究其DeepSeek訓練其模型到底使用了多少張英偉達卡，據(jù)《DeepSeek-V3技術(shù)報告》官方給出的是2048張英偉達H800芯片和1萬張A100顯卡。而半導體研究機構(gòu)SemiAnalysis認為DeepSeek囤積了包括1萬張A100、1萬張H100、1萬張?zhí)毓┌鍴800、3萬張?zhí)毓┌鍴20在內(nèi)的六萬張英偉達GPU卡。

不重要，這不是本文要討論的。

而，DeepSeek的這六萬張卡如何回本？

簡而言之一個詞：開源。

以下是本文邏輯：

1、”DeepSeek+”行情到來，開源背后的經(jīng)濟賬

2、都在搞錢，那么DeepSeek的錢怎么搞？

01

“DeepSeek+”行情到來，開源背后的經(jīng)濟賬

2月10日，OpenAI創(chuàng)始人山姆·奧特曼在個人博客分享了他對人工智能經(jīng)濟學的三個觀察（《Three Observations》）。他分享了人工智能經(jīng)濟學的三個觀察。

（一）AI模型的智能水平大致等于用于訓練和運行它所需資源的對數(shù)值。這些資源主要包括訓練算力、數(shù)據(jù)和推理算力。實踐表明，投入的資金可以持續(xù)帶來可預測的收益提升；這種scaling law在多個數(shù)量級的范圍內(nèi)都保持準確。

（二）使用特定水平AI的成本每12個月下降約10倍，較低的價格又會帶來更廣泛的應(yīng)用。這一點可以從2023年初的GPT-4到2024年中的GPT-4o的變化中得到印證，其中每個token的價格在這段時間內(nèi)降低了約150倍。相比之下，摩爾定律以每18個月翻倍的速度改變了世界，而AI的發(fā)展速度則更為驚人。

（三）智能的線性增長能帶來超指數(shù)級的社會經(jīng)濟價值。因此，我們看不到任何理由認為這種指數(shù)級增長的投資會在近期停止。

在山姆·奧特曼的“AI經(jīng)濟學”框架中，模型能力的提升與成本的邊際遞減是其核心命題。據(jù)山姆·奧特曼在接受采訪中稱，隨著智能模型固定級別的智力水平的一旦實現(xiàn)，其訓練成本每年都會下降約10倍。“這很瘋狂！就像摩爾定律是溫和的改變世界！”山姆·奧特曼感嘆。

不得不說，除了其實踐經(jīng)驗，OpenAI最近這關(guān)于開源的最新認可，和DeepSeek最近在商業(yè)上的“倒逼”有著直接關(guān)系。開源策略的深層意義，在于構(gòu)建一個“技術(shù)-數(shù)據(jù)-商業(yè)”的飛輪。

2月17日，DeepSeek正式宣布接入微信并開展灰度測試。DeepSeek與微信的合作，本質(zhì)是將模型能力嵌入高頻社交場景，獲取海量用戶交互數(shù)據(jù)。

2月3日，DeepSeek官宣與阿里云以及百度智能云聯(lián)合，通過云服務(wù)觸達企業(yè)客戶，通過共享技術(shù)資源、優(yōu)化算法等方式，進行生態(tài)共建。

2月初，DeepSeek和三大運營商達成戰(zhàn)略合作，實現(xiàn)AI技術(shù)在通信服務(wù)中的深度融入，這包括網(wǎng)絡(luò)管理、服務(wù)優(yōu)化、用戶體驗等多個維度的突破性進展。

1月29日，微軟和DeepSeek共同宣布，DeepSeek-R1已經(jīng)在微軟的AI平臺Azuer AI Foundry和Github可用，開發(fā)者可以使用新模型進行測試和構(gòu)建基于云的應(yīng)用程序和服務(wù)。

以阿里云為例，其平臺AI組件產(chǎn)品PAI Model Gallery支持云上一鍵部署DeepSeek系列模型，包括DeepSeek-V3、DeepSeek-R1等。用戶無需編寫代碼，即可通過阿里云平臺實現(xiàn)模型訓練的過程。值得一提的是， PAI Model Gallery自身是對阿里云用戶開源的。而PAI Model Gallery的兩種資費方式，在線服務(wù)（EAS）計費和分布式訓練（DLC）計費，都是根據(jù)用戶實際使用的資源來計算費用的，比如按使用時間或者次數(shù)來收費。這代表了AI開源業(yè)界普遍的一種收費模式。

DeepSeek和這些B端企業(yè)的合作模式類似于Android的開源生態(tài)：DeepSeek提供底層模型框架，合作伙伴貢獻場景與數(shù)據(jù)，最終通過模型迭代實現(xiàn)“越用越強”的正循環(huán)。

山姆·奧特曼對AI算力趨勢的深刻觀察，正體現(xiàn)在DeepSeek 的算力創(chuàng)新中。DeepSeek-V3的崛起——通過開源模式和技術(shù)創(chuàng)新，將訓練成本壓縮至557.6萬美元（基于H800 GPU租賃成本計算），僅為同類閉源模型的1/10甚至更低。這種成本優(yōu)勢的背后，是算法、框架與硬件的協(xié)同優(yōu)化：FP8混合精度訓練使計算效率提升20%以上，而DeepSeekMoE架構(gòu)以及多頭潛在注意力機制（MLA）架構(gòu)，通過細粒度專家分配，讓每個Token的激活參數(shù)僅占模型總規(guī)模的5.5%（37B/671B）。

因為其較低的硬件成本投入，DeepSeek-R1的發(fā)布一度使得英偉達股價大跌。但有趣的是，根據(jù)經(jīng)濟學杰文斯悖論，算力創(chuàng)新和大幅提升的背后，恰恰會帶動高性能硬件（如英偉達GPU）的需求并使其可能會呈現(xiàn)反彈式增長。

這與杰文斯悖論的核心邏輯相吻合：即技術(shù)進步提高了資源利用效率，降低了成本，進而刺激了需求增加，最終導致資源消耗總量的上升。

多說一句杰文斯悖論：英國經(jīng)濟學家杰文斯發(fā)現(xiàn)，19世紀中葉，隨著第一次工業(yè)革命工業(yè)化的進程，蒸汽機效率的提升雖然使煤的使用更加經(jīng)濟，但結(jié)果卻是煤炭的需求飆升。這其實恰恰滿足了均衡理論中的供需關(guān)系的改變：即價格降低，勢必會帶來需求量的大幅提升。產(chǎn)品便宜了，買家自然就會變多。

2月12日，英偉達在博客中介紹了利用 DeepSeek-R1 和推理時擴展技術(shù)來自動生成優(yōu)化 GPU 內(nèi)核的最新研究成果，效果異常的好。英偉達表示，其對于 DeepSeek-R1 的最新進展及其應(yīng)用潛力感到非常興奮。

智能的線性增長能帶來超指數(shù)級的社會經(jīng)濟價值。大模型技術(shù)的發(fā)展迭代，必將反哺整個人工智能和芯片行業(yè)的發(fā)展迭代速率。

這里我們來具體算一筆賬吧。

賬本落在經(jīng)濟上，大模型開源，各方怎么個互惠互利？

一句話：B端（企業(yè)）得到DeepSeek的大模型賦能，C端（用戶）得到B端企業(yè)更好的服務(wù)，而DeepSeek則得到B端企業(yè)的算力和其服務(wù)的C端的用戶和數(shù)據(jù)。

DeepSeek的六萬張顯卡投入，這筆重要且巨大的開支，通過開源，DeepSeek能夠?qū)⑦@些成本分攤到整個生態(tài)系統(tǒng)中。一方面，開源吸引了大量的開發(fā)者和企業(yè)參與到模型的訓練和優(yōu)化中，降低了單個企業(yè)的投入成本，也就是降低了單個企業(yè)用于構(gòu)建人工智能大模型的邊際費用；另一方面，開源也促進了DeepSeek技術(shù)的快速迭代和升級，提高了模型的性能和準確性，從而降低了后期的維護成本。此外，通過與其他企業(yè)的合作，DeepSeek還能夠獲得額外的收入來源，如技術(shù)授權(quán)、定制化服務(wù)等。

開源代碼不僅降低了DeepSeek自身的開發(fā)成本，還為合作方帶來了技術(shù)上的節(jié)省成本杠桿。通過共享代碼和算法，DeepSeek能夠幫助合作方快速構(gòu)建和優(yōu)化自己的AI模型，避免了重復投入和研發(fā)周期。此外，DeepSeek還提供了豐富的訓練數(shù)據(jù)和工具，使得合作方能夠更加高效地訓練和優(yōu)化模型。這些節(jié)省下來的成本，可以成為合作方進一步投入AI領(lǐng)域的動力。而這一切，也都來自DeepSeek的模型創(chuàng)新。

自此，不難理解關(guān)于DeepSeek“國運級應(yīng)用”的評價了。

02

都在搞錢，那么DeepSeek的錢怎么搞？

眾所周知，DeepSeek目前是免費的，并成功倒逼一眾人工智能大模型公司也隨之宣布其產(chǎn)品未來免費供給C端。

但正如所有企業(yè)都需要營利，天下并沒有免費的午餐。DeepSeek的搞錢之道，依然是開源，開源，開源。

其具體邏輯，通過B端開源技術(shù)降維與生態(tài)鎖定：即用開源代碼降低B端客戶接入門檻，再用增值服務(wù)構(gòu)建自身的壁壘。B端免費算力與數(shù)據(jù)反哺：即用對B端的開源獲取B端免費的算力；B端的廣泛覆蓋又反哺C端的全方位覆蓋，從而帶來更多token樣本（token是數(shù)據(jù)在被模型處理之前或過程中被分割成的最小單元），大量開源得到的token樣本加成會使DeepSeep自身模型算力成本大幅降低，算力效率大幅飛躍使自身模型更優(yōu)化，從而又大幅降低自身模型開發(fā)維護升級成本。

這種“算力-數(shù)據(jù)-模型”的三角循環(huán)，使得DeepSeek的單位訓練成本降低，DeepSeek也正像其無需人工進行標注的機器學習模型一樣，可以達到自學習、自維護、自營收益的高效階段。

具體來說，DeepSeek通過向B端用戶開源其技術(shù)和數(shù)據(jù)資源，吸引他們參與到模型的訓練和優(yōu)化中。這些B端用戶可以是企業(yè)、研究機構(gòu)或開發(fā)者團隊等，他們擁有豐富的數(shù)據(jù)和場景資源，能夠為模型提供更加多樣化的訓練樣本和測試環(huán)境。通過向這些用戶提供技術(shù)支持，DeepSeek能夠降低大模型的算力成本和提高用戶的參與度。與此同時，這些B端用戶在使用模型的過程中也會產(chǎn)生大量的數(shù)據(jù)和反饋，這些數(shù)據(jù)可以用于進一步優(yōu)化模型和提高其性能，促進DeepSeek自身模型的快速迭代。這種向B端開源從而獲取算力和數(shù)據(jù)的模式，不僅降低了DeepSeek的運營成本，還提高了其模型的準確性和泛化能力。

同時，隨著B端用戶的不斷增加和深入?yún)⑴c，DeepSeek能覆蓋到更多的C端用戶和應(yīng)用場景。這些C端用戶可以是個人消費者、中小企業(yè)或行業(yè)用戶等，他們對于智能化需求日益增加。通過向這些用戶提供智能化的服務(wù)和解決方案，DeepSeek能夠吸引他們參與到模型的訓練和優(yōu)化中，從而進一步增加Token訓練樣本的數(shù)量和多樣性。這些Token訓練樣本可以用于進一步提高模型的準確性和泛化能力，從而形成C端對B端的反哺。

獲得大量開源Token訓練樣本能夠降低模型算力成本。DeepSeek利用這些樣本進行更加高效的模型訓練和優(yōu)化。這種“自迭代”使模型能夠在較少的算力硬件資源下達到更好的性能表現(xiàn)。這對于DeepSeek來說自然是一筆巨大的成本節(jié)省。

當然，盡管DeepSeek在技術(shù)和應(yīng)用方面已經(jīng)取得了顯著的進展，但目前仍然存在一些不完善之處。例如：對于某些復雜場景的處理能力有限等問題。

而通過開源策略的實施和生態(tài)系統(tǒng)的構(gòu)建，DeepSeek正在逐步解決這些問題。一方面通過吸引更多的開發(fā)者和企業(yè)參與到模型的訓練和優(yōu)化中來增加token樣本的數(shù)量和多樣性；另一方面通過與合作伙伴的開源合作來拓展應(yīng)用場景和提高模型的泛化能力，充分提升模型處理復雜場景的能力，正如前文所提到。

DeepSeek的商業(yè)模式，似乎正創(chuàng)新出一條AI公司的“自進化”之路。

DeepSeek的商業(yè)模式，本質(zhì)是一場“用模型養(yǎng)模型”的試驗：通過開源吸引生態(tài)伙伴，降低獲客與數(shù)據(jù)獲取成本；再通過B端增值服務(wù)與C端數(shù)據(jù)價值變現(xiàn)，支撐算力擴容；最后，模型性能提升吸引更多合作伙伴，獲得更多增值收益，形成無需人工干預的“數(shù)據(jù)-算力-收益”閉環(huán)。

這一路徑的可行性已初現(xiàn)端倪：DeepSeek-V3的后訓練階段僅消耗5K GPU小時，不到預訓練的0.2%，說明模型的自學習能力顯著增強。若其能持續(xù)壓縮迭代成本，六萬張顯卡的回本周期可能從行業(yè)平均的3-5年縮短至18個月。

然而，爭議依然存在。但無論如何，DeepSeek已證明：在AI的競技場上，低成本與高性能并非零和游戲，而開源生態(tài)可能是打破算力壟斷、提升算力效率的最優(yōu)解。

參考文獻：

DeepSeek-V3技術(shù)報告解讀 來源：機器學習算法那些事

行業(yè)資訊 | Sam Altman凌晨發(fā)文，AI Agent將重塑世界經(jīng)濟 來源：深圳市人工智能行業(yè)協(xié)會

DeepSeek R1不編程就能生成GPU內(nèi)核，比熟練工程師好，驚到了英偉達 來源：機器之心

全網(wǎng)首發(fā) | PAI Model Gallery一鍵部署階躍星辰Step-Video-T2V、Step-Audio-Chat模型 來源：阿里云大數(shù)據(jù)AI平臺

       原文標題 : DeepSeek的六萬張卡如何回本？