中国ai新创公司deepseek近来「开源」一波波，上周六 (1日) 又有更大惊喜，全面揭秘deepseek-v3/r1推理系统，不仅公开其推理系统的核心优化方案，更首次披露成本获利率等关键数据，引发产业震动。
DeepSeek上周六在知乎平台发布首条文章，公布模型推理成本利润细节，并披露成本获利率关键资讯，若所有tokens全按DeepSeek-R1的定价计算，理论上一天的总收入为56万2027美元，成本获利率为545%，这一数字刷新全球AI大模型领域的获利天花板。
根据DeepSeek官方披露，DeepSeek V3和R1的所有服务均使用H800 GPU，使用和训练一致的精度，即矩阵计算和dispatch传输采用和训练一致的FP8格式，core-attention计算和combine传输采用和训练一致的BF16，最大程度保证了服务效果。
在最近24小时 (2025年2月27日12：00至28日12：00) 的统计周期，若 GPU租赁成本按2美元 / 小时计算，日均成本为8万7072美元，而若所有输入 / 输出token按R1定价 (输入1元 / 百万token、输出16元 / 百万 token) 计算，单日收入可达56万2027美元(约1865万新台币)，成本获利率高达545%。
MenloVentures投资人Deedy在看完上述数据后指出，获利率超过500%这一商业效率在美国将是一家价值逾百亿美元的公司。
中国硅基流动创办人袁进辉也在第一时间发表了自己的感受说：「DeepSeek官方披露大规模部署成本和收益，又一次颠覆了很多人认知。」
DeepSeek的高获利率源于其创新的推理系统设计，核心包括大规模跨节点专家并行(EP)、计算通信重叠与负载均衡优化三大技术支柱。 EP提升吞吐与回应速度，针对模型稀疏性(每层仅启动8/256个专家)，采用EP 策略扩展总体批处理规模，确保每个专家获得足够的计算负载，显著提升GPU利用率，部署单元动态调整 (如Prefill阶段4节点、Decode阶段18 节点)，平衡资源分配与任务需求。
简言之，EP就像是「多人协作」，把模型中的「专家」分散到多张GPU上进行计算，大幅提升Batch Size，榨干GPU算力，同时专家分散，降低存储器压力，更快回应。
DeepSeek在工程层面进一步压缩成本，加上昼夜资源调配，白天高峰时段全力支援推理服务，夜间闲置节点转用于研发训练，最大化硬件利用率，缓存命中率达56.3%，通过KVCache硬盘缓存减少重复计算，在输入token中，有3420亿个(56.3%)直接命中缓存，大幅降低算力消耗。
有分析称DeepSeek此次披露的数据，不仅验证其技术路线的商业可行性，更为行业树立高效获利标竿，模型训练成本仅为同类产品的1%至5%，此前发布的DeepSeek-V3模型训练成本仅557.6万美元，远低于OpenAI等巨头。在推理定价优势方面，DeepSeek-R1的API定价仅为OpenAI o3-mini的七分之一到一半左右，低成本策略加速市场渗透。
还有分析指出，DeepSeek此次「透明化」披露不仅展示其技术实力与商业潜力，更向行业传递明确信号，也就是AI大模型的获利循环已从理想照进现实，代表AI技术从实验室迈向产业化的关键转折。
不过，DeepSeek官方坦言实际上没有这么多收入，因V3定价更低，同时收费服务只占了一部分，另外夜间还会有折扣。
中信证券认为，Deepseek在模型训练成本降低方面的最佳实践，料将刺激科技巨头采用更经济方式加速前沿模型的探索和研究，同时将使得大量AI应用得以解锁和落地。演算法训练带来的规模报酬递增效应，以及单位算力成本降低对应的杰文斯悖论等，均代表中短期维度科技巨头继续在AI算力领域进行持续、规模投入仍将是高确定性事件。
