DeepSeek 500亿资金用途与未来布局解析

DeepSeek旗下的Harness团队现驻扎于北京海淀区的融科资讯中心。回想十年前，笔者也曾在这片科技园区工作。提及这段往事并非攀附，只是感叹当时错过了见证一段科技史开启的机会。

据媒体报道，6月16日，DeepSeek完成了成立以来的首轮外部融资，成功募集超过500亿元资金，投后估值突破500亿美元。创始人梁文锋个人出资200亿元，成为最大单一出资方；腾讯出资100亿元，宁德时代体系投资约50亿元，京东、网易及IDG资本各出资30亿元。

这笔融资，创下了中国AI行业迄今为止单轮融资规模的最高纪录。

那么，手握这笔巨款的DeepSeek，究竟会将资金投向何方？

6月15日，论坛上流出的消息或许能让我们窥见端倪。一位参与灰度测试的用户透露，DeepSeek V4.1已在网页端启动测试，其Flash版本的代码能力实现了“天壤之别”的跨越式进步，知识截止日期也从2025年5月跃升至2026年1月，部分用户甚至测出了截至2026年5月的数据。

种种迹象表明，AI coding极有可能就是DeepSeek即将全力发力的方向。

其实，5月份DeepSeek发布的一则招聘启事早已暗示了这一点。那则Agent Harness研发工程师的招聘信息中，写着一行简洁的公式：Model + Harness = Agent。岗位描述进一步阐释道：“将前沿模型能力，转化为领先的Agent产品。Harness = 除模型本身以外的所有工作。”

AI coding + Agent，看来，DeepSeek接下来的目标，正是对标Anthropic旗下的Claude Code。DeepSeek选择深耕coding领域，是因为这个领域能用最严格的标准来测试和锻造模型的推理能力。这不仅是经过验证的、能够形成商业闭环的赛道，更是AI生产力的核心基础设施。

01

DeepSeek无意在C端与豆包、千问、元宝争夺用户。从本轮融资的用途、产品布局、人才引进以及市场验证来看，其战略意图非常清晰：服务好开发者和企业用户，将模型能力转化为高效的生产力工具，最终成为AI时代的“基础设施”提供商。

尽管DeepSeek并未公开资金的具体分配比例，但从其战略方向和行业趋势，我们仍然可以推测出大致的分配方案：

这500亿资金的绝大部分，大概率会投入到算力建设中。毕竟从长远来看，DeepSeek始终处于算力边际紧缺的状态，无论是为了训练新模型，还是应对日益增长的用户调用需求。

前段时间，DeepSeek在内蒙古乌兰察布招聘智算中心人员，岗位包括高级运维工程师、高级交付经理，月薪开到了15K到30K外加14薪，还设立了“IDC设计规划工程师”岗位，规划从MW级到GW级的超大规模智算中心。这表明，DeepSeek正从租用机房模式，转向大规模自建数据中心。

据了解，除了自有算力，早在2025年，浙江许多空置的算力中心就已经被DeepSeek调用。即便有外部供给，算力依然是DeepSeek长期面临的挑战。近期其“专家模式”取消了联网搜索功能、限制了生成次数，也从侧面印证了这一困境。

算力是Coding基础设施的物理底座。如果V4.1性能大幅提升、调用量激增，以现有算力将更加难以承受。没有强大的算力支撑，V4.1再强也只能被迫限流；没有算力，Harness再好用也无法顺畅运行。

对比在coding领域实力最强的Anthropic，就能清晰看到这一点。它采取了“多云绑定+专属集群”的激进策略，已构建了覆盖GPU、TPU及自研芯片的多元供应网络。2025年底可用算力约1.4吉瓦，预计2026年底将飙升至7-8吉瓦区间。但仅2026年第一季度，其收入与使用量年化增长率竟达到80倍，远超原有基础设施承载能力，导致服务一度出现限流与性能波动。

Anthropic CEO达里奥·阿莫迪表示，算力需求正呈指数级爆发，公司正在全力建设以匹配这种“疯狂”的增速，目标是在未来几年内实现吉瓦级容量的持续释放。

AI Infra是重资产、长周期的投入。DeepSeek仍在高速发展，理论上完全可以通过租用更多算力来满足需求。那么，它为什么非要自建，为处理海量、复杂的B端AI工作负载提供稳定、低成本的算力底座？

因为DeepSeek的技术路线，决定了它必须牢牢掌握Infra的绝对控制权，必须在Infra层就进行深度优化。

为了将算力压榨到极致，DeepSeek采用了FP8训练，这需要自行编写通信库、调校精度补偿策略、修改NCCL——英伟达原生的通信库根本无法支持这种级别的自定义。DeepSeek还重新设计了KV Cache的存储和调度，因为标准推理引擎（vLLM、TensorRT-LLM）的架构假设与它的需求不匹配。此外，DeepSeek必须设计MoE负载均衡，自己编写路由算法，让专家分布在特定的节点拓扑上，以减少跨机通信，而不能简单依赖云厂商的Kubernetes自动扩缩容。

这些操作都需要在“算法-芯片-网络-框架”的每一层进行定制优化，云厂商提供的标准化服务根本满足不了。Anthropic之所以能继续走堆参数、超大模型的路，是因为它拥有亚马逊云和Google Cloud提供的近乎“无限扩容”的算力支持，无需在Infra层面进行极致优化。

DeepSeek没有这个条件，所以只能自己打地基。但话说回来，这些努力也恰恰构成了DeepSeek的核心竞争力。

这些优化并非孤立存在，而是乘法效应。从公开的技术架构差异和行业成本模型来看，架构优化×精度优化×Infra优化×推理优化叠加，使得DeepSeek的单位算力成本远低于Anthropic。

02

算力是地基。在地基之上，DeepSeek另外两个重点投入方向是模型层和执行层。

6月15日那则关于V4.1灰度测试的帖子，透露的正是DeepSeek在coding领域的进展。据参与测试的用户称，V4.1 Flash的代码能力实现了“天壤之别”的跨越式进步。不过我们未能参与灰度测试，目前还无法验证具体情况。

DeepSeek V4曾以1.6T总参数、1M上下文窗口，在架构效率和成本结构上实现了全面突破。但V4的Coding能力与业界顶尖水平仍有差距，这也是社区讨论最多的短板。V4.1的核心任务，就是要开始补齐这块短板。

从序列号来看，V4.1是V4的增量版本，这意味着核心投入集中在了后训练阶段（Post-Training），而非预训练（Pre-training）。后训练成本通常仅为预训练的1/10到1/5。

DeepSeek朝着生产力演进的路径已经非常清晰。而这正是国内大模型企业与国际最高水平之间最大、也最紧迫的差距所在。

如果把AI模型比作大脑，那么Agent/Harness这个执行层就是它的手脚和神经系统。没有执行层，大脑只能停留在思考阶段；有了执行层，大脑才能付诸行动。过去一年，行业已经证明了一个事实：模型能写代码，并不代表它能持续完成一个完整的工程任务。真正改变开发者工作方式的，是Claude Code、Codex这类产品——它们能够进入终端、理解项目、读写文件、运行命令、修复错误、管理Git、调用工具，是真正的工程智能体。

Coding是Harness的最佳载体，因为代码本身就是可执行的意图。一行代码既是对问题的描述，也是对解决方案的精确指令。

Anthropic是最早将“模型写代码”升级为“模型做工程”的公司。2024年推出的Claude Code（以及此前的Claude Dev、Artifacts等功能）并非简单的代码补全工具，而是一个完整的终端工程环境。Claude Code的火爆证明了一件事：AI Coding的竞争，正在从模型能力的竞争，转向开发者工作流入口的竞争。

模型是大脑，但大脑不能自己打字。你需要一套系统，将模型的意图转化为实际行动。那便是Harness。

Anthropic在AI coding方面实现的端到端工程闭环，是模型能力与Harness工程双重积累的结果。它比竞争对手早6到12个月跑通了这个闭环，形成了开发者使用习惯的壁垒。当DeepSeek还在聚焦模型层时，Anthropic已经在布局工作流层了。

这种领先优势，不只是无限算力加持下超大规模模型的能力输出，更是工程持续打磨的成果。它需要大量产品工程师、开发者体验设计师、DevOps专家反复迭代。

因此，DeepSeek在推进V4.1乃至V5研发的同时，也在积极补足Agent/Harness能力。5月那则招聘启事中的公式——Model + Harness = Agent，阐述的正是这个道理。

据媒体报道，DeepSeek Harness团队的负责人是崔添翼，一位在Jane Street工作了9年、后来联合创立量化基金TSY Capital的交易系统专家。2026年2月，他离开TSY Capital加入DeepSeek。选择一位做量化交易系统的人来搭建Harness，这个决策背后的逻辑，远比“同行相惜”要深刻得多。

一个合理的解释是：量化交易和AI Agent的底层逻辑是相通的。光有聪明的策略无法盈利，真正将策略转化为收益的，是执行系统。同样，光有强大的模型也不够，真正将模型转化为生产力的，是上下文管理、工具调用、终端执行、测试反馈、权限控制、失败回滚等一系列工程能力。这些除模型本身以外的所有工作，都属于Harness的范畴，也就是“执行”。

V4.1解决的是“能不能写对代码”的问题，而Harness解决的是“写完后能否跑通、报错后能否自修复、项目大了能否协作”的问题。前者是模型能力，后者是工程能力。只有将两者结合，DeepSeek才有机会建立起与Claude Code同级别的端到端工程智能。

这种挑战巨头的尝试，对工程师有着天然的吸引力。目前，崔添翼在社交媒体上发布的招聘帖子，已经吸引了众多业界人士的投递。

03

Coding之所以成为兵家必争之地，是因为它是目前唯一可验证、可量化、可闭环的AI生产力场景。

判断一个AI能力是否达到生产力水平，有一个简单的标准：它的输出能否在不依赖人类主观判断的情况下，被验证对错？

多模态模型生成一张图，好不好看？需要人看。通用对话模型回答一个问题，对不对？需要人判断。这些能力的验证成本极高，且标准不统一，企业很难量化其ROI。

但Coding的输出是一段程序，计算机可以直接执行并给出pass/fail的结果。写对了就能运行，写错了就会报错。这种自动可验证性，使得Coding成为目前唯一一种ROI可以被精确计算的AI能力：企业能算出这个模型替代了多少工程师工时、产出了多少可运行代码、减少了多少bug。

2026年的benchmark竞争格局印证了这一点。SWE-bench Verified（让模型解决真实GitHub issue的测试）已经成为“被引用最多的单一编码基准测试”和“对真实世界开发者工作流最重要的单一基准测试”。根据第三方基准聚合平台llm-stats.com的数据，当前前沿模型在这个测试上的竞争已进入白热化阶段：Claude Opus 4.5达到80.9%，Opus 4.6为80.8%，Gemini 3.1 Pro为80.6%，GPT-5.2为80.0%，差距仅在0.1到0.9个百分点之间。

但在SWE-bench Verified这样的真实任务上，0.9%的差距意味着：一个模型能独立解决某个复杂issue并上线运行，而另一个模型会在最后一步卡住。这并非“差不多”的差距，而是“能跑通”与“跑不通”的本质区别。

6月12日Anthropic被禁事件，进一步确认了Coding的基础设施地位。Anthropic最强大的模型Claude Fable 5和Mythos 5被美国政府纳入出口管制，导致当天全球服务停摆。这是美国首次将商业AI模型与先进半导体同等对待，纳入出口管制清单。Fable 5的定价是input $10/M、output $50/M——这不再是软件工具的定价，而是基础设施的定价。

是的，AI coding已经成为AI时代的生产力基础设施。拥有它和没有它，代表着两个完全不同的时代：AI生产力时代与AI生产力前时代。这反过来验证了DeepSeek向AI coding演进的重要意义：Coding基础设施不能被垄断，必须实现平权化。

DeepSeek-V4-Flash缓存命中输入价格仅为0.2元/百万tokens，大约是Fable 5的1/138。但在实际操作中，由于能力的不足，总的token成本并不一定低于Fable 5。更重要的是，为生产力付费存在一个马太效应：最好用的模型会吸引绝大多数用户，形成正反馈飞轮；而能力稍显欠缺的模型，则可能沦为“Other”。

但如果将AI coding视为生产力基础设施，那么当Coding基础设施的边际成本不断降低时，全球开发者才能真正用上顶尖的Coding能力，从而释放出巨大的生产力。从这个维度看，DeepSeek的低价路线，本质上是在将AI生产力从奢侈品转变为日用品。

据参与融资的投资人转述，梁文锋对所有投资人的最大要求是“不要挖DeepSeek的人”。这并非因为核心团队流失率高——事实上核心团队非常稳定，离职者也并非从事Coding工作——而是因为，当一个人坚信自己在做一件意义重大的事情时，是不希望被外界打扰的。

目前，Anthropic在Coding领域的领先是算法、算力、工程化以及时间差带来的综合红利。马斯克认为最早到明年Q1，中国AI团队就能造出Mythos 5量级的模型，但智谱的唐杰认为这一时间点会更早。谁对谁错，就让时间来给出答案。

但让AI成为像水电一样的基础设施，像TCP/IP、像Linux、像电网一样，成为准公共品，这才是AI生产力真正释放的关键。DeepSeek手握500亿，赌的就是Coding能够真正成为基础设施，让每个人都能用得上。

如果DeepSeek能在coding领域建立起“低成本+高性能+完整工具链”的竞争优势，那么它实际上就是在将AI从消费叙事切换到生产叙事。这不仅对DeepSeek自身至关重要，对整个中国AI产业也意义深远。

十年前，融科资讯中心的大楼里还没有一家AI公司。如今，DeepSeek的Harness团队正在里面面试产品经理。从乌兰察布的智算中心，到V4.1的蓄势待发，这家公司正在一步一个脚印地推进它的计划。遗憾的是，我未能亲身参与其中，只能记录下这些观察，让时间去验证它的对与错。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：DeepSeek 500亿资金用途与未来布局解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题