黄仁勋称其为“灾难”：DeepSeek在华为芯片上成功运行
DeepSeek V4的API定价已经公布——Flash版输入1元/百万token，Pro版12元。与此同时，GPT - 5.4和Claude Opus 4.6的调用成本大约是它的50倍。
这不是便宜一半，而是便宜50倍。这个数字大到让人感觉它们似乎不在同一场竞争中。
但价格本身并非重点。回顾前三代产品——V2的训练成本是GPT - 4 Turbo的1/70，V3是GPT - 4的1/14，R1是GPT - 4o的1/20。DeepSeek勾勒出了一条急剧下降的成本曲线。就连奥尔特曼自己也表示，AI成本每12个月下降10倍，比摩尔定律还要迅猛。
V4还带来了一个更大的变数：它在技术报告中明确将华为昇腾NPU与英伟达GPU并列进行验证，是首个在昇腾平台上原生适配的前沿大模型。黄仁勋在播客中称，这件事是“灾难性的”。英伟达的护城河并非GPU算力本身，而是CUDA作为默认起点的软件生态地位。
价格便宜50倍，还能在昇腾上运行。DeepSeek到底是怎么做到的？这条效率路线走到终点，又意味着什么？
50倍的价格差
DeepSeek V4的API定价如下：Flash版输入1元/百万token，输出2元；Pro版输入12元，输出24元。在缓存命中的情况下，Flash版输入价格可低至0.2元/百万token。
同期，GPT - 5.4和Claude Opus 4.6的API调用成本大约是V4的50倍。
V4基于MIT协议完全开源，发布时间恰好赶在OpenAI上线新Agent功能的前一天。贴身竞争的意味十分明显。
但V4的定价并非一次孤立的降价行为。回顾前三代产品，DeepSeek呈现出一条陡峭的成本下降曲线。
2024年初，V2的训练成本降至GPT - 4 Turbo的1/70，这得益于MLA架构和MoE稀疏架构的组合创新。同年年底，V3的训练成本为560万美元，相比GPT - 4的7800万美元降至1/14。紧接着，R1的训练成本为600万美元，与GPT - 4o约1.2亿美元的训练开支相比，压至1/20。
三代产品，每一代都在成本上降低一个数量级。这不是一次促销，而是一条持续下降的曲线。
一年前，R1发布当天，英伟达单日市值蒸发近6000亿美元，“DeepSeek时刻”成为整个科技圈的记忆点。V4则将这个故事又向前推进了一步。
当然，这条曲线并非没有争议。谷歌DeepMind负责人哈萨比斯直言DeepSeek的成本数据“被报小了，并且有些误导性”，声称该公司“只公布了最终训练阶段的成本，而这只是总成本的一小部分”。分析机构SemiAnalysis进一步估算，DeepSeek在硬件上的花费远高于5亿美元，论文中600万美元的数字只是预训练运行的GPU成本。
即便DeepSeek的硬件投入超过5亿美元，这也是一笔包含芯片采购在内的资本开支；而GPT - 4o约1.2亿美元的训练成本，指的是单次训练运行的算力费用，两者的统计口径并不相同。不过，即便将OpenAI背后数十亿美元的算力基础设施投入也纳入考量，DeepSeek在单次训练成本上的优势依然是数量级的。争议的焦点恰恰证明了一个结论：即便成本被低估，它仍然便宜得惊人。
这不仅仅是DeepSeek一家的故事。从GPT - 4到GPT - 4o，OpenAI自身的每token价格也下降了约150倍。即便降了这么多，DeepSeek的API价格仍然比OpenAI便宜95%。
奥尔特曼在2025年2月的文章中明确写道：使用特定水平AI的成本每12个月下降约10倍。摩尔定律曾以每18个月翻一倍的速度改变世界，而AI成本的下降“更加强劲”。
当你的竞争对手亲口为你的叙事提供论证时，这个叙事就不再仅仅是叙事了。AI行业正在经历属于自己的摩尔定律，而DeepSeek，是这条定律最积极的践行者。
定律背后的机制是什么？三代产品的成本为何能持续大幅下降？答案就藏在DeepSeek的技术路线中。
从算法延伸至芯片
V3训练仅使用了2048张H800。同级别模型的训练集群动辄需要上万张卡，但DeepSeek用这2048张卡就训练出了可与GPT - 4对标的模型，依靠的是一项当时没人敢在大规模训练中真正应用的技术：FP8混合精度。
英伟达的Transformer Engine早就支持FP8训练，但在V3之前，没有开源大模型真正在训练阶段成功运行FP8。DeepSeek成为第一个吃螃蟹的，通过细粒度量化策略，将激活值按1x128的tile量化、权重按128x128的block量化，在不损失模型质量的前提下大幅降低了计算成本。
武器不在于数量多，而在于会使用。2048张卡就能完成别人上万张卡的工作。
V4在这条路上又向前迈进了一大步，直接对注意力机制本身进行了改造。
核心是两种全新的注意力结构。CSA（压缩稀疏注意力）将每4个token的KV缓存压缩成1个条目，再通过一个名为Lightning Indexer的筛选器从所有压缩块中只挑选出最相关的512个进行计算。
HCA（层次化压缩注意力）更为激进，压缩比达到128倍，直接跳过筛选环节进行全量计算以捕捉全局结构。两种注意力交错配置，再配合滑动窗口保留最近128个token的原始KV，多管齐下降低了百万token长文本的推理开销。
深度求索方面直接表示：“从现在开始，百万上下文将是DeepSeek所有官方服务的标配。”以前百万token是各家发布会上用来展示技术的指标，现在则成为了默认参数。
当技术成本低到可以成为默认选项时，它就不再是竞争优势，而是基础设施的一部分。
效果直接体现在基准分数上。
V4 - Pro，1.6万亿参数、激活49B，在100万token上下文下处理一个新token所需的算力仅为V3.2的27%，KV缓存只占10%。资源消耗减少到原来的四分之一。
而顶配的Pro Max呢？在知识基准SimpleQA中获得57.9分，比开源最佳成绩高出20个点；在数学竞赛Putnam 2025中取得120/120的满分；在编程竞赛Codeforces中在人类选手中排名第23。三个完全不同类型的任务，同时达到了顶尖水平。
算力使用了四分之一，成绩却冲到了第一。这不是简单的降本增效，而是采用了一套全新的运行逻辑。
但V4最值得关注的变数，不在算法层面。
V4技术报告3.1节有这样一句话：“我们在NVIDIA GPU和华为昇腾NPU两个平台上验证了这个细粒度的专家并行方案。”两个平台并列，写在验证结论里。这不是“兼容适配”的表述，而是“原生支持”的姿态。
这套方案的核心是将MoE的通信和计算切成更细的颗粒按“波”调度，通用推理加速1.50到1.73倍，强化学习长尾小批次最高加速1.96倍。昇腾已经从备选项变成了并列选项。
迁移过程并不轻松。据接近DeepSeek的工程师透露，V4从CUDA到CANN的适配过程中，最耗时的不是算子重写，而是精度对齐。要让同样的模型在英伟达和昇腾上跑出完全一致的数学结果，需要反复调试。
此前使用910C训练时，DeepSeek遇到过问题：1024卡集群梯度同步超时、CANN旧版缺少关键算子，稳定性一度不足。950PR针对性地弥补了这些短板：芯片间带宽翻了3倍，CANN Next内置了FlashAttention和PagedAttention算子。
真正的技术迁移不是更换芯片品牌，而是让两套完全不同的硬件跑出相同的数学结果。DeepSeek打通了这条路，为后来者降低了一大截门槛。
华为的策略也很明确。昇腾950PR在FP4精度下算力达到2 PFLOPS，芯片间互联带宽2TB/s。CANN Next的定位不是推倒重来，而是无缝替换：新增的SIMT编程模型与CUDA高度对标，让开发者沿用CUDA的编程习惯，最终编译出昇腾优化程序。
黄仁勋在帕特尔的播客专访中说出了英伟达真正担心的事情。不是中国做出了优秀的模型，而是优秀模型不再以CUDA为默认优化起点。
英伟达的护城河从来不是GPU本身的算力，而是CUDA作为“事实标准”运行了近二十年的软件生态地位。几乎所有主流AI框架、算子库、开源模型的首发优化，都将CUDA作为默认起点。DeepSeek在昇腾上完成原生适配，恰恰打破了这条链条的起点：至少存在一条真实、可运行、被顶级模型验证过的非CUDA路径。
当世界上最好的开源模型证明了一条完整的非CUDA路径，二十年的生态壁垒就出现了第一道裂缝。效率路线从算法延伸到芯片，触及了英伟达最害怕的领域。
算力成为公共资源
中信建投在V4发布后的研报中进行了这样的划分：R1回答的问题是“中国能不能做出世界级模型”，V4回答的是两个更具体的问题——“能不能在算力封锁下持续发展”，以及“大模型能不能成为能盈利的企业级产品”。
第一个问题，学术界已经给出了答案。2025年9月，R1论文登上Nature封面，8位专家逐条审稿，这是全球首个通过顶级学术期刊同行评审的主流大模型。“中国能不能做”这个问题已经有了定论。
第二个问题才是V4真正要回答的。
巨头们正用最传统的方式抢占市场。2026年春节期间，字节、阿里、腾讯三家烧掉近百亿元进行拉新。千问豪掷30亿元送“奶茶大礼包”，豆包登上央视春晚，元宝抛出10亿元现金红包。
QuestMobile数据显示，截至2026年2月，豆包活跃用户1.03亿、千问3245万，DeepSeek以2477万用户排在第三。
但DeepSeek面临的困境与巨头不同。日活从1.2亿飙升至约2亿，半年增长超67%，而算力仅增加了约8.3%。日均算力成本超千万元，今年已经三次大规模宕机，每次都发生在晚间用户高峰期。
用户增长67%，算力增长8.3%。这个差距就是DeepSeek必须走效率路线的原因，也是V4必须在昇腾上运行的原因。
融资信号也在发生变化。2025年初DeepSeek最热门的时候，梁文锋拒绝了所有投资机构。他曾提出类似OpenAI与微软投资协议的回报上限条款，没有任何机构接受，此后再未与投资人见面。
一年后的4月17日，DeepSeek传出至少100亿美元估值的融资消息；五天后，路透社报道阿里和腾讯正在洽谈投资，估值已被抬到200亿美元以上。一位接近DeepSeek的投资人表示：“这不是一个你出得起价就能进入的项目，在梁文锋的筛选标准中，钱是最不重要的那一项。”
一年前拒绝所有人，一年后所有人争相进入。改变的不是梁文锋的态度，而是DeepSeek的市场地位。它从技术验证期走到了商业化的转折点。
DeepSeek“换芯”昇腾引发的连锁反应正在扩散。阿里、字节、腾讯已向华为批量采购昇腾950PR，订单合计数十万颗，集中采购推动芯片价格近几周上涨20%。当行业龙头用实际行动跟进非CUDA路径时，效率路线就从一家公司的选择变成了行业共识。
商业化数据也在印证这个转折点。智谱2025年全年收入7.24亿元，同比增长132%，MaaS API平台年度经常性收入达到17亿元，同比增长了60倍。大模型正在从烧钱的概念变成赚钱的生意。
当行业中开始有人盈利时，“AI泡沫”的说法就该改变了。
米勒在《巴伦》杂志的判断提供了另一个视角。他说，美中之间的差距不在于人才、不在于创新，而在于训练时投入的运算资源。这是典型的存量思维，谁的卡多谁就赢。
但DeepSeek采用的是增量思维：让每张卡的产出更高。V4在昇腾上运行，就是用效率将存量差距变成了一个可以绕开的问题。
而政策信号，可能是三重信号中最值得玩味的。
工信部发布了《普惠算力赋能中小企业发展专项行动》，目标是到2028年底显著降低中小企业使用算力的门槛。文件中出现了两个概念：“算力银行”和“算力超市”。企业可以把闲置算力存进去，按需取用，按卡时、核时甚至Token来计费。
当政策开始用公共资源的逻辑来管理算力时，前沿智能就真的在成为基础设施。DeepSeek从算法层到芯片层持续降低成本，政策从顶层将算力变成公共服务。
一个从供给侧降低成本，一个从制度侧实现普惠。两条线交汇的那个点，就是AI不再是军备竞赛的那一天。
本文来自微信公众号“NEXT趋势”，作者：方远，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com