DeepSeek如何搅动AI行业上下游格局

春节假期刚过，科技圈的热度却丝毫未减，而话题的中心，无疑仍是那条搅动全球AI格局的“鲶鱼”——DeepSeek。它所引发的连锁反应，早已超越了技术讨论本身。

大洋彼岸，硅谷正经历着一场空前的反思。开源社区的声浪再次高涨，甚至连OpenAI也不得不重新审视其闭源策略的得失。更深远的影响体现在产业链上游：低算力成本的新范式，直接触动了芯片巨头英伟达的神经，甚至引发了其股价的剧烈波动。与此同时，监管机构也开始关注其芯片使用的合规性问题。

就在海外评价褒贬不一之际，国内生态却呈现出一派前所未有的繁荣景象。DeepSeek R1模型发布后，其应用端承接的“泼天流量”，初步验证了一个关键趋势：杀手级应用的出现，将成为拉动整个AI生态发展的核心引擎。一个更直接的利好是，它极大地拓宽了AI应用的成本想象空间——未来使用ChatGPT级别的能力，或许不必再背负如此高昂的代价。

这一点，从OpenAI近期的频繁动作中便可窥见一斑。为应对竞争，其首次向免费用户开放了推理模型o3-mini，并随后公开了思维链（尽管是总结版）。不少海外网友在评论区直言，这要“感谢”DeepSeek带来的压力。

更值得乐观的是，DeepSeek的这一波浪潮，再次将国内产业力量凝聚在了一起。当它将模型成本拉入下行通道，一个以它为核心的生态圈正在迅速形成。上游的芯片厂商、中层的云服务商，以及下游的创业公司，都在积极融入，共同为模型的降本增效添砖加瓦。

根据其论文披露，V3模型的完整训练仅需278.8万H800 GPU小时，且过程异常稳定。这背后，MoE（混合专家）架构是成本较Llama 3 405B降低十倍的关键。目前，V3是公开领域首个证明MoE稀疏度可以做到如此之高的模型。此外，MLA（多头潜在注意力）技术在推理侧的贡献同样功不可没。

有行业研究员分析指出：“MoE模型越稀疏，推理时就需要越大的批处理尺寸才能充分利用算力。而限制批处理尺寸的关键因素正是KVCache的大小，MLA技术恰好大幅缩小了它。”可以说，DeepSeek的成功并非依赖某项单一技术的突破，而是多项前沿技术极致工程化后的组合成果。业内普遍认为，其团队在并行训练、算子优化等细节上的深厚功底，是最终实现突破性效果的基石。

而DeepSeek的开源，无疑为整个大模型领域再添了一把火。其现阶段成果主要集中在语言模型，业界判断，倘若未来有团队能沿类似技术路线在图像、视频等多模态领域取得突破，必将进一步引爆行业需求。

第三方推理服务的机遇

数据最能说明热度：DeepSeek发布后，仅用21天，其日活跃用户数便飙升至2215万，达到ChatGPT日活的41.6%，并超越豆包，成为全球增速最快的应用，在苹果应用商店157个国家和地区登顶。

用户疯狂涌入的同时，服务器也承受着巨大压力，频繁出现繁忙状态。这在业内看来，与其将主要算力资源投入模型训练，而非推理服务有关。有业内人士直言：“服务器问题其实不难解决，无非是收费或融资购买更多机器，但这取决于DeepSeek自身的战略选择。”

这本质上是专注技术产品化与商业化的博弈。DeepSeek长期以来依靠幻方量化的资金支持实现自我供血，几乎未进行外部融资，这让其技术氛围相对纯粹，但也意味着在应对突发流量时需要做出权衡。

面对服务不稳定的情况，一部分用户在社交平台呼吁设立付费门槛以提升体验。另一方面，许多开发者转向调用官方API或寻求第三方API部署优化。然而，DeepSeek开放平台近日已宣布因资源紧张暂停API服务充值。

这为AI基础设施层的第三方厂商打开了机会窗口。近日，国内外云巨头纷纷上线DeepSeek模型API服务：海外微软、亚马逊在1月底便抢先接入；国内华&为云则与硅基流动合作，于2月1日率先推出DeepSeek R1 & V3推理服务，据悉该平台已被大量用户“打爆”。

随后，BAT及字节跳动等巨头也在2月3日陆续加入战局，打出低价限免牌，仿佛重现了去年DeepSeek V2点燃的云厂商价格战，其“价格屠夫”的称号名副其实。

云厂商的疯狂“抢食”，逻辑与早年微软云绑定OpenAI如出一辙：押注未来的流量入口。2019年微软押注OpenAI，并在ChatGPT发布后收获巨大红利。但开源模型（如Meta的Llama）的出现打破了这种绑定关系，让其他云厂商也有了布局大模型的机会。此次DeepSeek不仅产品热度更胜当年，还同步开源了模型，其引发的生态效应更为深远。

据悉，百度智能云上线DeepSeek模型首日，就有超过1.5万客户通过其千帆平台进行调用。除了大厂，众多中小AI基础设施厂商，如硅基流动、潞晨科技、趋境科技、无问芯穹、PPIO派欧云等，也已迅速上线对DeepSeek模型的支持。

目前，针对DeepSeek的本地化部署优化，主要围绕两个方向展开：一是针对MoE模型的稀疏特性，采用GPU/CPU混合推理的思路，这对于本地部署庞大的671B模型至关重要；二是对MLA进行优化实现。

当然，部署优化并非没有难点。有技术研究员指出：“模型参数规模巨大，优化本身具有一定复杂度。尤其是在追求本地化部署时，如何在效果与成本之间找到最优平衡，是一大挑战。”其中，显存容量限制是首要难题。可行的思路是采用异构协同计算，例如将稀疏的MoE矩阵部分放在CPU/DRAM上处理，而稠密部分则留在GPU上。

DeepSeek的火爆，为这些创业公司带来了实实在在的生存空间。多家厂商在接入其API后表示，客户咨询量显著增长，许多客户主动提出定制化优化需求。有从业者分享道：“以往，规模稍大的客户往往已被大厂的标准化服务绑定。但自从我们完成DeepSeek-R1/V3的部署后，接连收到多家知名客户的合作意向，连沉寂已久的老客户也重新找上门来。”

总体来看，DeepSeek让模型的推理性能与成本效益变得空前重要。大模型的普及度越高，对AI基础设施行业的影响就越深远。如果能以较低成本在本地落地一个DeepSeek级别的模型，将对政府与企业智能化转型产生巨大推动。但挑战也随之而来：客户对大模型能力的期待水涨船高，在实际部署中，如何平衡效果、成本与稳定性，成为更突出的难题。

「碘伏英伟达」的冷思考

在模型与应用层之外，DeepSeek的冲击波也传导至更上游的芯片领域。目前，除华&为外，摩尔线程、沐曦、壁仞科技、天数智芯等数十家国产芯片厂商已纷纷宣布适配其两款模型。

有芯片厂商表示：“DeepSeek在架构上有创新，但本质仍是LLM。我们目前的适配主要聚焦推理应用，因此在技术实现上难度不大，进展很快。”然而，MoE路线对存储和分布式系统提出了更高要求，加之使用国产芯片还需考虑系统兼容性问题，工程实践上仍有不少难关需要攻克。

从业者反馈，国产算力在使用的便利性和稳定性方面，与英伟达产品仍有较大差距。“软件环境、故障排查、底层性能优化等，都需要原厂深度参与支持。”此外，“由于DeepSeek R1参数规模庞大，国产算力需要更多节点并行才能支撑。在硬件规格上，例如华&为910B目前尚不支持DeepSeek所采用的FP8推理精度。”

这里不得不提DeepSeek V3的另一大亮点：它首次在超大规模模型上成功验证了FP8混合精度训练框架的有效性。此前，微软、英伟达虽有过相关研究，但业内一直存有质疑。与INT8相比，FP8的后训练量化能实现几乎无损的精度，同时显著提升推理速度。数据显示，相比FP16，在英伟达H20上可实现2倍加速，在H100上也能获得超过1.5倍的加速效果。

近期，随着“国产算力+国产模型”趋势的讨论升温，一种声音开始甚嚣尘上：英伟达是否会被碘伏？CUDA的护城河能否被绕过？

一个不争的事实是，DeepSeek确实引发了资本市场对英伟达高端算力需求的重新评估，导致其市值出现剧烈波动。这背后，是过去那种受资本裹挟的“盲目堆砌算力”论开始被打破。然而，冷静来看，英伟达的显卡在训练侧的地位短期内仍难以被完全替代。

从DeepSeek对CUDA生态的使用深度来看，其涉及利用流多处理器进行通信甚至直接操纵网卡等底层操作，这种灵活性并非一般GPU所能支持。业内观点强调，英伟达真正的护城河是完整的CUDA生态，而非CUDA本身。DeepSeek所使用的PTX指令，仍是这个生态中的一环。

“短期来看，英伟达的算力在训练层还无法绕开，这一点非常明显。”有从业者分析道，“推理侧的国产化替代会相对容易，进度也更快。目前大家的适配都集中在推理侧，还没有人能用国产卡大规模训练出DeepSeek这种性能的模型。”

因此，整体来看，DeepSeek对国产大模型芯片在推理侧是明确的利好。训练由于要求极高，壁垒坚固；而推理对单卡性能和集群规模的要求相对较低。目前，英伟达H20的单卡性能未必强于某些国产芯片，其优势更多体现在大规模集群的稳定性和软件生态上。

从对算力市场的整体影响来看，有行业专家指出：“DeepSeek这波热潮，短期内可能会抑制超大规模训练集群的盲目建设和租赁需求。但长期来看，它显著降低了大模型训练、推理和应用的门槛，必将激发更旺盛的市场需求。基于此的AI技术迭代，将继续推动算力市场的健康发展。”

同时，“DeepSeek在推理和微调侧需求的提升，更适合国内算力建设相对分散、国产算力仍在发展中的现状。这有助于减少集群建成后的闲置浪费，是全国产化算力生态中，各层级厂商实现有效落地的一次宝贵机会。”目前，已有厂商与华&为云合作，推出了基于国产算力的DeepSeek R1系列推理服务。可以预见，DeepSeek的成功，将极大提振行业对国产算力技术路线和商业前景的信心，吸引更多的热情与投入。