一行小字，刺痛整個行業！模型降價竟與國產芯片供給深度綁定？

DeepSeek V4發布后，最值得看的不是跑分，而是價格表下面一行小字。

在V4的定價說明中，DeepSeek提到，受限于高端算力，目前Pro版服務吞吐十分有限，預計下半年昇騰950超節點批量上市后，Pro價格會大幅下調。

這句話比很多技術參數更有信息量。它說明DeepSeek的低價已經不再只是模型工程優化的結果，而開始和國產算力的供給節奏綁定。過去，模型公司降價，外界通常理解為算法效率提升、廠商補貼或新一輪價格戰。但這一次，DeepSeek把未來降價的前提，直接指向了昇騰950超節點的規模化部署。

過去一年，DeepSeek 改變了中國大模型行業的定價方式。V3和R1發布后，國內外模型廠商被迫重新計算API價格、訓練成本和商業化路徑。到了V4，問題變得更復雜。DeepSeek不只是繼續降價，而是把降價的下一步，壓到了國產算力的規?；渴鹕?。在筆者看來，這意味著中國大模型的競爭正在從“誰的模型能力更強”，進入“誰能把模型、芯片、工程系統和商業組織連成閉環”的階段。

4月24日上午，DeepSeek宣布全新系列模型DeepSeek-V4預覽版正式上線并同步開源。

這次不是單一模型，而是兩個版本同時推出：DeepSeek-V4-Pro和DeepSeek-V4-Flash。根據 DeepSeek披露的信息，V4-Pro總參數為1.6萬億，激活參數490億，定位高性能任務；V4-Flash 總參數2840億，激活參數130億，主打低成本和高吞吐。兩款模型均采用MoE架構，也就是“混合專家模型”。

知名科技產業時評人彭德宇對筆者分析到：MoE的邏輯并不復雜。一個大模型內部可以有很多“專家”，但每次回答問題時，不需要所有專家同時工作，只調用最相關的一部分。這樣既能做大模型容量，又不會讓每一次調用都背上完整參數的算力負擔。對用戶來說，感知到的是模型更便宜、更快；對模型公司來說，關鍵是單位推理成本被壓低。

價格延續了DeepSeek一貫的打法。按照V4公布的API定價，Pro版輸入緩存命中價格為1元/百萬token，輸出24元/百萬token；Flash版輸入緩存命中價格為0.2元/百萬token，輸出2元/百萬token。梳理對比來看，目前智譜GLM-5.1輸入緩存命中價格約為1.3-2元/百萬token，Kimi-K2.6輸入緩存命中價格約為1.1元/百萬token。也就是說，V4的輸入價格仍然處在國內主流模型低位。

但這并不意味著V4已經全面拉開差距。企業戰略定位專家吳玉興如此對筆者分析：V4的性能突破相比R1當時帶來的沖擊要小一些。它依然處于第一梯隊，但在部分復雜Agent任務和最廣泛的世界知識上，與最頂尖閉源模型仍有差距。

V4最關鍵的點，不在參數表，而在那句關于昇騰950的說明。

DeepSeek在定價說明中明確提到，受限于高端算力，目前Pro版服務吞吐十分有限，預計下半年昇騰950超節點批量上市后，Pro價格會大幅下調。一個模型公司把未來降價和某一類算力集群的上市節奏直接綁定，這在行業里并不常見。它說明模型價格開始被算力結構決定。

過去DeepSeek便宜，更多被理解為模型架構和工程效率的勝利。V2用MoE降低激活參數規模；R1用更高效的訓練和推理路線沖擊行業對算力堆疊的依賴；那么V3則以極致成本控制與工程優化，瓦解了通用大模型的傳統定價邏輯。V3和R1之后，國內大模型被迫進入新一輪價格重估。但V4的不同之處在于，DeepSeek開始把低價的下一步，放到國產算力的規模化部署上。

根據DeepSeek技術報告，V4在系統底層做了細粒度專家并行，也就是EP方案。用通俗的話說，就是優化模型在芯片上的調度方式，讓計算和通信像流水線一樣重疊起來，減少芯片等待時間。同樣一批芯片，如果能處理更多請求，單位推理成本自然會下降。

技術報告提到，這套EP方案已經在英偉達GPU和華為昇騰NPU兩套體系上完成驗證，通用推理任務可實現1.5-1.73倍加速，在對延遲敏感的場景（如RL推演和高速代理服務）最高可達1.96倍。華為昇騰方面也在V4發布后宣布，超節點全系列產品支持DeepSeek V4系列模型，據了解，昇騰950通過融合kernel和多流并行技術降低Attention計算和訪存開銷，大幅提升推理性能，結合多種量化算法，實現了高吞吐、低時延的DeepSeek V4模型推理部署。

彭德宇對筆者說到：這組信息的意義不只是“推理更快”。它意味著 DeepSeek的工程優化開始具備跨平臺能力。過去，大模型公司大多圍繞英偉達CUDA體系開發。CUDA不只是一個編程工具，更像AI時代的底層操作系統。全球大量開發者、算子庫、框架和模型代碼都圍繞CUDA構建，一旦離開這個體系，很多底層代碼需要重寫，工程成本和測試成本都很高。這也是英偉達真正的護城河。

DeepSeek現在做的，不是馬上推翻CUDA，而是嘗試給自己留出第二條路。綜合媒體報道信息來看，DeepSeek通過TileLang、Tile Kernels等方式，把部分底層算子邏輯從單一CUDA路徑中抽象出來，用更通用的語言表達計算邏輯，再由編譯器生成適配不同硬件的底層代碼。這樣一來，開發者不必為每一種GPU或NPU完全重寫一套代碼，而可以先寫通用邏輯，再針對具體硬件做優化。

這對國產芯片很重要。國產AI芯片過去面臨的不只是紙面算力問題，更是軟件生態和有效利用率問題。芯片能不能用好，取決于模型、算子、編譯器、通信、顯存管理等多個環節。DeepSeek如果能在華為昇騰上跑通前沿模型，并把推理成本打下來，它帶來的不只是一個模型的適配案例，而是一次軟硬件協同的技術驗證。

但DeepSeek并沒有馬上擺脫英偉達，短期內，CUDA仍然是最成熟、最穩定的路徑。V4釋放出的信號是，國產算力已經開始進入DeepSeek的關鍵成本結構，并在一定程度上影響未來定價。它還沒有推翻CUDA，但它讓CUDA不再顯得完全不可替代。

這正是黃仁勛擔心的地方。英偉達創始人黃仁勛近期在接受Dwarkesh Patel專訪時曾表示，如果DeepSeek先在華為平臺上發布，對美國而言將是災難性的。李睿指出，這個判斷并不是因為DeepSeek某一項跑分超過了誰，而是因為一旦頂級開源模型能夠在非英偉達體系上穩定運行，開發者就有可能開始改變習慣。模型足夠好，價格足夠低，工具鏈逐漸成熟，遷移就不再只是政治選擇或供應鏈選擇，而會變成商業選擇。

所以，V4的第二層意義，是DeepSeek的低價邏輯正在從“模型優化驅動”，轉向“模型優化+算力體系驅動”。過去，大模型價格主要由算法效率、訓練成本和廠商補貼決定；現在，價格開始和芯片供給、超節點部署、軟硬件協同效率綁定。對DeepSeek來說，這是一條通向更低成本的路；對英偉達來說，這是一道暫時不大、但必須警惕的裂縫。

只是，軟硬件協同不是輕資產生意。模型越深地嵌入芯片和基礎設施，DeepSeek要承擔的成本、組織壓力和商業化壓力也越大。

據新浪科技報道，近期DeepSeek還曝出了計劃融資500億元的消息，有接近DeepSeek的知情人士透露，DeepSeek融前估值為3000億元，約合440億美元，目前騰訊控股、阿里巴巴集團均正在洽談投資DeepSeek。不過，對于融資相關事宜，DeepSeek方面至今未正面回應媒體問詢。

具體估值不是最重要的。關鍵的是DeepSeek開始打開外部融資窗口。這意味著它面對的競爭已經不只是模型能力，而是延伸到了算力投入、人才穩定、員工激勵和商業化能力。

第一重壓力來自算力。V4越往國產算力深處走，越需要基礎設施投入。模型參數從千億級走向萬億級，訓練和推理成本都會抬升。如果還要圍繞昇騰體系做更多適配、調優和部署，DeepSeek就不能只是一家輕資產模型公司。當前DeepSeek已經在內蒙古烏蘭察布招聘數據中心運維工程師，這是其首次招聘直接負責計算基礎設施運營的人才，這也被外界視為其向更重的算力基礎設施方向移動的信號。

對一家總共不到200人的公司來說，這類流動不是普通人員變化。媒體報道稱，DeepSeek核心研發團隊約100多人，幾乎不社招，主要依靠應屆生和實習生留任。在這樣的團隊里，一個核心研究員離開，可能影響的不是一個崗位，而是一條技術線的連續性。

這并不意味著DeepSeek的組織不好。相反，外界對DeepSeek的長期印象，正是它有一套大廠很難復制的組織方式：不打卡、不設 KPI，研究員可以自由組隊，也可以獨自鉆研新想法。這種組織方式適合早期技術突破，也解釋了為什么DeepSeek能在過去幾年不斷做出反常識的工程創新。但當行業進入更重的階段，問題就變了。頂級人才不只看工作自由度，也看技術方向、資源投入和落地場景。大廠能同時給錢、算力、產品場景和更大的團隊。

第三重壓力來自商業化。V4發布前，DeepSeek App已在4月8日改版，上線支持復雜推理的“專家模式”和處理簡單任務的“快速模式”。隨著V4發布，外界才知道，專家模式對應的是1.6萬億參數的 V4-Pro，快速模式對應的是2840億參數的V4-Flash。這個變化說明，DeepSeek 不再只是把模型放出來讓開發者使用，而是在開始打磨面向用戶的產品分層。

彭德宇指出，這與開源路線之間存在天然張力。開源可以快速建立技術聲量，也能讓開發者和生態伙伴更快復用DeepSeek 的路線。但開源通常意味著更薄的利潤空間，更高的成本敏感度。OpenAI、Anthropic 這類閉源公司可以通過訂閱、API、企業服務建立更直接的商業閉環；谷歌、亞馬遜、微軟可以把模型成本消化在云計算和生態體系里。DeepSeek沒有這些現成的商業緩沖層。如果它要繼續堅持低價、開源和前沿模型研發，就必須找到新的資金、算力和商業化支撐。

在筆者看來，這也是V4真正暴露出來的深層問題。它證明中國大模型已經有能力在模型能力、推理價格和國產算力適配上同時向前走一步；但它也證明，大模型競爭已經不再是少數天才寫出更好算法的比賽。下一階段拼的是算力基礎設施、工程系統、產品轉化、融資能力和人才密度。