DeepSeek披露營運數據成本利潤率達545%！

By Michael Chan on 03 Mar 2025

DeepSeek首度公開營運數據，揭示其V3/R1推理系統實現了高達545%的成本利潤率，並以低至OpenAI推理成本的1%打破資源壟斷，讓AI應用進一步普及化。這檔次的成本效率和技術優勢如何助其改寫行業格局？

根據DeepSeek官方披露，假設GPU 租賃成本為 2 美元 / 小時，其 V3/R1 推理系統的日均成本為 87,072 美元。而如果所有 tokens 全部按照 DeepSeek R1 的定價計算，理論上一天的總收入竟高達 562,027 美元，這使得成本利潤率達到了驚人的 545%。如此高的成本利潤率，在競爭激烈的 AI 大模型市場中可謂一枝獨秀，刷新了行業對於盈利水平的認知。

不過，DeepSeek也坦言，實際收入並沒有理論計算的那麽高。原因在於，V3 的定價相較於 R1 更低，且網頁端和應用程序部分免費，僅部分服務會產生收入。此外，為了充分利用夜間較低的服務負荷時段，DeepSeek 在北京時間每日 00:30 - 08:30 推出了錯峰優惠活動，在此期間，API 調用價格大幅下調，其中 DeepSeek - V3 降至原價的 50%，DeepSeek - R1 降至 25% ，這也在一定程度上拉低了整體收入。

DeepSeek-V3/R1 推理系統之所以能取得如此優異的成本效益表現，背後離不開其先進的技術策略。該推理系統的核心優化目標是實現更大的吞吐以及更低的延遲，為達成這兩個目標，DeepSeek 採用了大規模跨節點專家並行（Expert Parallelism / EP）方法。

在提升吞吐方面，大規模跨節點專家並行使得 batch size（批尺寸）顯著增加，進而提高了 GPU 矩陣乘法的效率。batch size 決定了每次模型更新時使用的訓練樣本數量，其增大能夠加快模型的訓練速度，優化內存消耗以及調整模型權重的更新方式，最終提升了整體的吞吐能力。

在降低延遲上，由於專家分散在不同的 GPU 上，每個 GPU 只需計算少量專家，大大減少了存取需求，從而有效降低延遲。然而，大規模跨節點專家並行也大幅增加了系統的複雜性，帶來了諸如跨節點通信、多節點數據並行、負載均衡等一系列挑戰。

面對這些挑戰，DeepSeek 團隊通過一系列創新技術加以應對。在計算通信重疊方面，採用雙 batch 重疊策略，在 prefill 階段，兩個 batch 的計算和通信交錯進行，一個 batch 計算時可掩蓋另一個 batch 的通信開銷；在 decode 階段，將 attention 部分拆成兩個 stage，構建共計 5 個 stage 的流水線，以此實現計算和通信的重疊，提高整體吞吐。

此外，DeepSeek 還實現了一套晝夜資源調配機制。白天服務負荷高時，使用所有節點部署推理服務；晚上服務負荷低時，減少推理節點，將其轉而用於研究和訓練，進一步提高了硬件利用率，降低了成本。

DeepSeek 此次披露的數據，無疑為行業樹立了高效盈利的標桿。其模型訓練成本僅為同類產品的 1% - 5%，此前發布的 DeepSeek - V3 模型訓練成本僅 557.6萬美元，遠低於 OpenAI 等行業巨頭。

在推理定價方面，DeepSeek - R1 的 API 定價僅為 OpenAI o3 - mini 的 1/7 至 1/2 ，這種低成本策略極大地加速了市場滲透，使得更多企業能夠負擔得起 AI 大模型的應用，推動 AI 技術在更廣泛的領域得以普及。

業內分析人士指出，DeepSeek 的開源策略與成本控制能力正在逐步打破 AI 領域長期存在的資源壟斷格局。此次 “透明化” 披露運營數據，不僅充分展示了其強大的技術實力與巨大的商業潛力，更向整個行業傳遞了一個明確信號：AI 大模型的盈利閉環已從理想逐步照進現實，這標志著 AI 技術正從實驗室研發階段加速邁向大規模產業化應用的關鍵轉折。