DeepSeek的十万亿美元阳谋：不做“卖水人”，要做“造海者”

作者：Zeno ; 编辑：Zeno

出品 | Bitkoala考拉财经

最近，DeepSeek的两则消息让整个AI圈炸开了锅。

5月22日，彭博社爆料：DeepSeek正在推进700亿元人民币（约100亿美元）融资，投前估值高达450亿美元。 潜在投资方包括国家人工智能产业投资基金、腾讯、IDG资本、Monolith Capital等。其中国家队基金一出手就是100亿元。

同一天，DeepSeek官宣V4-Pro API永久降价75% ——促销价直接变成正价。

一边是巨额融资，一边是大幅让利。这操作，迷不迷？

别急，读完这篇文章，你就会明白：梁文锋下的不是一步棋，而是一盘价值10万亿美元的棋。

一、一道反常识的数学题：

为什么DeepSeek敢卖这么便宜？

先来看一个硬核数字。

在KV Cache计算器里输入参数：100万token上下文、8bit KV精度——DeepSeek V4仅需5.48GB HBM。

而其他顶级开源模型，动辄需要60GB。

1.6万亿参数的巨无霸模型，KV Cache占用却只有别人的十分之一。

这意味着什么？

DeepSeek V4-Pro的定价是：输入0.025元/百万token（缓存命中），输出6元/百万token。价格仅为Claude Sonnet 4.6同类价格的3%，是原价的四分之一。

梁文锋两年前就说过：“我们的原则是不亏钱，也不赚取暴利。”

现在你信了——当你的KV Cache只有别人的十分之一，你的成本就是别人的十分之一。

二、三层重构：

DeepSeek的真正野心不在API

但问题来了：省下来的钱，流向了哪里？

答案藏在三个缩写里：SSD、LPDDR、HBM。

第一层：SSD与NAND闪存

KV Cache被压缩到极小后，可以高效地卸载到SSD上，需要时再快速加载回HBM。DeepSeek在Dual Path论文中专门优化了这一过程。

每压缩一分KV Cache，就是在为NAND和SSD创造一个庞大的新市场。

第二层：LPDDR内存

SGLang团队的研究表明：LPDDR完全可以作为模型权重暂存区。模型权重先放LPDDR，需要时再流式传输到HBM。

DeepSeek的MoE架构天然适配这种模式——专家数量多、权重可4bit量化，流式加载极其高效。

国产LPDDR只落后国际0.5代，密度落后1代，追赶的脚步已经很近。

第三层：GPU/ASIC

Engram项目证明了一个趋势：用每比特成本极低的内存读取，替代每比特成本极高的GPU运算。

这对中国AI芯片意义重大——由于EUV光刻机受限，国产GPU在原始算力上落后。但如果能用更多的便宜内存替代更少的昂贵算力，这个“落后”就变得可以接受了。

再加上TileLang——DeepSeek投资的跨硬件编译框架，一套代码可跑多种硬件平台，相当于绕过了CUDA护城河。

国产芯片厂商，都有可能因此获得生态层面的“入场券”。

三、不是不会赚钱，是不屑于赚小钱

回头再看DeepSeek的所有“不做”：

· 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

· API一降再降

全都说得通了。

不是不会赚钱，而是暂时不屑于赚这种“小钱”。

@bookwormengr 提出了一个精彩的类比：OpenAI拿到了AMD和Cerebras的股权认购权证，只要达成算力采购里程碑就可以低价买入股票。这叫“用承诺换股权”——你帮我造芯片，我帮你锁订单。

DeepSeek完全可以复制这个模式。

只不过它面对的不是AMD和Cerebras，而是整个国产AI硬件产业链。

梁文锋是量化基金出身，被称为Jim Simons的忠实粉丝。这样一个人，不可能不懂资本运作。

事实上，融资消息传出前，他已经在2026年4月完成了一次关键股权调整——通过直接与间接持股控制公司约84.29%的股权，表决权100%。

四、国家队下场，宁德时代、京东、网易入局

谁在投DeepSeek？

· 国家大基金：把DeepSeek定位成国家级AI基础设施

· 宁德时代：锁定未来AI数据中心的储能订单

· 京东、网易：各有各的战略诉求

这些投资者看到的，不是一个卖API的小生意。

他们看到的，是一个可能重塑全球AI硬件格局的战略支点。

五、终极使命：

AGI才是星辰大海

但如果你以为DeepSeek的终点是“做中国AI硬件生态的发动机”，那可能还是低估了梁文锋。

彭博社报道，梁文锋在投资者会议上明确表态：DeepSeek的主要目标是推动技术边界，追求AGI。

硬件生态是手段，AGI才是目的。

逻辑链条是这样的：

当更多硬件选择变得可用、当算力需求本身被技术创新大幅压低，DeepSeek就能以更低的成本启动更大规模的训练——特别是强化学习后训练和递归自我改进（RSI）。

大规模RL意味着模型需要生成海量的推理轨迹，这需要极致的算力和内存效率。

RSI则更加大胆：让AI自己设计实验、执行实验、分析结果、改进自身。这是一个试错极高的过程，对算力的需求是无底洞。

但DeepSeek把最贵的环节一个个打下来之后，这条路就变得可行了。

从MoE到MLA，从DSA到CSA，从Engram到TileLang，从KV Cache压缩到LPDDR流式加载——每一项技术创新的方向都是同一个：让AGI的训练从“烧不起”变成“跑得动”。

---------------------

2026年，考拉财经全球行启程：香港（已完成），武汉（已完成）、杭州（已完成）、南宁（已完成），香港（Web3嘉年华*边会，已完成），成都，上海，越南（已完成），韩国（5月30日）、深圳、澳门，新加坡、马来西亚、越南，泰国，印尼，日本，沙特，迪拜、南非，埃塞俄比亚，澳洲，美国、加拿大——与全球创新者同行，为科技变革发声！

有任何问题/合作/咨询，欢迎添加客服微信，随时为你服务✨