界面新闻记者 |
界面新闻编辑 | 文姝琪
持续五天的“DeepSeek开源周”刚结束，DeepSeek团队就在国内知乎平台注册官方账户，并在3月1日当天发布了第一条动态。这篇最新的帖子首次对外公布模了型的优化技术细节、成本利润率等关键信息。
这篇帖子最吸引眼球的一个结论是，按DeepSeek测算，假定GPU租赁成本为2美元/小时，总成本为8.7万美元/天。如果统计包括网页、App和API在内的所有负载，将所有模型tokens全部按照DeepSeek-R1的定价（DeepSeek R1 的定价：$0.14 / 百万输入 tokens (缓存命中)，$0.55 / 百万输入 tokens (缓存未命中)，$2.19 / 百万输出 tokens）计算，理论上一天的总收入为5.62万美元，算下来成本利润率为545%。
高达545%的利润率意味着什么，又会给行业带来了怎样的影响？界面新闻采访了复旦大学计算机科学技术学院教授张奇，他的研究方向为自然语言处理、信息检索 、数据密集型计算。
在自然语言处理中，Token是语言文本被分割后的基本单位，每个用户向AI提问并获取回答，问题及答案的文本长度对应数量不等的Token。AI处理每个Token都需要消耗算力。此外，还存在命中缓存与否的情况，命中缓存指用户向AI提问涉及的相关数据已存在于缓存之中，模型可直接调用，无需重新计算或从数据库检索，节省了算力、时间及存储资源，成本更低，若没能命中，则需要消耗更多算力等资源，成本更高。
目前，按Token计价收费是AI公司的主要商业模式。命中缓存相对价格较低，未命中则收费更高。
张奇告诉记者，对行业来说，DeepSeek在最新的文章中提到的56.3%缓存命中率（原文称，在 24 小时统计时段内，DeepSeek V3 和 R1都能实现输入 token 总数为 608B，其中 342B tokens（56.3%）命中 KVCache 硬盘缓存）是一项具有重要意义数据。
“虽然各家没有公布过相关数据，但超过一半的命中率在业内应该已是很高的水平。”张奇认为，像在DeepSeek所开发的6710亿参数超大模型上，几亿用户提问时所写的文本多多少少存在差异，在这种前提下能够实现高中率，说明团队在模型整体优化上做了很多工作。
据DeepSeek团队介绍，V3、R1推理系统的优化目标就是追求“更大的吞吐，更低的延迟。”
基于DeepSeek采取的混合专家模型核心架构（MOE），超大模型由众多规模较小的专家模型组成，并承担不同的分工。通俗用人类世界的团队合作来解释其中所需要的调度工作，如果一个团队要将各个领域的专家集合到一起来攻克某项任务，就需要事先把整体任务拆分成多个流程环节的任务，再按照分配给不同领域的专家，让他们每个人都发挥专业技能解决问题，最后汇总结论。
DeepSeek在文中写道，由于DeepSeek-V3 / R1的专家数量众多，并且按照最初的设计规则，每层256个专家在实际运行中仅激活其中8个。要实现团队的“大吞吐，低延迟”的优化目标，就需要做到短时间处理大量任务时“高效调用”每个专家，也就是DeepSeek在文中提到的“大规模跨节点专家并行（Expert Parallelism / EP）”。
“这是一项难度极大的平衡工作，如果模型优化分配上做不好，就会使得一个6000多亿参数的超大模型，每次可能只有8个或几个专家在实际运行，而且如果某一个没有运行完，剩下的所有专家可能在等待。等待则通常又意味着计算资源的浪费。”张奇认为，在DeepSeek开源前，混合专家模型的平衡设计对许多AI模型大厂都是尚未攻克的难题。
此外，据DeepSeek介绍，另外，由于白天用户访问量大、服务负荷高，晚上的服务负荷低，团队实现了一套机制，在白天负荷高的时候，利用所有模型节点部署推理服务。晚上负荷低的时候，减少推理节点，以用来做研究和训练。
根据DeepSeek统计，按照这套“白天推理——晚上训练”的方案规划，在最近的24小时内，将DeepSeek V3和R1推理服务占用节点加到一起，任务繁忙的高峰期最多占用278个节点，平均占用226.75个节点（每个节点为8个英伟达H800 GPU）。
张奇认为，考虑到DeepSeek还有新模型项目及其他工作需要GPU，上述1800-2000张H800GPU（平均占用节点数乘以8个GPU），大概率已经用上了DeepSeek现阶段为DeepSeek V3与R1模型所能调用的“全部算力资源”。
此前按照行业观点，DeepSeek的创新突破在于，在有限资源的环境下，将效率提升到了极致，从而实现了模型的低成本开发。在上述一系列优化效率的基础之上，才有了545%的成本利润率。
但DeepSeek也强调，545%只是一个理论值，实际运行时没“有这么多收入”。因为 V3 的定价更低，同时收费服务只占一部分，另外夜间还另有折扣。
此前，DeepSeek在同类模型厂商中就以“AI拼多多”的低价标签备受关注。
去年推出V2模型时，DeepSeek就曾在4月首次将API调用价格降至输入1元/百万tokens、输出2元/百万tokens，引发了豆包、Kimi、文心一言等厂商的跟进，带动了第一波模型价格战。最新的V3模型服务定价仅为OpenAI同类模型4o的1/15，R1模型的价格也远低于同行。
此次公布出的高利润率也让外界看清了DeepSeek降价的“底牌”。
在此之前，业内一度热议“DeepSeek模型API定价过低是否会带来巨大亏损”，DeepSeek前研究员罗福莉去年5月在个人知乎上否认了这一点。据她透露，目前以DeepSeek现在的定价，大规模服提供服务，不亏本，利润率超50%。DeepSeek创始人梁文峰也在接受36氪媒体专访时提到，公司的定价策略是“原则上不亏本销售，也不追求过高利润。目前的定价仅在成本之上保留了一定的利润空间。”
目前，业内宣布接入部署“满血版”DeepSeek R1模型的厂商大多以单机（8张GPU的服务器）、双机这一类小规模设备为主。据记者了解，“四机目前是业内考验公司技术能力的一道分水岭”。而随着服务器台数越多，规模化部署调度和优化难度越大，DeepSeek团队所实现的300多台服务器部署工程对团队技术能力要求更是急剧上升。
眼下，虽然545%的成本利润率是DeepSeek基于大规模部署测算的一个理论值，实际的利润水平官方并未公布，但依然让行业开始看到了“赚钱的希望”。
张奇认为，DeepSeek在公布利润率的同时也将模型优化方法开源，行业会更加积极学习这套优化方法部署DeepSeek。虽然对绝大多数公司来说，“知道”和“做到”是两件事，将同样优化方法落到实际会遇到各种新问题，但整个行业会在这方面进行更多尝试。
（界面新闻记者伍洋宇对此文亦有贡献）
47847
26
47847
26
48158
46
18095
59
76276
17
65573
36
63128
4
86478
85
30367
78
63524
2
62738
4
31856
47
71272
50
83067
20
99712
97
54978
31
63720
90
94331
53
29063
54
68942
21
89181
94
23218
58
28745
52
81201
44
17391
69
29549
6
17480
70
89028
4
98746
88
79267
68
83517
81
27017
78
54410
77
62398
63428
58
63473
31
19
84052
15
46245
22
19684
80
22271
49
94874
50
36152
35
45060
29
74946
99
90160
42
41857
2
66369
8
47534
52
61701
41
52980
33
50061
60
68054
93840
53
92885
11