新智元报道
【新智元导读】DeepSeek 正用开源、降价和底层架构创新，重画 AI 硬件生态的成本曲线，把目标指向十万亿美元产业与 AGI 的星辰大海。
DeepSeek 最近动作频频。
先是 5 月 22 日，彭博社爆出他们正在推进 700 亿元人民币的融资，投前估值高达 450 亿美元。
同一天，DeepSeek 官宣 V4-Pro API 永久降价 75%——把促销价直接焊死成正价。
一边向投资人要钱，一边向开发者让利。这操作，多少有点让人迷糊。
那么问题来了，DeepSeek 到底要靠什么赚钱，而且还要赚很多很多钱？
毕竟，AGI 可不是能口嗨出来的。
这正是x博主@bookwormengr 最近研究的一个狠问题。
他在长文《DeepSeek's 10 trillion USD grand strategy》中提出一个非常大胆的判断：DeepSeek 真正的星辰大海，可能不是卖编程套餐，不是卖语音助手，而是参与塑造一个价值 10 万亿美元级别的 AI 硬件生态，并在这个生态里冲击万亿美元级估值。
仔细读完@bookwormengr 的这篇万字长文，你会发现：梁文锋不是疯子，他是棋手。
而且是高手，他下的是一盘价值 10 万亿美元的棋。
英雄之旅
一场反共识的技术长征
回顾 DeepSeek 的成长轨迹，用「英雄之旅」来形容不为过。
在所有人都在堆 Dense 模型、卷参数量的时候，DeepSeek 去啃最难训的 MoE（混合专家模型），用更少的计算量撬动更高的智能。
别人用 PPO 做强化学习，他们从第一性原理出发，发明了更便宜的 GRPO 算法。
别人还在讨论 RLHF 的天花板，他们已经跑通了 RLVR（基于可验证奖励的强化学习），把推理能力拉上了新台阶。
MLA、DSA（解耦稀疏注意力）、mHC（流形约束超连接）、CSA 和 HCA——这些都不是论文里的花拳绣腿，每一项都在回答同一个问题：怎样在有限的硬件条件下，榨出最大的AI算力？
英雄从来不是一开始就知道自己的使命。他在路上不断战斗、不断发现，最终找到了自己的终极宿命。
DeepSeek 的宿命，从来都不是卖 API 套餐。
一道有趣的数学题
KV Cache 的秘密
让我们从一个具体的数字开始讲这个故事。
打开 kvcache.ai 的在线计算器，输入 100 万 token 上下文、8bit KV 精度、16bit 索引精度，你会看到一组让人瞠目的对比：DeepSeek V4仅需5. 48GBHBM。
相比之下，其他顶级开源模型则动辄需要60GBHBM。
注意，DeepSeek V4 是一个 1.6 万亿参数的模型，体量远大于其他开源模型，KV Cache 占用却只有它们的零头。
这意味着 DeepSeek 可以把缓存命中的价格定到一个令人发指的低位——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%，而且可以持续缓存数小时。
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。
梁文锋两年前就说过 DeepSeek 的定价哲学：我们的原则是不贴钱，也不赚取暴利。
现在看来，他说的是实话——当你的 KV Cache 只有别人的十分之一，你的成本就是别人的零头。
但更深的问题是：这个红利到底流向了哪里？
十万亿美元的棋盘
硬件生态的重构
答案藏在三个缩写里：SSD、LPDDR、HBM。
第一层：SSD 与 NAND 闪存。KV Cache 被压缩到极小之后，可以高效地卸载（offload）到 SSD 上，等需要时再快速加载回 HBM。
DeepSeek 在 Dual Path 论文中还专门优化了从 SSD 加载 KV Cache 的速度。这直接减少了对昂贵 HBM 的依赖。
谁是 SSD 和 NAND 闪存的大玩家？DeepSeek 每压缩一分 KV Cache，就在为 NAND 和 SSD 创造一个庞大的新市场。
第二层：LPDDR 内存。SGLang 团队发表的研究表明，LPDDR 完全可以作为「权重暂存区」——模型权重先放在 LPDDR 里，需要时再流式传输到 HBM 中，大幅缓解 HBM 的容量压力。
DeepSeek 的 MoE 架构天然适配这个方案：专家数量多、权重可以 4bit 量化，流式加载非常高效。
谁在做 LPDDR？国产速度只落后 0.5 代，密度落后 1 代，追赶的脚步已经很近。
第三层：GPU/ASIC 的减压。Engram 模块用 LPDDR 中的哈希查表替代 Transformer 的前向传播计算，本质上是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 FLOPs 上落后。但如果你能用更多的便宜内存来替代更少的昂贵算力，那这种「换道超车」就变得合理了。
再加上 TileLang——DeepSeek 投资的跨硬件内核编译框架，可以让一套计算代码同时跑在多种硬件平台上，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突破。
现在你明白了吗？DeepSeek 做的每一项技术创新，都在指向同一个方向：降低对顶级硬件的依赖，让中国现有的存储、芯片、网络生态变得足够用，甚至好用。
@bookwormengr 算了一笔大账：全球 AI 相关股票的总市值早已远超 10 万亿美元。
如果 DeepSeek 能帮助中国构建一个等量级的 AI 硬件生态，它自己在这盘棋里拿到 1 万亿美元的估值，完全合乎逻辑。
不赚快钱的逻辑
回头看 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——就说得通了。
不是「不会赚钱」，而是「暂时不屑于赚这种钱」。
@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。这本质上是「用承诺换股权」——你帮我造芯片，我给你订单，我们一起把蛋糕做大。
DeepSeek 完全可以复制这个模式。
只不过它面对的不是 AMD 和 Cerebras，而是整条国产 AI 硬件产业链。
梁文锋是量化基金出身，被称为「Jim Simmon的忠实粉丝」。这样一个人，不可能不懂资本运作的精妙之处。
事实上，融资消息传出前，他已经在 2026 年 4 月完成了一次关键的股权调整——通过直接与间接持股控制公司约 84.29% 的股权，表决权 100%。
宁德时代投 DeepSeek——它要锁定未来 AI 数据中心的储能订单。京东、网易入局，各有各的战略诉求。
国家大基金下场，更是把 DeepSeek 定位成了国家级 AI 基础设施。
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。
终极使命
大规模强化学习与 AGI
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。
据彭博社报道，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。
逻辑是这样：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（RL）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——万亿级 token 的生成量，计算成本极其恐怖。而 100 万上下文的长程任务，要求轨迹本身也足够长。
如果没有极致的硬件效率优化，这种训练根本跑不起来。
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。这是一个试错密度极高的过程，对算力的需求是无底洞。
但如果 DeepSeek 通过重构硬件生态把算力成本打下来，这条路就变得可行。
从 MoE 到 MLA，从 DSA 到 CSA，从 Engram 到 TileLang，从 KV Cache 压缩到 LPDDR 流式加载——所有这些创新，最终都汇聚到同一个终点：让 AGI 的训练从「烧不起」变成「烧得起」。
梁文锋与 DeepSeek 的星辰大海，从来不是海面上的浪花，而是洋流本身。
编辑：所罗门
