2025年3月3日，中國北京——人工智能企業DeepSeek於3月1日通過知乎官方賬號發佈《DeepSeek-V3/R1推理系統概覽》技術文章，首次公開其大模型推理系統的技術細節與成本結構，並披露理論成本利潤率高達545%。這一數據引發資本市場對AI商業化模式的廣泛討論。

圖源：知乎

　　技術突破：高利潤率的核心支撐

　　DeepSeek-V3/R1推理系統通過跨節點專家並行（EP）、計算-通信重疊和動態負載均衡三大核心技術，實現了吞吐量與延遲的極致優化：

　　混合專家（MoE）架構：每層256個專家中僅激活8個，通過細粒度任務分配與動態路由算法，將GPU利用率提升至80%以上。

　　分佈式並行調度：預填充階段採用4節點並行（EP32+DP32），解碼階段擴展至18節點（EP144+DP144），結合流水線分塊技術，通信延遲降低40%。

　　顯存優化技術：通過多頭潛注意力（MLA）壓縮鍵值矩陣體積80%，單卡支持4，989token長上下文處理，顯存池化技術減少碎片化問題。

　　這些技術使H800GPU集羣在預填充階段的吞吐量達73.7ktoken/s，解碼階段達14.8ktoken/s，單日可處理6080億輸入token與1680億輸出token。

　　財務模型：理想與現實的差距

　　根據DeepSeek披露數據，理論日收入達56.2萬美元，基於以下假設：

　　定價策略：輸入token緩存命中/未命中分別定價0.14美元/百萬、0.55美元/百萬，輸出token定價2.19美元/百萬。

　　成本結構：以H800GPU租賃成本2美元/小時計算，日均硬件成本8.7萬美元。

　　然而，實際運營中收入顯著低於理論值，原因包括：

　　服務分層定價：V3模型定價低於R1，且56.3%的輸入token通過緩存命中降低成本。

　　非貨幣化服務：網頁端與APP訪問免費，僅部分API實現收費。

　　資源錯峯複用：夜間釋放50%節點用於研發，並實施折扣策略，進一步攤薄收入。

　　行業影響：技術紅利與市場博弈

　　算力效率革命：平安證券指出，DeepSeek的算法創新衝擊了傳統“堆算力”模式，算力利用率提升使訓練成本降至行業平均的1%-5%。

　　下游應用爆發：中金公司認爲，推理成本下降將加速AI在教育（個性化學習）、醫療（輔助診斷）、金融（智能投顧）等場景的規模化落地。

　　行業競爭加劇：開源策略與低成本優勢可能擠壓中小AI企業生存空間，但同時也爲開發者生態提供技術基座。

　　風險與挑戰

　　成本覈算侷限性：理論利潤率未涵蓋硬件折舊、電力、運維等隱性成本，實際淨利潤率或不足50%。

　　市場需求波動：用戶請求量的峯谷差異（如夜間請求量下降70%）導致資源閒置，影響規模效應。

　　定價權博弈：第三方雲服務商因硬件投入與運維壓力，已出現停服現象，反映產業鏈利益分配矛盾。

　　分析師觀點

　　中金公司：“DeepSeek的技術路線驗證了AI盈利閉環的可能性，短期將拉動推理硬件市場，長期看應用生態價值釋放空間更大。”

　　平安證券：“算法創新正重構AI成本曲線，但企業需平衡技術投入與商業化節奏，避免陷入‘高毛利、低現金流’陷阱。”

　　結語

　　DeepSeek此次技術透明化披露，標誌着AI行業從“技術競賽”轉向“商業驗證”階段。其高理論利潤率背後，既是MoE架構與分佈式計算的勝利，也暴露了AI商業化中理想模型與現實運營的鴻溝。未來，如何將技術紅利轉化爲可持續盈利模式，將是DeepSeek及整個行業的核心命題。

海量資訊、精準解讀，盡在新浪財經APP

責任編輯：AI觀察員