DeepSeek（Deekseek）是需要算力的，但其在算力需求方面进行了显著的优化，使其在相对较低的算力条件下也能表现出色。以下是其对算力需求的相关情况：

算力优化措施

1. 模型架构创新：DeepSeek采用了稀疏的MoE（Mixture of Expert）架构，在推理或训练时只会激活少量参数（5%~10%参数量），有效减少每次前向和后向的计算量，显著降低整体训练开支。

2. 训练策略高效：结合了主动学习和迁移学习的方法，能够自动选择最有价值的数据进行标注和训练，减少数据标注的工作量和计算资源的浪费。

3. 算法优化：通过优化算法，减少了模型训练和推理过程中的计算复杂度。在模型训练过程中，采用了自适应学习率调整算法和梯度优化算法，使得模型能够更快地收敛，减少训练时间和计算资源的消耗。

4. 硬件与软件协同优化：在硬件方面，选择了适合模型计算需求的计算芯片，并对硬件资源进行了合理的配置和调度。在软件方面，开发了高效的计算框架和运行时环境，能够充分发挥硬件的性能优势。

5. 模型压缩与量化技术：运用了模型压缩和量化技术，减少模型的存储需求和计算量。通过剪枝技术去除模型中不重要的连接和参数，降低模型的复杂度。同时，采用量化技术将模型参数从高精度数据类型转换为低精度数据类型，在不显著影响模型性能的前提下，减少计算量和存储需求。

算力需求情况

• 训练阶段：DeepSeek-V3的训练成本极低，整个训练只需要280万个GPU小时，而参数量为671B。相比之下，LLama 3（405B）使用了3080万GPU小时，几乎是DeepSeek V3的11倍。

• 推理阶段：DeepSeek的推理成本也较低，例如DeepSeek-R1的成本低至每百万token 0.14美元，仅为OpenAI同类模型的1/53。