TL;DR：
DeepSeek以牺牲自家平台用户体验为代价，将算力极致压榨并倾斜至内部AGI研发，同时通过开源策略搅动市场价格战，意外成就了云计算基础设施商，展现出一种独特的、不以短期营收为目标的商业策略。这不仅重塑了AI模型市场的竞争格局，更预示着未来AI竞赛将聚焦于“每token智能”的效率之争，而非单纯的规模堆砌。
在人工智能这片沃土之上，总有出其不意的花朵绽放，但鲜有如DeepSeek这般，以一种看似“自毁长城”的方式，掀起滔天巨浪。自DeepSeek R1横空出世的短短百余日，大模型市场便经历了一场前所未有的“价格雪崩”——其中最引人注目的莫过于OpenAI在六月更新中将价格陡降至此前的两成，仿佛一夜之间，AI推理服务的“贵族”身份便被无情地剥去一层金边，化作了寻常百姓家的口粮。1
然而，在这场由DeepSeek“挑衅”引发的数字狂欢中，一个令人费解的现象悄然浮现：尽管其模型在第三方平台的托管使用量飙升了近二十倍，成就了一批云服务商的“意外之喜”，DeepSeek自家网站和API的市场份额却一路下坡，宛如一个在自家派对上被冷落的东道主。到了五月，DeepSeek模型在全网产生的token中，竟然只有可怜的**16%**来自其“亲生”平台。这一“墙内开花墙外香”的奇景，并非意外，而是DeepSeek深思熟虑后的一场豪赌。
算力与用户体验的“不可能三角”
探究DeepSeek这种“反向商业模式”的奥秘，便会发现其背后隐藏着一个残酷的算力分配哲学。根据SemiAnalysis的洞察，DeepSeek为了将推理成本压榨到极致，不惜在用户体验上做出了“战略性妥协”。想象一下，当您急切地向AI提问，却要焦躁地等待数秒才能看到第一个字跃然屏上——这便是DeepSeek官方平台常见的“首token延迟”问题。相比之下，那些价格高昂的第三方平台，往往能提供近乎零延迟的丝滑体验。例如，在Parasail或Friendli上，用户仅需支付3-4美元即可获得百万token额度，且延迟微乎其微。即便是微软Azure这样的大牌，虽然价格是DeepSeek官方的2.5倍，却能将延迟削减整整25秒，让用户免受煎熬。更有甚者，DeepSeek官方在同等延迟表现下，甚至不是自家模型服务中最经济的选择，这无疑让其用户“用脚投票”成为必然。
此外，DeepSeek在有限的推理资源下，仅提供64K的上下文窗口，在主流模型供应商中堪称“小家碧玉”。这对于需要吞吐整个代码库的软件工程师而言，简直是杯水车薪。与之形成鲜明对比的是，Lambda和Nebius等平台在相同价格下，能提供高达2.5倍以上的上下文窗口，满足了更多复杂场景的需求。这种将用户请求“打包”处理以降低每token成本的做法，固然在经济账上划算，却也无情地延长了每位用户的等待时间，使得用户的“即时满足感”成了奢望。
鲶鱼效应：市场重塑与生态共赢
DeepSeek的这些看似“反市场”的决策，并非一时兴起，而是其深远战略的冰山一角。它似乎对通过用户服务直接盈利兴趣寥寥，也无意成为一个以聊天应用或API服务提供大量token的平台。其核心目标，或者说其真正的“圣杯”，在于实现通用人工智能（AGI）。这意味着，尽可能少的算力被用于外部推理服务，而绝大部分的算力资源，都被秘密地留在内部，以供其AGI研究之用。这种“开源+寄生”的商业模式，让DeepSeek在不直接承担大规模推理服务压力的同时，通过模型的开放获取，成功赢得了广泛的影响力，并培养了一个庞大的生态系统，可谓“一石二鸟”。
DeepSeek的“鲶鱼效应”不仅限于其自身，更搅动了整个大模型行业的活水。受其影响，Anthropic旗下的Claude模型也开始调整策略，通过降低输出速度来缓解算力紧张，尽管其速度依然远超DeepSeek。更有趣的是，Claude模型被设计得更为“惜字如金”，生成更简洁的回复，相较于DeepSeek和Gemini可能要多花三倍token来回答同样问题，这揭示了行业一个更深层次的竞争维度：提升每个token的智能。在算力资源愈发稀缺且昂贵的当下，如何让每一个消耗的token都物尽其用，成为AI模型下半场竞争的关键。
逐鹿AGI：token智能与战略取舍
这场AI军备竞赛，说到底拼的还是算力资源的调配与效率。DeepSeek的策略，如同在AI淘金热中，有人选择贩卖铲子，而DeepSeek则选择将大部分“金子”深埋自家矿井，只将少量“矿渣”廉价出售，以换取更多的“勘探许可”。它挑战了硅谷巨头依赖算力堆砌的传统路径，迫使包括微软、英伟达在内的科技巨头加速适应这种新范式。2
在中国市场，DeepSeek的崛起更是让“大模型六小虎”（智谱、百川、零一、MiniMax、月之暗面、阶跃星辰）面临前所未有的压力。它们普遍面临“钱不够、卡不够、数据不够、商业化艰难”的多重挑战。3 然而，竞争并未因此停滞，反而愈发激烈：月之暗面发布Kimi-Dev-72B开源代码大模型，在SWE-bench Verified基准上以60.4%的准确率超越DeepSeek；MiniMax则推出性能比肩DeepSeek、RL训练成本仅53万美元的开源推理模型MiniMax-M1，并以百万级上下文窗口在长文本处理上击败GPT-4o和Claude 3 Opus。3 这都表明，在DeepSeek的冲击下，中国AI企业正被迫加速迭代，寻求差异化竞争优势，而其核心依然围绕着如何以更高效、更智能的方式利用有限的算力。
这场关于“每token智能”的竞赛，远不止是技术参数的较量，更是商业模式与战略愿景的博弈。当许多公司还在为短期营收与市场份额而挣扎时，DeepSeek却以一种近乎偏执的姿态，将资源集中于对AGI的终极探索。这不仅仅是一场技术革命，更是一场关于如何重新定义价值创造、如何在长期愿景与短期利益之间做出取舍的商业哲学实践。未来，那些能够以最小的算力投入，产生最大“智能密度”的模型，无疑将在AI的下一阶段竞争中占据先机，而DeepSeek，正以其独特的方式，为我们描绘着这一前景。