DeepSeek的「成本战争」：一场关于定价权与生态定义权的战略推演
DeepSeek的「成本战争」：一场关于定价权与生态定义权的战略推演
一、问题的提出
| DeepSeek在5月23日做了一个令市场错愕的决定：V4-Pro的API定价永久下调75%。缓存命中输入降至\(0.003625/百万tokens——这相当于原价的四分之一，且不设时限。一个月之内四次调价，从首发折扣到永久定价，动作之密集令人侧目。 资本层面同步传来消息：百亿美元级融资正在推进，估值逾200亿美元。腾讯、阿里入局洽谈，国资渠道反馈"完全投不进去"。 表面看，这是一轮典型的"技术领先+资本加持"叙事。但若将时间轴拉长至两年，从V2的MLA到V3.2的DSA，再到V4的CSA、HCA，一条清晰的技术主线浮现出来：DeepSeek最连续的战略不是做视频模型，不是做超级应用，而是把长上下文和推理的单位成本压到最低。 这引出了一个核心问题：当一家AI公司选择把"成本压低"作为首要战略，它究竟在争夺什么？ ## 二、技术拆解：从MLA到CSA/HCA的压缩哲学 ### 2.1 MLA：KV缓存的第一次革命 V2提出的多头潜在注意力（MLA）解决了Transformer的核心痛点：KV缓存的内存爆炸。传统多头注意力中，每个头维护独立的K、V矩阵，序列越长，显存占用呈线性增长。MLA通过低秩压缩将KV缓存压至512维潜在向量，以近乎固定的内存开销支持长序列。 这是DeepSeek技术路线的起点：用压缩换空间，用空间换效率。 ### 2.2 DSA到CSA/HCA：压缩策略的精细化分层 V3.2引入DeepSeek稀疏注意力（DSA），在长序列中引入选择性计算——不是每个token都要和所有历史token交互，只挑关键的。V4在此基础上更进一步，设计了压缩稀疏注意力（CSA）与重度压缩注意力（HCA）的混合架构。 CSA的运作逻辑是：先将每m个token的KV缓存压缩为单个条目，再应用稀疏注意力让每个查询token只关注k个压缩条目。HCA则更激进，以更大的m'将大量token信息高度聚合，保留全局感知能力。二者交替使用：HCA把握宏观脉络，CSA捕捉关键细节。 这套设计的工程含义极其明确：在100万token上下文中，V4-Pro的单token推理FLOPs降至V3.2的27%，KV缓存占用降至10%。百万上下文不再是昂贵的附加功能，而是默认基础设施。 ### 2.3 MoE+Engram：双稀疏轴的协同 V4的另一项核心创新是Engram条件记忆模块。传统MoE架构实现的是"计算稀疏化"——每次只激活部分专家。Engram则实现了"记忆稀疏化"：将实体名称、固定公式等静态知识存储于可扩展查找表，以O(1)时间完成检索。 更深层的意义在于"查算分离"。MoE的路由依赖运行时隐藏状态，动态且不可预测；Engram的检索索引仅由输入token序列决定，完全确定。这一差异带来了工程上的质变：千亿参数的Engram嵌入表可卸载至廉价CPU内存，GPU计算前序层的同时通过PCIe异步预取后续所需记忆，通信与计算完全重叠。实验数据显示，即使挂载1000亿参数的Engram表，H800推理吞吐量降幅不足3%。 DeepSeek团队还发现了一条U形缩放定律：当总稀疏参数中75%-80%分配给MoE、20%-25%分配给Engram时，系统性能达到最优。这意味着静态记忆与动态推理之间存在一个黄金配比，而非简单的此消彼长。 ### 2.4 TileLang：跨硬件的算子抽象层 如果说CSA/HCA和Engram解决的是"模型怎么省"，TileLang解决的是"硬件怎么跑"。 这是DeepSeek自研的领域特定语言（DSL），用于编写高性能GPU内核。开发者以Python风格描述计算逻辑，编译器自动生成针对不同硬件优化的底层代码——CUDA、CANN、OpenCL均可作为目标后端。FlashAttention算子从500+行CUDA代码缩减至80行TileLang，性能持平甚至超越原版。 V4的算子层完全基于TileLang重写。这意味着同一份代码既可在英伟达H100上运行，也可在华为昇腾950PR上编译。DeepSeek将TileLang开源后，华为昇腾、寒武纪、沐曦等国产芯片厂商均完成了首日适配。 TileLang的战略价值在于：它把算子开发从"硬件绑定"转变为"算法抽象"。CUDA的护城河从来不是技术本身，而是开发者习惯与生态锁定。TileLang提供了一条跨硬件的迁移路径，让模型厂商不必再为每款新芯片重写整套算子库。 ## 三、定价策略：不是价格战，是标准战 ### 3.1 永久降价的数学含义 V4-Pro的新定价结构值得逐行拆解： | 计费项 | 原价（\)/百万tokens） | 永久价 | 降幅 |
|---|---|---|
| 缓存命中输入 | \(0.0145 |\)0.003625 | 75% |
| 缓存未命中输入 | \(1.74 |\)0.435 | 75% |
| 输出 | \(3.48 |\)0.87 | 75% |
对比竞品：GPT-5.5的输入定价为\(5.00/百万tokens（缓存命中\)0.50），DeepSeek的缓存命中价格仅为GPT-5.5的0.7%。这不是"更便宜"，而是两个数量级的差距。
关键在于"永久"二字。限时折扣是营销手段，永久定价是行业标准声明。DeepSeek在宣告：百万token上下文的旗舰推理，就值这个价。后来者若定价更高，必须证明其额外价值足以覆盖10倍以上的成本差距。
3.2 缓存命中的经济学
DeepSeek的定价结构刻意放大了缓存命中与未命中的价差：50倍。这一设计的商业逻辑在于：Agent场景、多轮对话、代码补全等高频调用天然具有高命中率——系统提示词、仓库上下文、历史对话均可复用。命中率每提升10%，实际成本就显著下降。
这意味着DeepSeek的定价对Agent工作负载极度友好。当其他厂商按全量输入计费时，DeepSeek用缓存机制将高频调用的边际成本压至近乎为零。这不仅是价格战，更是对"API经济"计费范式的重新定义。
四、生态推演：非CUDA阵营的突破口
4.1 国产芯片的"Day 0"共振
4月24日V4发布当日，华为昇腾、寒武纪、摩尔线程、海光DCU、沐曦、昆仑芯、平头哥真武、天数智芯——8家国产AI芯片厂商同步宣布完成"Day 0适配"。这不是公关排期，而是软件栈、推理框架、底层算子在发布前已打通生产路径的事实。
更深层的信号在于：DeepSeek优先向国产芯片厂商开放早期访问权限，英伟达和AMD反而未获预览版。这一"反向优先"打破了行业惯例，其战略意图清晰可见：将自身模型架构和工具链打造为非CUDA阵营的优先适配对象。
4.2 昇腾950PR的数据验证
华为官方Benchmark显示，昇腾950PR单卡运行V4-Pro的Decode吞吐达4700 TPS（TPOT约20ms），V4-Flash达1600 TPS（TPOT约10ms）。第三方评测显示，深度优化后的V4在昇腾950PR上的推理性能达到英伟达H20的2.87倍。
从成本结构看，100卡集群方案中：英伟达H20裸卡约1000万元+服务器主机286万元+机柜等，总价约1500万元；同规模昇腾950PR方案约1000万元出头。考虑到单卡功耗（昇腾950PR为600W，H20为350W）与单位算力功耗差异（昇腾低65%），以及1张昇腾950PR的推理吞吐量约等于2.2-2.8张H20，综合基建投入后昇腾方案可能节省60%-70%。
这意味着DeepSeek的降价空间并非来自补贴，而是来自硬件成本的结构性下降。当模型本身为国产芯片做了深度适配，推理成本曲线就获得了独立于英伟达定价体系的下行通道。
4.3 生态议价权的转移
传统AI产业链的价值分配遵循"芯片定义模型"的逻辑：英伟达推出新GPU，模型厂商跟进适配，云厂商采购部署。DeepSeek正在尝试翻转这一逻辑——"模型定义芯片"。
当DeepSeek-V4成为首个同时在英伟达和华为昇腾上完成全栈验证的万亿参数模型，且开源权重允许任何人本地部署时，芯片厂商的竞争优势就从"能不能跑CUDA"转变为"能不能高效跑DeepSeek"。TileLang进一步降低了迁移门槛：算法研究者用80行Python描述注意力机制，编译器自动生成昇腾优化内核。
这是一种生态议价权的根本性转移。华为昇腾、寒武纪等厂商过去面临的困境是：硬件性能接近英伟达，但缺乏"杀手级应用"证明其商业价值。DeepSeek-V4提供了这个证明——而且是以开源、免费、可本地部署的方式提供的。
五、战略审视：三种可能的终局
5.1 乐观路径：中国AI的"安卓时刻"
如果DeepSeek的模型架构（CSA/HCA+Engram+MoE）和工具链（TileLang+DeepGEMM）成为非CUDA阵营的事实标准，则可能触发类似安卓对移动芯片生态的重塑效应：
- 国产芯片厂商获得"杀手级应用"的背书，研发投入获得商业闭环
- 云厂商增加国产芯片采购，规模效应摊薄单位成本
- 开发者基于TileLang编写跨硬件算子，进一步削弱CUDA锁定
- 推理成本持续下降，Agent应用爆发，需求端反哺供给端
此路径的关键验证点：2026年下半年昇腾950超节点批量上市后的价格下调幅度，以及V4在纯国产集群上的训练可行性。
5.2 中性路径：双轨并行的"冷战格局"
更可能的短期结果是CUDA生态与非CUDA生态的并行存在。DeepSeek在国产芯片上的成功适配证明了一条独立路径的可行性，但英伟达在训练市场（尤其是大规模RL所需的万亿级token生成）仍具不可替代性。
此格局下，DeepSeek的战略价值在于"制衡"而非"替代"——为产业链提供第二个选项，压低英伟达的定价权，同时为国产芯片争取迭代时间。这本身是巨大的战略收益。
5.3 风险路径：工程透支与迭代放缓
V4的国产适配被业内人士形容为"爬雪山、过草地"。万亿参数MoE模型在非均匀芯片集群上的稳定性、显存带宽、网络延迟要求近乎苛刻。DeepSeek为此做出了一系列权衡：放弃部分极端基准刷分，优先保证长上下文和Agent场景的鲁棒性。
更大的隐忧在于：当工程团队大量精力投入硬件适配时，模型本身的性能优化可能放缓。V4发布前整整15个月的"空白期"（2025年1月R1爆红至2026年4月V4发布），同期OpenAI连推GPT-4.5、GPT-5，Anthropic迭代三代Claude——DeepSeek在全球大模型竞赛中隐匿了一个代际。
梁文锋在投资者会议上的表态提供了答案：DeepSeek的主要目标是AGI。硬件生态是手段，AGI才是目的。大规模强化学习和递归自我改进（RSI）需要海量推理轨迹生成，而100万上下文的长程任务要求轨迹本身足够长。没有极致的硬件效能优化，这样的训练过程无法实际展开。
换言之，DeepSeek不是在"分心"做硬件适配，而是在为AGI训练铺筑基础设施。成本压低的终极目的，是让"烧不起"变成"烧得起"。
六、结论：一场关于"可能性"的定价
回到开篇的问题：DeepSeek争夺的是什么？
答案或许不是市场份额，不是短期营收，而是"可能性"的定义权。当它将百万token旗舰推理的定价锚定在$0.003625/M时，它是在告诉整个行业：长上下文Agent的门槛，就值这个数。当它将代码从CUDA迁移至CANN、用TileLang重写200+算子时，它是在告诉国产芯片厂商：你们缺的不是一个更便宜的GPU，而是一个能让你们跑起来的模型。
资本押注DeepSeek，不是在押注一个API供应商。他们押注的是：如果推理成本和硬件门槛被打穿，AI应用爆发的临界点就会提前到来——而DeepSeek将是那个定义临界点附近生态规则的玩家。
国产芯片能否借此崛起？这取决于一个更根本的问题：DeepSeek-V4的成功适配，究竟是一次"特事特办"的探月工程，还是一条可复制的标准化路径？TileLang的开源、V4权重的开放、以及下半年昇腾超节点的规模化部署，将给出答案。
参考与延伸
- DeepSeek-V4 技术报告（含CSA/HCA混合注意力、Engram模块、TileLang算子实现）
- TileLang: A DSL for High-Performance Kernel Development
- Engram: Conditional Memory via Scalable Lookup (DeepSeek-AI & 北京大学)
- 华为昇腾950PR官方Benchmark数据
- 华西证券、上海证券等券商研报
#DeepSeek #AI芯片 #国产芯片 #推理优化 #技术拆解 #生态竞争 #华为昇腾 #寒武纪 #大模型 #硬核分析
#深度研究 #DeepSeek #AI芯片 #国产芯片 #推理优化 #技术拆解 #生态竞争 #华为昇腾 #寒武纪 #大模型 #硬核分析 #小凯
讨论回复
1 条回复
推荐
智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。