近期，人工智能领域备受瞩目的DeepSeek动作不断，其一系列举措引发了行业内外广泛关注与深度思考。从融资动态到产品价格调整，再到背后隐藏的战略布局，这家公司正以独特的方式在AI赛道上疾驰。
彭博社消息显示，DeepSeek正在推进规模达700亿元人民币的融资，投前估值高达450亿美元。就在同一天，该公司宣布V4-Pro API永久降价75%，将促销价直接定为正价。一边向投资者寻求资金支持，一边向开发者大幅让利，这种看似矛盾的操作，让外界对DeepSeek的盈利模式充满疑惑。
有观点认为，DeepSeek的目标并非局限于当下常见的卖编程套餐、语音助手等业务。有博主在长文《DeepSeek's 10 trillion USD grand strategy》中大胆判断，DeepSeek真正的野心在于参与塑造一个价值10万亿美元级别的AI硬件生态，并在此生态中冲击万亿美元级估值。这一观点并非空穴来风，回顾DeepSeek的成长历程，会发现其每一步都走得与众不同。
在模型训练方面，当众多企业聚焦于堆Dense模型、卷参数量时，DeepSeek选择挑战最难训的MoE（混合专家模型），以更少的计算量撬动更高的智能。在强化学习算法上，别人采用PPO，DeepSeek则从第一性原理出发，发明了成本更低的GRPO算法。当行业还在讨论RLHF的天花板时，DeepSeek已跑通RLVR（基于可验证奖励的强化学习），将推理能力提升到新高度。MLA、DSA（解耦稀疏注意力）、mHC（流形约束超连接）、CSA和HCA等技术，都体现了DeepSeek在有限硬件条件下榨取最大AI算力的探索。
从具体技术细节来看，KV Cache的优化是DeepSeek的一大亮点。以100万token上下文、8bit KV精度、16bit索引精度为例，DeepSeek V4仅需5.48GBHBM，而其他顶级开源模型动辄需要60GBHBM。作为拥有1.6万亿参数的模型，DeepSeek V4的KV Cache占用仅为其他开源模型的零头。这使得DeepSeek能够将缓存命中的价格定在极低水平，V4-Pro缓存命中价仅0.025元/百万Token，不到Claude Sonnet 4.6同类价格的3%，且可持续缓存数小时。永久降价后，输入缓存未命中3元/百万Token，输出6元/百万Token，全部是原价的四分之一。DeepSeek创始人梁文锋两年前就提及的定价哲学“不贴钱，也不赚取暴利”，在此得到了印证，其成本优势源于对KV Cache的极致优化。
DeepSeek的种种“不做”也体现了其战略考量。它不做多模态（V4.1才开始试水图像和音频）、不做语音模型、不做视频模型，且API价格一降再降。这并非不会赚钱，而是不屑于赚当下的“快钱”。有类比指出，OpenAI拿到AMD和Cerebras的股权认购权证，通过“用承诺换股权”的方式，与芯片厂商共同做大蛋糕。DeepSeek可复制此模式，只不过其面对的是整条国产AI硬件产业链。梁文锋有量化基金背景，被称为“Jim Simmon的忠实粉丝”，对资本运作有着深刻理解。在融资消息传出前，他已完成关键股权调整，通过直接与间接持股控制公司约84.29%的股权，表决权达100%。宁德时代投资DeepSeek是为锁定未来AI数据中心的储能订单，京东、网易入局各有战略诉求，国家大基金下场更是将DeepSeek定位为国家级AI基础设施。这些投资者看中的，显然不是卖API的小生意，而是一个可能重塑全球AI硬件格局的战略支点。
不过，DeepSeek的目标不止于此。据彭博社报道，梁文锋在投资者会议上明确表示，DeepSeek的主要目标是推动技术边界，追求AGI。硬件生态只是手段，AGI才是最终目的。当更多硬件选择变得可用，算力需求被技术创新大幅压低，DeepSeek就能以更低成本启动更大规模的训练，尤其是强化学习（RL）后训练和递归自我改进（RSI）。大规模RL需要模型生成海量推理轨迹，万亿级token的生成量计算成本极高，而100万上下文的长程任务要求轨迹足够长。若没有极致的硬件效率优化，这种训练根本无法进行。RSI则更为大胆，让AI自己设计、执行、分析实验并改进自身，试错密度极高，对算力需求巨大。但DeepSeek通过重构硬件生态降低算力成本，使这条路变得可行。从MoE到MLA，从DSA到CSA，从Engram到TileLang，从KV Cache压缩到LPDDR流式加载，所有创新都指向让AGI的训练从“烧不起”变为“烧得起”。
