DeepSeek在春节期间刷屏朋友圈，引发了AI产业关于低训练成本、开源与闭源模型选择、模型蒸馏及知识产权等话题的热烈讨论。其高效的训练机制不仅降低了研发门槛，也引发了对于技术共享与商业化路径的广泛思考。同时，如何在创新与保护知识产权之间找到平衡，成为行业未来发展的关键议题。

01 DeepSeek模型低训练成本引发的争议

根据DeepSeek官方发布的数据显示，V3模型的训练成本仅为557.6万美元。这一费用是通过租赁278.8万个H800 GPU小时计算得出的，平均每小时租金为2美元折算。而与GPT-4的训练成本相比，DeepSeek的这一数字几乎是其1/20，引发了行业内外的高度关注。许多人对DeepSeek如何在如此低的成本下完成如此复杂的训练任务充满好奇，也在此过程中产生了一次性训练成本”VS“全周期开发成本”两种看法。

一次性训练成本统计口径支持方：灵活的云计算租赁助力精益创新

支持“一次性训练成本”统计口径的声音认为，DeepSeek之所以能实现低训练成本，得益于其采用了云计算资源的灵活租赁。与传统的自建集群模式相比，DeepSeek通过租赁公有云中的GPU，减少了对固定硬件的依赖，降低了初期硬件投资的压力。这种方式，更符合精益创业的思维——以较低的成本进行快速实验和叠代，从而最大程度地降低风险。

精益创业思维提倡，在资源有限的情况下，以最小的投入进行快速创新，快速试错，利用弹性计算资源优化硬件使用效率，而非一开始就进行大规模的资本投入。支持者认为，这种模式不仅能在短期内实现技术突破，还能在全球AI竞争中获得领先优势。因此，DeepSeek所宣称的557.6万美元训练成本，实则代表了其通过灵活使用云计算资源而进行的精益开发。

全周期开发成本支持方：忽视硬件采购与试错成本，估算过于乐观

然而，反对者则指出，单纯关注“一次性训练成本”忽视了AI模型开发的复杂性和长周期性。在传统的AI大模型开发过程中，必须将整个生命周期中的成本纳入考量。全周期开发成本的支持者认为，硬件采购、研发人员薪酬、试错成本以及架构调整等投资，均应视为不可忽视的沉没成本。

例如，DeepSeek仅在硬件采购上就可能花费超过5亿美元，而开发新的架构（如MLA架构和稀疏模型）通常需要数月时间进行实验、调优和验证，这期间的失败尝试也会带来高昂的成本。因此，DeepSeek所公布的557.6万美元训练成本，实际上严重低估了整个研发过程的总投入。支持者认为，DeepSeek这一低成本数据缺乏对全生命周期投资的全面统计，可能会误导行业对AI研发成本的真实认知。

成本统计口径“罗生门”现象背后的深层次问题

DeepSeek所引发的成本统计口径争议，实际上暴露了AI研发过程中的一项重要问题：成本的定义和统计标准尚未统一。在AI行业，尤其是大模型开发领域，不同公司和团队的成本统计口径、开发周期以及技术路径差异，导致了不同公司对成本的计算方式迥异。而这一点，也正是深度学习模型训练与硬件采购模式的巨大差异所带来的挑战。

与此同时，随着云计算资源的不断发展与创新，云租赁与自建集群模式之间的争议也在进一步加剧。是否完全依赖云计算租赁来降低初期硬件投资，还是通过长期投入在自建集群中实现稳定性和可控性？这一问题依然没有明确的答案，且每种选择都伴随着不小的风险与不确定性。

02 DeepSeek引领AI行业新趋势，从“训练军备竞赛”到“推理效率革命”

推理效率“降维打击”

传统的大型AI模型如GPT-4，在推理过程中需要激活所有参数，导致计算资源和算力需求呈线性增长，推理成本不断上升。与此不同，DeepSeek采用稀疏架构，仅激活35%-37%的参数，大幅提高了推理效率，缩短了推理时间，同时降低了长期的推理成本。

技术外溢：推进行业标准变革

如果稀疏架构成为行业标准，未来AI优化的关键指标将不再是“参数量”，而是“激活效率”。这一变化将推动轻量化、场景专用的模型崛起，并在边缘计算等领域发挥重要作用，加速AI技术的普及和应用。

商业模式转型：从“烧钱训练”到“订阅式服务”

DeepSeek的推理效率突破不仅减少了推理成本，也为商业模式带来变革。企业可以通过低成本提供高效服务，降低盈利门槛，尤其是在API收费模式下。此外，推理技术的进步也为AI应用在智能客服、实时推荐等场景的普及创造了新机遇。

行业格局变化：中小厂商迎来逆袭

传统的大型AI企业依赖庞大的硬件资源和数据优势，但稀疏架构的开源和技术创新为中小厂商提供了逆袭的机会。中小厂商可以通过更轻量化的模型架构，利用有限的算力实现技术突破，打破大企业在“数据+算力”上的垄断。

03 DeepSeek是否真的刺穿英伟达算力泡沫

DeepSeek近期的技术突破引发了市场的强烈反应，尤其是在英伟达高端GPU市场的影响上。短期内，英伟达股价的波动可以归因于市场对DeepSeek创新的恐慌反应，但从长期来看，DeepSeek的突破将带来算力成本的降低，将推动AI应用生态爆发，进一步提升对英伟达产品的需求。

短期情绪波动：DeepSeek突破对英伟达的威胁

DeepSeek通过优化PTX层和支持FP8计算，理论上减少了AI模型训练对英伟达高端GPU的依赖。PTX（Parallel Thread Execution）作为NVIDIA CUDA架构的底层指令集，长期以来构成了英伟达技术壁垒的核心部分。DeepSeek的突破主要集中在PTX层的局部优化，提升了计算效率，但其技术的另一个潜在影响是，DeepSeek是否也具备在其他GPU平台（非最精尖）上进行优化的能力，这意味着其他厂商的GPU产品可与英伟达产品正面竞争。然而，这种局部优化并不会摧毁英伟达的技术生态，市场对DeepSeek技术的“破坏性”存在误判。DeepSeek的突破更像是在现有架构上开发更高效的编译器，而非从根本上改变整个操作系统。

长期需求：算力成本下降推动AI应用普及

从长期来看，DeepSeek的推理效率提升将促进AI算力的普及。随着低精度计算（如FP8）的推广，越来越多的AI应用能够在中低端硬件上运行，这意味着，AI研发公司将不再局限于选择英伟达的高端GPU。虽然这一突破为其他厂商提供了替代英伟达的可能性，但更广泛的算力需求将推动整个AI应用生态的爆发，反而为英伟达带来了更多市场机会。

英伟达的护城河：CUDA生态的不可替代性

尽管DeepSeek在局部优化上取得了进展，英伟达的完整硬件和软件生态（包括CUDA编程环境、开发工具及社区支持）仍然是其不可替代的优势。CUDA不仅仅是一个API接口，它为开发者提供了全生命周期的支持，成为AI开发者和企业选择英伟达硬件的核心理由。因此，即使DeepSeek能在其他厂商推出的硬件上优化计算能力，CUDA生态的深度与粘性依然是英伟达的强大护城河。

文章来源：头豹公众号