)：從訓練密集型向應用密集型的轉變。  

2. 證券行業(yè)的算力策略

2.1) 混合云部署與國產(chǎn)算力替代（如海光信息、浪潮信息）。  

**討論課題**：如何平衡推理算力需求與GPU供應鏈風(fēng)險？  

單元五

行業(yè)競爭格局與開(kāi)源生態(tài)的機遇

1. OpenAI與DeepSeek的路線(xiàn)之爭 

1.1) 閉源收費 vs. 開(kāi)源生態(tài)：技術(shù)壁壘與商業(yè)化閉環(huán)的博弈。  

2. 證券機構的開(kāi)源策略**  

 2.1) 參與社區共建 vs. 自主模型微調的路徑選擇。  

**案例**：阿里云、騰訊云快速集成DeepSeek模型的開(kāi)源實(shí)踐。  

3、企業(yè)部署模型和使用模型的成本將大大降低。

單元六

推理模型的未來(lái)趨勢與高階能力預測

1. 復雜決策與動(dòng)態(tài)交互能力  

1.1) 多模態(tài)融合：文本、數據、圖表聯(lián)動(dòng)的投資決策支持。  

1.2) 實(shí)時(shí)自適應學(xué)習：基于市場(chǎng)波動(dòng)的策略動(dòng)態(tài)調整。  

2. 倫理與風(fēng)險挑戰 

2.1) 模型幻覺(jué)的進(jìn)一步降低與可解釋性提升。  

2.2) 監管科技（RegTech）與AI合規框架的協(xié)同演進(jìn)。  

單元七

AI的這種變化下，企業(yè)和職員該如何應對

AI大模型的時(shí)代下復合型人才需求的持續攀升

要求學(xué)習能力越來(lái)越強，尤其是對技術(shù)邏輯、

業(yè)務(wù)理解和技術(shù)工具的使用能力。

3、某些工作流程的重塑可能性