DeepSeek在春節期間刷屏朋友圈，引發了AI產業關於低訓練成本、開源與閉源模型選擇、模型蒸餾及知識產權等話題的熱烈討論。其高效的訓練機制不僅降低了研發門檻，也引發了對於技術共享與商業化路徑的廣泛思考。同時，如何在創新與保護知識產權之間找到平衡，成爲行業未來發展的關鍵議題。

01 DeepSeek模型低訓練成本引發的爭議

根據DeepSeek官方發佈的數據顯示，V3模型的訓練成本僅爲557.6萬美元。這一費用是通過租賃278.8萬個H800 GPU小時計算得出的，平均每小時租金爲2美元折算。而與GPT-4的訓練成本相比，DeepSeek的這一數字幾乎是其1/20，引發了行業內外的高度關注。許多人對DeepSeek如何在如此低的成本下完成如此複雜的訓練任務充滿好奇，也在此過程中產生了一次性訓練成本”VS“全週期開發成本”兩種看法。

一次性訓練成本統計口徑支持方：靈活的雲計算租賃助力精益創新

支持“一次性訓練成本”統計口徑的聲音認爲，DeepSeek之所以能實現低訓練成本，得益於其採用了雲計算資源的靈活租賃。與傳統的自建集羣模式相比，DeepSeek通過租賃公有云中的GPU，減少了對固定硬件的依賴，降低了初期硬件投資的壓力。這種方式，更符合精益創業的思維——以較低的成本進行快速實驗和疊代，從而最大程度地降低風險。

精益創業思維提倡，在資源有限的情況下，以最小的投入進行快速創新，快速試錯，利用彈性計算資源優化硬件使用效率，而非一開始就進行大規模的資本投入。支持者認爲，這種模式不僅能在短期內實現技術突破，還能在全球AI競爭中獲得領先優勢。因此，DeepSeek所宣稱的557.6萬美元訓練成本，實則代表了其通過靈活使用雲計算資源而進行的精益開發。

全週期開發成本支持方：忽視硬件採購與試錯成本，估算過於樂觀

然而，反對者則指出，單純關注“一次性訓練成本”忽視了AI模型開發的複雜性和長週期性。在傳統的AI大模型開發過程中，必須將整個生命週期中的成本納入考量。全週期開發成本的支持者認爲，硬件採購、研發人員薪酬、試錯成本以及架構調整等投資，均應視爲不可忽視的沉沒成本。

例如，DeepSeek僅在硬件採購上就可能花費超過5億美元，而開發新的架構（如MLA架構和稀疏模型）通常需要數月時間進行實驗、調優和驗證，這期間的失敗嘗試也會帶來高昂的成本。因此，DeepSeek所公佈的557.6萬美元訓練成本，實際上嚴重低估了整個研發過程的總投入。支持者認爲，DeepSeek這一低成本數據缺乏對全生命週期投資的全面統計，可能會誤導行業對AI研發成本的真實認知。

成本統計口徑“羅生門”現象背後的深層次問題

DeepSeek所引發的成本統計口徑爭議，實際上暴露了AI研發過程中的一項重要問題：成本的定義和統計標準尚未統一。在AI行業，尤其是大模型開發領域，不同公司和團隊的成本統計口徑、開發週期以及技術路徑差異，導致了不同公司對成本的計算方式迥異。而這一點，也正是深度學習模型訓練與硬件採購模式的巨大差異所帶來的挑戰。

與此同時，隨着雲計算資源的不斷發展與創新，雲租賃與自建集羣模式之間的爭議也在進一步加劇。是否完全依賴雲計算租賃來降低初期硬件投資，還是通過長期投入在自建集羣中實現穩定性和可控性？這一問題依然沒有明確的答案，且每種選擇都伴隨着不小的風險與不確定性。

02 DeepSeek引領AI行業新趨勢，從“訓練軍備競賽”到“推理效率革命”

推理效率“降維打擊”

傳統的大型AI模型如GPT-4，在推理過程中需要激活所有參數，導致計算資源和算力需求呈線性增長，推理成本不斷上升。與此不同，DeepSeek採用稀疏架構，僅激活35%-37%的參數，大幅提高了推理效率，縮短了推理時間，同時降低了長期的推理成本。

技術外溢：推進行業標準變革

如果稀疏架構成爲行業標準，未來AI優化的關鍵指標將不再是“參數量”，而是“激活效率”。這一變化將推動輕量化、場景專用的模型崛起，並在邊緣計算等領域發揮重要作用，加速AI技術的普及和應用。

商業模式轉型：從“燒錢訓練”到“訂閱式服務”

DeepSeek的推理效率突破不僅減少了推理成本，也爲商業模式帶來變革。企業可以通過低成本提供高效服務，降低盈利門檻，尤其是在API收費模式下。此外，推理技術的進步也爲AI應用在智能客服、實時推薦等場景的普及創造了新機遇。

行業格局變化：中小廠商迎來逆襲

傳統的大型AI企業依賴龐大的硬件資源和數據優勢，但稀疏架構的開源和技術創新爲中小廠商提供了逆襲的機會。中小廠商可以通過更輕量化的模型架構，利用有限的算力實現技術突破，打破大企業在“數據+算力”上的壟斷。

03 DeepSeek是否真的刺穿英偉達算力泡沫

DeepSeek近期的技術突破引發了市場的強烈反應，尤其是在英偉達高端GPU市場的影響上。短期內，英偉達股價的波動可以歸因於市場對DeepSeek創新的恐慌反應，但從長期來看，DeepSeek的突破將帶來算力成本的降低，將推動AI應用生態爆發，進一步提升對英偉達產品的需求。

短期情緒波動：DeepSeek突破對英偉達的威脅

DeepSeek通過優化PTX層和支持FP8計算，理論上減少了AI模型訓練對英偉達高端GPU的依賴。PTX（Parallel Thread Execution）作爲NVIDIA CUDA架構的底層指令集，長期以來構成了英偉達技術壁壘的核心部分。DeepSeek的突破主要集中在PTX層的局部優化，提升了計算效率，但其技術的另一個潛在影響是，DeepSeek是否也具備在其他GPU平臺（非最精尖）上進行優化的能力，這意味着其他廠商的GPU產品可與英偉達產品正面競爭。然而，這種局部優化並不會摧毀英偉達的技術生態，市場對DeepSeek技術的“破壞性”存在誤判。DeepSeek的突破更像是在現有架構上開發更高效的編譯器，而非從根本上改變整個操作系統。

長期需求：算力成本下降推動AI應用普及

從長期來看，DeepSeek的推理效率提升將促進AI算力的普及。隨着低精度計算（如FP8）的推廣，越來越多的AI應用能夠在中低端硬件上運行，這意味着，AI研發公司將不再侷限於選擇英偉達的高端GPU。雖然這一突破爲其他廠商提供了替代英偉達的可能性，但更廣泛的算力需求將推動整個AI應用生態的爆發，反而爲英偉達帶來了更多市場機會。

英偉達的護城河：CUDA生態的不可替代性

儘管DeepSeek在局部優化上取得了進展，英偉達的完整硬件和軟件生態（包括CUDA編程環境、開發工具及社區支持）仍然是其不可替代的優勢。CUDA不僅僅是一個API接口，它爲開發者提供了全生命週期的支持，成爲AI開發者和企業選擇英偉達硬件的核心理由。因此，即使DeepSeek能在其他廠商推出的硬件上優化計算能力，CUDA生態的深度與粘性依然是英偉達的強大護城河。

文章來源：頭豹公衆號