21世纪商业先驱记者Yan Qi Beijing 3月31日报告“技术重建价值-2025 Equity Investment Spring论坛”举办了21世纪商业先驱报，并共同组织了Tsinghua大学的经济学和管理学院和共同组织的Starn Asset University。该论坛结合了宏观政策和股票投资行业领域，领先的学者，老年投资者以及大型健康和技术行业的选定企业家。在论坛上，公园基金会的合伙人胡·江甘（Hu Jianligang）向“ DeepSeek加快了通用AI时代的速度”发表了一个重要的演讲。他使用了对行业的深入了解，以拆除现象背后的技术守则，其对AI产业链的令人不安的影响以及未来投资的结论。 Deptseek的“快速”和“精明”背后的技术三重奏揭示了为什么Deptseek在短时间内会产生巨大影响？胡江帮派以现代技术，成本效率和开放生态系统的综合力量来教授这一点。首先，主要在于其架构中的两种主要创新技术：混合专家模型（MOE）和长期的潜在关注（MLA）。 Hu Jianligang使用生动的隐喻来解释Moe的原则：“就像对家里的儿童过敏一样，您认为的第一件事是从皮肤病学和免疫学中找到专家，而不是打电话给包括整个医院所有年级的医生，包括矫形医院，包括骨科 - 咨询 - 进行咨询。” MUE仔细选择了与当前Gimmerse最相关的“专家”部分，以通过“网络”计算，而不是激活整个大型模型。这大大提高了计算的效率，节省了GPU计算的重要功能，并缩短了响应。尽管MOE并不是一个全新的概念，但DeepSeek无疑是在使用它。如果Moe选择合适的人，那么MLA IS DeepSeek的原始“打击组合”解决了“如何问合适的人”的问题。 Hu Jianligang再次举例说：“网站上有200多人。我想问所有人他们想在晚上吃什么。也许他们无法在三个小时内收集信息。但是，如果我任命每一行的团队负责人，而团队负责人很快就会收集反馈，那么效率将完全不同。” MLA优化了注意力的Mekanism，减少了键值（KV）缓存的经常计算，从而大大降低了内存消耗，尤其是在与许多用户的同步请求进行通信时。这是DeepSeek的关键，可以在维持较低的运营成本的同时为大量用户提供支持。第三个武器是使用加固学习（RL）。 Hu Jianligang认为，未来的AI不可避免地会转向终端和应用程序方案，并反复参与物理世界和用户。 Stre的研究ngthening是实现这一目标的主要途径。 “就像练习机器人手臂搭配杯子一样，而不是编写一组非常复杂的固定算法，最好让它重复进行 - 重复尝试将瓶装开关中的不同形状和一杯瓶子和杯子自然地学习。” DeepSeek在POST -PATTSN研究中大规模地应用强大的化学反应进一步提高了模型的智能和灵活性水平。 DeepSeek的“高成本性能”。热情的产生热点江甘甘（Hu Jianligang）指出：“开放的资源意味着整个生态系统已经上升。通过大量的问题和答案）胡江认为这是一种共同的行业技能，旨在加快模型培训并提高效率，这是可以理解的。在DeepSeek的作用和Deepseekis的“瓶颈”成功的疾病下，就像一块巨石投资于温柔的湖泊一样。它的连锁反应的效果正在迅速传播到整个AI产业链中，尤其是在硬件级别上，它具有一系列深度变化和新的投资思维。 DeepSeek的出色表现，尤其是将部署到侧面的可能性（末尾），极大地增强了市场对国内计算能力的信心。 Hu Jianligang注意到：“ DeepSeek出来后，我们所有的国内计算能力制造商都表示渴望适应。这不仅意味着云，而且还意味着计算的边缘将带来家用替代的浪潮。”以前，计算功率中心通常倾向于购买NVIDIA GPU，但Deptseek的出现证明了国内解决方案的可行性和潜力，开放了国内GPU制造商不间断的开发空间。毫无疑问，这是铺设GPU轨道的投资者的积极信号。相关的GPU是带宽（HBM）的高内存技术，称为“记忆墙”。 Hu Jianligang使用图像的实例来说明HBM的重要性：“普通笔记本电脑非常快地打开网页，但是可以停止开放大型游戏，因为游戏数据的数量（视频，动态效果）超过了网页。” AI大型模型培训和推断还面临着大量数据吞吐量的挑战，传统的DDR存储器带宽很短。通过堆叠鼓芯片，HBM比传统记忆（最多30-50次）获得带宽，并且是支持高性能计算的关键。 Gahowever，全球HBM市场目前是三个寡头的 - 包括SamsunG，Hynix和Micron（总部分超过99％），在该领域中，中国几乎是空白的。 “几年前，我们一直在关注GPU，但是我们应该如何处理HBM？” Hu Jianligang的问题已指出，“瓶颈”是“搜索”痛苦的重点。 DeepSeek的受欢迎程度进一步展现在HBM国内生产国内生产的危机中，相关行业相关链的投资价值越来越好 - 众所周知。尽管数据中心的内部数据传输速率将继续增加，但光电共包装（CPO）和多纤维连接器（MPO）技术正在成为新的热点和开发。 CPO的目的是包括带有移动芯片的光学模块，缩短电信号传递的距离，减少电力消耗和延迟； MPO提供高密度纤维连接解决方​​案。 Hu Jianligang指出，照明是当前最快的数据传递介质，以及如何很好地执行光电转换和数据交换很重要。目前，像Broadcom这样的公司只有少数公司已经开始了与群众相关的产品，而Nvidia也对此表示关注。尽管中国开始了一点，但科学和商业研究团队开始提供研发。 “不仅在中国，而且美国已经开始。”这意味着，在这个切割领域，中国仍然有机会赶上甚至赶上，相关技术的突破将在未来的AI计算群中产生深远的影响。此外，支持液体冷却和特殊机柜等基础设施的支持也增加了对AI计算能力的需求的增长，这成为值得关注工业链的链接。 AI实施方案的成功和最终计算能力的来源不仅取决于技术本身，还取决于Univer的速度SITY速度和AI应用。 Hu Jianligang强调，将来，AI投资，有必要严格围绕实施应用程序方案进行。 DeepSeek代表的大型模型就像为机器人安装更聪明的“大脑”。但是，真正的挑战在于“大脑”在“小脑”（控制算法）和“本体结构”（机械结构）中的完美程度，可用于控制控制。胡·江（Hu Jianligang）认为，中国已经在机器人小脑和本体论中到达了世界（“可以是翻筋斗和舞蹈”），但仍然存在脑部差距及其在整个身体中的协调。一方面，机器人的开发需要继续改善大型模型的智能，另一方面，迫切地发现了真实的实施情况（他倾向于首先打破工业场景，例如防爆巡逻机器人），并通过与用户和环境的持续接触（教育）不断变化。在广告中与机器人的区别，AI和各个行业（AI+）的结合将是一个普遍的趋势。如果是AI+医疗保健，AI+财务，AI+教育或AI+设计，AI+创建，则有主要的商机。关键是要获得适当的切入点，并使用AI解决工业疼痛点。提高效率或创造新价值。从未来的情况下，支持AGI所需的巨大计算优势可能需要依靠计算范式中的革命性跌倒。 Hu Jianligang特别提到了两个方向：计算和受控核融合的数量。在计算量领域，他认为，由于其稳定性和可扩展性，基于“离子陷阱”的技术路线可能是更接近商业化的方向之一。除了由Tokamak State领导的大型设备之外，就被称为“人造日”的受控核融合（作为“野外反转配置）（FRC））在初创企业的驱动下，以较小的安装为动力，并且可以在商业上更快。他宣布，诸如OpenAi之类的巨型技术开始投资于这种融合初创公司，目的是在2028年左右实现重大里程碑。这些看似遥远的领域确实与终极能源并保证了与早期资本的开发和早期资本的计算能力，并保证了与早期资本的发展。