DeepSeek 500亿估值融资：开源模型如何逼空OpenAI与Anthropic

文章正文

近日，DeepSeek 传闻以约 500 亿美元估值进行新一轮融资的消息引发行业关注。这个数字看似不小，但仅相当于 OpenAI 与 Anthropic 两大巨头估值的二十分之一。然而，就是这个体量的开源玩家，正从价格维度对美国 AI 双雄形成实质性的利润挤压。

本文基于 B站UP主 DeepArkWorks 对 20VC 一期访谈的要点提炼——该访谈由三位美国投资人围绕 DeepSeek 融资与开源对决展开讨论。这里做的是观点梳理与分析，而非逐字翻译搬运。

胜负手不在模型强弱，而在价格

这场对决最反直觉的判断是：决定胜负的关键，并不是谁的模型能力更强，而是价格，以及谁在替谁烧钱。

访谈中的核心逻辑是：AI 大模型市场本质上是一个寡头结构，收入几乎全部归属于排名前二的公司。

这种寡头格局并非偶然——大模型具有极高的固定成本（单次训练动辄数亿美元）与极低的边际复制成本，这种成本结构在经济学上被称为「规模报酬递增」，天然导致「赢者通吃」。训练完成后每增加一次推理请求的边际成本趋近于零，用户越多反馈数据越丰富、模型迭代越快、竞争壁垒越高，网络效应进一步强化了头部效应。历史上，搜索引擎（谷歌长期占据 85% 以上市场份额）、社交网络均遵循类似规律。OpenAI 凭借 ChatGPT 在 2022 年底的爆发式出圈，率先完成了品牌心智占领与用户惯性积累；Anthropic 则以「宪法 AI」与安全性叙事精准切入对合规要求严格的企业级市场，形成差异化护城河，两者合计占据了绝大多数付费推理收入。在这种结构里，排名第三的玩家想要生存，唯一的底牌就是「便宜」——以更低的价格换取一部分对成本敏感的市场份额。

值得补充的是，「规模报酬递增」的内在机制还涉及数据飞轮效应：用户基数越大，产生的交互数据越丰富，模型的 RLHF（基于人类反馈的强化学习）微调效果越好，产品体验越优，进而吸引更多用户，形成自我强化的正反馈循环。这与工业时代的规模经济（本质上是摊薄固定成本）有本质区别——AI 时代的护城河同时兼具「成本壁垒」与「数据壁垒」双重属性，后发者不仅要承担更高的算力成本，还面临数据积累的结构性劣势。

RLHF 本质上是一种将人类偏好编码进模型的技术路径：通过收集人类对模型不同输出的偏好标注，训练一个奖励模型，再以此奖励信号反向优化基础语言模型的输出分布。用户规模越大，可供标注的样本覆盖的场景越广、边缘案例越丰富，模型在长尾场景的表现越稳健——这正是 OpenAI 数亿用户基数所构成的、开源后发者难以在短期内追平的隐性壁垒。这也解释了为何在此前市场上，中间层玩家的生存空间极为有限：既缺乏顶级玩家的数据飞轮，又无法在价格上与开源方案竞争。

中国开源模型的价格优势大约在 5 倍量级。这意味着，当市场上出现一个「便宜 5 倍」的开源替代品时，原本那些靠低价存活的第三名厂商，赖以生存的底牌被直接抢走。研究员留不住、价格又打不过，最先出局的恰恰是这些中间玩家。

别把开源当成「免费的 Linux」

很多人容易把这波开源浪潮简单类比为当年的 Linux——认为它意味着「免费」。但访谈中特别提醒：这种理解存在明显偏差。

开源模型并不等于零成本。英伟达 GPU 的高昂价格是理解这一点的关键——以 H100 芯片为例，该芯片基于 Hopper 架构，配备 80GB HBM3 显存，专为大规模 Transformer 模型推理与训练优化，单卡售价约 3-4 万美元。运行 Llama-3 70B 或 DeepSeek-V2 等 700 亿参数级别的开源模型，在 FP16 精度下至少需要约 140GB 显存，即 8 张 H100 并行（通过 NVLink 互联），硬件投入即达 24-32 万美元。若采用 INT4/INT8 量化压缩可降低显存需求，但会带来一定精度损失。加上液冷散热、数据中心电力、以及专职 MLOps 工程师的人力成本，年化总拥有成本极为可观。

此处有必要深入解释「量化（Quantization）」技术的实际作用与局限：量化是将模型权重从 FP16（16位浮点数）压缩为 INT8 或 INT4（8位/4位整数）的工程手段，理论上可将显存需求压缩至原来的 1/2 到 1/4，大幅降低硬件门槛。其核心原理在于，神经网络权重的数值分布往往相对集中，可以用更低位宽的整数近似表达，牺牲少量数值精度换取大幅的内存与计算效率提升。

然而，量化并非免费午餐——精度损失在推理敏感任务（如数学证明、多步骤代码生成、逻辑推理）中尤为明显，且量化后的模型在不同硬件平台（NVIDIA、AMD、Apple Silicon）上的表现存在较大差异，需要专业 MLOps 工程师进行适配调优，还涉及 GPTQ、AWQ、GGUF 等不同量化框架的选型决策。GPTQ 通过逐层最小化量化误差实现高精度 INT4 压缩，适合离线批量推理；AWQ（Activation-aware Weight Quantization）则通过保护显著权重通道来减少关键精度损失，在移动端与边缘设备上表现更优；GGUF 格式由 llama.cpp 项目推广，专为 CPU 推理场景优化，覆盖了大量本地部署需求。三种框架各有适用场景，选型本身就需要相当的工程经验积累。

因此，「技术上可运行」与「业务上可用」之间仍存在相当的工程鸿沟。这也是为何开源模型在「技术上可替代」与「商业上实际替代」之间存在巨大差距——只有具备一定规模 IT 能力的中大型企业才能内化这些成本，真正实现对闭源 API 的替换。开源的真正价值在于「便宜得多」，而非「免费」。

更关键的是，这种价格优势的一部分来源于国家补贴。中国政府通过算力补贴、数据中心优惠电价、国家引导基金等多种形式降低 AI 企业的运营成本，本质上是以国家资产负债表为代价，在商业层面对美国 AI 产业形成价格施压。

这与 20 世纪日本半导体产业崛起时的竞争逻辑在结构上颇为相似——彼时日本通产省通过「超大规模集成电路计划」协调富士通、日立、NEC 联合研发，配合政策性低息贷款与出口补贴，使日本在全球 DRAM 市场份额从 1978 年不足 30% 飙升至 1986 年约 80%，最终触发《美日半导体协议》。值得注意的是，这场历史博弈的结局并不乐观——美国通过《1986年美日半导体协议》强制要求日本开放市场并限制对美出口，配合此后韩国三星的崛起，最终瓦解了日本在 DRAM 领域的统治地位。AI 时代的决策者们正在密切研究这段历史，思考政策工具箱的边界与有效性。不同之处在于，AI 软件的扩散速度远超半导体硬件——模型权重可通过互联网即时全球分发，此轮竞争的渗透速度与烈度均远超当年。

补贴方向非常精准——专门针对 OpenAI 与 Anthropic 最赚钱的企业级推理业务。换句话说，低价开源模型的存在，等于给美国 AI 厂商的利润空间硬生生封了一个顶。当客户随时可以用便宜 5 倍的开源方案替代时，双雄就很难在推理定价上维持高毛利。

被掏空的「中段市场」

访谈中最值得警惕的判断，是 AI 双雄产品结构存在一个明显空档。

以 Anthropic 为例，其产品线今天主要覆盖两端：高端的旗舰模型（如 Opus 级别）与低端的轻量模型（如 Haiku 级别）。而中间那一段——「够用、又不算贵」的产品——恰恰是缺失的。

这一现象，在产品战略理论中被称为「价值洼地（Value Gap）」。哈佛商学院教授 Clayton Christensen 在其 1997 年著作《创新者的窘境》中，系统阐述了「颠覆式创新」机制：成熟企业因追求高端客户的高毛利，持续向产品高端迁移，逐渐对中低端市场反应迟钝，最终为新进入者留下突破口。这一理论在 AI 大模型市场中得到了近乎教科书式的验证——中端产品需要较高的研发投入，但定价受限于高低两端的价格锚点，难以实现高毛利，因此对双雄而言商业上不划算。

值得注意的是，Christensen 的「颠覆式创新」与普通的「低价竞争」在机制上有本质区别：后者是单纯的价格战，前者是新进入者凭借「足够好但便宜得多」的产品，首先占领被主流玩家忽视的细分场景，积累规模后再逐步向高端渗透。Christensen 通过研究硬盘、钢铁、挖掘机等数十个行业案例归纳出这一规律，其核心洞察在于：颠覆的起点往往不是正面对抗，而是在主流玩家「不屑一顾」的市场边缘悄然建立滩头阵地。

开源大模型的路径正在遵循这一轨迹——DeepSeek、Llama 系列首先在代码补全、文档摘要等「对模型能力要求适中、对成本极度敏感」的企业场景获得大规模采用，积累工程经验与用户基础后，再通过持续迭代向高端推理任务挑战。这意味着，「中段市场被掏空」并非终局，而是颠覆路径的起点。

企业实际推理需求的分布恰好集中于此：客服自动化、代码补全、文档摘要、内容生成等场景并不需要顶级模型能力，却对成本极度敏感，对应着 90% 企业日常推理任务的实际需求。开源模型以「60 分够用、价格只有 20 分」的特性精准卡位，正在把 AI 双雄的中段市场整个掏空。这是一个结构性软肋：高端有护城河，低端有规模，唯独最广阔的中段正被开源蚕食。

3000亿资本开支的「外包」隐患

访谈中最扎心的一句话，是关于双雄「轻装上阵」的真相。

OpenAI 与 Anthropic 之所以能够轻装上阵，是因为它们把高达约 3000 亿美元的资本开支「外包」给了甲骨文、微软等云基础设施厂商。真正为算力狂烧钱的，是这些云巨头，而非模型公司本身。

这种安排在商业结构上有其深层逻辑。微软向 OpenAI 累计投入约 130 亿美元，换取的核心条款包括：OpenAI 优先使用 Azure 云服务、微软获得 OpenAI 技术的独家商业化授权（直至达到特定收益门槛）。亚马逊对 Anthropic 的最高 40 亿美元承诺同样附带 Claude 模型优先部署于 AWS、并使用 Trainium/Inferentia 专用芯片的条款。这些协议本质上是云服务市场份额争夺战的延伸——微软与亚马逊各自押注头部 AI 公司，以确保在企业 AI 云服务竞争中占据战略高地，属于战略性赌注而非纯粹商业合同。

从资本结构视角看，这种「外包资本开支」的安排本质上是一种表外融资（Off-Balance-Sheet Financing）——AI 公司规避了巨额固定资产投入对资产负债表的冲击，保持了账面上的「轻资产」形态，在一级市场估值时获得了更高的收入乘数。这种结构与航空业的「售后回租（Sale-Leaseback）」模式存在功能性相似：航空公司将飞机出售给金融机构后再租回使用，以此释放资产负债表空间、改善流动性，但同时承担了长期租赁义务的刚性成本。AI 双雄同样以「未来云服务采购承诺」换取当期资本支持，这种承诺在收入高速增长时是合理的财务杠杆，一旦增速放缓则可能演变为难以消化的固定负担。

然而，这种结构的脆弱性在于：云厂商承担资本开支的核心动机是「锁定未来云服务收入」，一旦 AI 应用商业化进展不及预期、开源替代导致推理收入增速放缓，云厂商对续约条款的谈判立场将显著强硬——可能要求更高的收入分成比例、更严格的算力使用限制，甚至通过自研大模型（如亚马逊的 Titan 系列、谷歌的 Gemini）直接切入竞争，从「战略合作伙伴」演变为「垂直整合竞争者」。

这就构成了双雄商业模式的两根支柱：

• 收入端：被开源模型的低价压住了天花板；
• 成本端：靠外部合作伙伴（云厂商）代为承担巨额烧钱。

问题在于，这两根支柱随时可能同时晃动。一旦开源持续压低价格，同时云厂商对回报预期产生动摇、不愿继续无限度承担资本开支——这种安排在会计上的可持续性高度依赖 AI 应用商业化的进展，一旦变现节奏不及预期，云厂商将面临股东压力，续约条款可能大幅收紧——双雄的商业逻辑就会面临双重挤压：收入天花板下压与资本输血减少同步到来。

结语：中段之争决定生死

三条结论可以用一句话收束：开源正用价格逼空 AI 双雄；双雄若想突围，唯一出路是把中段产品做得比开源还便宜。

这场对决的本质，是一场关于成本结构与市场分层的博弈。DeepSeek 以二十分之一的估值，却能对头部玩家的利润封顶，正说明在寡头市场里，价格才是最锋利的武器。当便宜 5 倍的开源模型持续侵蚀最有价值的中段市场，模型能力的领先反而不再是决定性因素。Christensen 所描述的颠覆路径正在 AI 领域实时上演——成熟企业向高端迁移的惯性，为开源颠覆者精准留出了入口。

当然，这场博弈的结局并非注定。双雄的反制路径同样存在：一方面可以通过「蒸馏（Distillation）」技术，将旗舰模型的能力压缩至更小、更经济的中端模型，以接近开源的成本提供更好的性能。

知识蒸馏的核心原理是让小型「学生模型」学习大型「教师模型」的输出概率分布（而非仅仅硬标签），从而在参数量大幅缩减的情况下保留教师模型的推理模式与泛化能力——这正是 OpenAI 的 GPT-4o mini 与 Anthropic 的 Claude Haiku 的技术路径之一。与直接训练小模型相比，蒸馏的优势在于：教师模型的「软标签」（即对各类别的概率分布）包含了比「硬标签」（仅有正确答案）丰富得多的知识，比如「这道题答案是B，但C也有30%的可能性」——这种细粒度信息帮助学生模型更高效地学习泛化规律，而非单纯记忆训练样本。实践中，OpenAI 通过 GPT-4o mini 将旗舰模型约 1/10 的推理成本实现了接近 80% 的能力保留，这恰恰是填补中段价格空档的核心武器。

另一方面，凭借积累的用户数据与 RLHF 反馈，持续扩大开源模型难以复制的「能力护城河」。但无论如何，不正面回应中段市场的价格竞争，坐等开源蚕食的策略显然不可持续。

需要说明的是，以上观点源自 20VC 单期访谈中三位美国投资人的判断，属于特定视角的分析，读者可结合更多来源交叉验证。但无论如何，「开源逼空」这一趋势，正在重塑整个 AI 商业竞争的底层逻辑。