DeepSeek把大模型拖进“斩杀线”后，谁还能赚钱？

本文来自微信公众号： 防冷涂的腊 ，作者：防冷涂的腊

7月31日，DeepSeek把V4 Flash官方版本API推向公测。这个版本没有扩大参数规模，也没有更换底层架构，官方披露的主要变化来自后训练，但Terminal Bench 2.1等Agent指标明显上升。价格更值得看：缓存命中输入0.02元、未命中输入1元、输出2元，单位均为百万Token。

第三方评测把这种冲击变得更直观。Artificial Analysis给DeepSeek V4 Flash和Gemini 3.6 Flash的智能指数都打了50分；按7:2:1的缓存命中、普通输入和输出混合口径计算，前者每百万Token为0.06美元，后者为1.16美元，相差约19倍。

“DeepSeek斩杀线”由此在开发者和投资圈流行起来。它不是DeepSeek官方提出的指标，也没有统一公式，更像市场对价格—性能边界的简称：能力不如DeepSeek、价格却更高的模型，先失去规模化使用的理由；能力只高一点，却贵出十几倍，也要证明这点差距能给客户创造十几倍的价值。

图1：相同智能指数下的混合价格差异。来源：Artificial Analysis。

斩杀线讨论的是模型竞争，背后更值得追问的其实是商业质量。大模型正在改变软件、搜索、内容生产和企业流程，这一点没有太大争议。争议在于：如此重要的技术，能否自然长成一门长期回报很高的生意？至少从目前公开数据看，我个人觉得答案偏谨慎。

01卖Token只是表面，大模型靠什么赚钱？

按收费对象看，基础模型公司的收入大致分四类：API按输入、输出和缓存Token计费；个人或团队按月订阅；企业购买许可、私有化部署和定制项目；云厂商、终端和应用平台按协议分成。收入形式不少，经济实质却可以归为两种：销售标准化模型能力，或者围绕模型做交付与服务。

标准化能力的优点是可复制，调用量放大后有机会摊薄固定成本；问题是价格透明，竞品容易比较。项目和私有化部署能提高客单价，也能把安全、合规和本地数据变成收费项，但销售周期、实施和运维都更重，规模扩大未必带来软件行业常见的边际利润。

成本端比收入端更复杂。预训练之外，还有后训练、数据清洗、评测、安全、人才和实验消耗；模型上线以后，每次调用继续发生推理成本。自建算力时，这些支出表现为服务器、数据中心、折旧和电力；租云时，只是换成云费用或长期算力承诺。

判断这门生意不能只看毛利率，更要看自由现金流。训练投入可以资本化或被融资暂时遮住，推理降本也能把单次毛利做得很好看，但只要下一代模型仍要追加巨额投入，账面毛利就不等于股东最终能拿走的现金。

02好生意看资本回报，不看技术声量

巴菲特在2007年致股东信中讨论“好生意”时，核心并不是市场够不够大，而是企业能否依靠持久护城河保护投入资本回报率。他还特意提醒，必须持续重建的护城河，最终很难称为护城河。

放到大模型行业，我更愿意把问题拆成三项可验证的指标：利润增长需要补多少资本；成本下降能否留在公司利润表里；客户更换供应商时要付出多大代价。分别对应资本开支、定价权和迁移成本。

市场规模与商业质量经常被混在一起。电力、航空、钢铁都很重要，也能产生巨额收入，但资本密集、价格竞争和周期波动会压低长期回报。大模型可能成为数字经济的基础设施，基础设施属性本身并不保证基础模型公司获得最丰厚的利润。

03资本开支：领先窗口越来越短，账单越来越长

大模型的第一道坎，是领先优势的保质期很短。今天用于训练最强模型的集群，明天仍然可以承担推理和实验，但它很难自动保证下一代模型继续领先。新架构、新芯片、新数据和新的后训练方法出现后，原有优势需要重新投资。

Epoch AI对45个前沿模型的估算显示，自2016年以来，最终训练运行的硬件和能源摊销成本年均增长约2.4倍，其中硬件约占开发成本的47%—67%，研发人员约占29%—49%。如果历史趋势延续，最大训练运行在2027年前后可能超过10亿美元。这个数字存在估算误差，但方向很清楚：模型能力越往前沿走，入场券越贵。

巨头的最新指引把这张账单摊在了报表上。Amazon预计2026年全集团资本开支约2000亿美元；Alphabet在二季度把全年指引上调至1950亿—2050亿美元；Meta给出的区间是1300亿—1450亿美元。三家的口径覆盖云计算、广告、芯片、物流等全部业务，不能把每一美元都算到大模型头上，但它们都把AI算力需求列为主要投入驱动。

图3：科技巨头2026年资本开支计划。来源：Amazon、Alphabet、Meta最新业绩披露。

更能说明问题的是现金流。Amazon二季度披露，过去12个月自由现金流由流入182亿美元转为流出76亿美元，物业和设备净采购同比增加661亿美元，主要反映AI投资；Meta二季度资本开支310.8亿美元，自由现金流只有7.84亿美元。两家公司原有业务都具备很强造血能力，仍能承担这轮投入。纯模型公司没有广告、电商或成熟云业务托底，融资条件一旦变化，压力会更直接。

这里很容易把基础模型公司和云厂商混为一谈。云厂商的资本开支可以同时服务模型训练、企业计算和既有客户，模型公司租用这些资源时，则要用Token收入覆盖云厂商的折旧、资本成本和利润。资本密集度没有消失，只是从模型公司的资产负债表转移成了采购成本。

04定价权：降本越快，价格锚下移越快

通常情况下，技术降本会先改善企业利润。大模型行业的特殊之处，是降本成果很快被竞争传给客户。Stanford 2025 AI Index统计，同等GPT-3.5水平系统的查询成本从2022年11月的每百万Token 20美元降至2024年10月的0.07美元，18个月下降超过280倍；同期硬件成本年均下降约30%，能效年均改善约40%。

如果行业里的供给者很少、产品差异长期稳定，成本下降可以沉淀为毛利。现实恰好相反：模型能力在收敛，开源权重提供了价格锚，云厂商又可以用其他业务补贴模型。Stanford 2026 AI Index显示，截至2026年3月，Arena榜单前四家公司聚集在25个Elo分以内；顶级闭源和开源模型的差距只有3.3%。榜单不是商业价值的全部，却足以让采购方更容易议价。

Agent普及还会放大价格敏感度。一次复杂任务可能连续规划、调用工具、读取文件、执行代码并自检，Token消耗远高于一次问答。模型能力领先几分，可能减少若干次重试；价格相差十几倍，却会直接改变产品能否规模化运行。采购指标正在从“谁最聪明”转向“完成一项工作总共花多少钱”。

调用量增长当然可以抵消单价下滑，但要满足一个严苛条件：用量增速必须长期跑赢价格下降和新增研发投入。DeepSeek的低价证明了技术效率，也把效率变成了全行业的新报价基准。至少现阶段，降本红利更快流向开发者和应用公司。

05迁移成本：客户用了模型，却未必属于模型公司

再看客户迁移成本。接口标准化正在降低切换难度。DeepSeek官方文档写得很直接：API兼容OpenAI和Anthropic格式，开发者修改配置就能接入；Claude Code、GitHub Copilot、OpenCode等工具可以直接把DeepSeek当作后端。LiteLLM这类开源网关则把100多种模型放进统一接口，并提供路由、负载均衡和故障切换。

这对开发者是好事，对模型供应商却未必。企业真正沉淀的是用户账号、业务数据、提示词、评测集、权限体系和流程配置。只要这些资产留在应用层或企业自己的网关里，更换底层模型往往只是工程项目，而不是业务重建。高合规行业仍会有迁移成本，复杂Agent也存在模型行为差异，但总体方向是切换难度下降。

“斩杀线”的两面性正在这里出现。DeepSeek能凭性价比快速获得调用量，恰恰说明客户会为更好的性价比迁移。今天的赢家如果不能把调用量转成生态、数据或工作流，明天也可能被下一条价格—性能前沿替代。

06反方检验：规模效应和寡头格局能改变结论吗？

对“大模型不是好生意”的判断，最有力的反驳有三条。

第一，推理具有规模经济，利用率越高，单位成本越低；

第二，前沿智能始终稀缺，最难的科研、代码和决策任务愿意支付溢价；

第三，巨额资本开支会把竞争者挡在门外，行业最终可能只剩少数平台。

这三条都成立，但它们更像在解释为什么少数公司能活下来，还不能证明基础模型层平均是一门好生意。规模经济只有在降本不被价格战完全传导时才形成利润；前沿溢价只覆盖金字塔尖任务，并且需要每一代模型重新证明；寡头格局减少竞争者，也可能让云厂商通过捆绑、补贴和多模型平台继续压价。

还要把大厂和纯模型公司分开看。大厂做模型，不一定靠模型API单独赚钱。Google可以用Gemini保护搜索和Workspace，Meta可以提高广告效率，Amazon可以卖算力、芯片和云服务。它们获得的是全栈回报。如果一家公司的利润来自广告、云和分发入口，这证明全栈平台可能是好生意，并不能反推纯基础模型也是好生意。

因此，更准确的边界是：基础模型会形成强者恒强，但胜者数量少不等于胜者资本回报一定高。真正可能例外的，是同时拥有最低成本、稳定分发和多层变现能力的平台。

07大模型公司的出路：别只卖模型

未来的行业结构，我更倾向于“少数闭源前沿平台＋长期存在的开源价格锚＋大量多模型应用”。基础模型不会消失，性能竞争也不会停止，但利润池会沿着三个方向重新分配。

第一条路是做成本领先者。自研芯片、推理调度、缓存、模型稀疏化和高利用率都不是后台优化，而是商业模式本身。只有单位成本长期低于行业价格下降速度，低价才不是自我消耗。

第二条路是进入垂直行业。金融、医疗、制造、政务并不只买一次回答，它们还购买准确率、审计、权限、合规、私有化部署和事故责任。专有数据与交付能力把模型差异转换成业务风险差异，企业才可能接受更稳定的溢价。

第三条路是向应用和工作流下沉。谁掌握用户入口、上下文、系统权限、反馈数据和最终结果，谁的迁移成本更高，也更适合从Token计费转向席位、项目或结果计费。模型仍是核心能力，但客户付钱的对象变成了完整工作，而不是一段推理。

图4：基础模型公司需要把技术优势转化为成本、行业或工作流资产。

这三条路有一个共同点：护城河最终都不只在模型权重里。它落在芯片和基础设施、专有数据和合规体系，或者客户每天离不开的业务流程中。模型能力决定能不能上牌桌，经营资产决定利润能不能留下来。

写在最后

DeepSeek斩杀线不是行业终局，更像一次提前到来的压力测试。它让能力弱、价格高的模型先退出，也迫使能力更强的模型解释自己的溢价。对社会来说，智能更便宜当然是好事；对基础模型公司来说，这意味着每一轮技术进步都可能同时抬高下一轮投入，并压低这一轮产品的价格。

我并不看空大模型产业，只是对“技术影响力会自然转化为长期高回报”保持警惕。未来值得跟踪的，不是谁又多拿了几分，而是谁能在资本开支上形成成本优势、在定价上保留利润、在客户流程里建立迁移成本。等这三本账能够同时成立，一家大模型公司才算从重要技术走向一门好生意。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4880776.html?f=wyxwapp