DeepSeek千亿融资创纪录 宁德腾讯联手押注算力

来源：搜狐科技

杭州深度求索人工智能基础技术研究有限公司——业内普遍称之为DeepSeek的最新一轮融资正在进入最后阶段。据每日经济新闻10月6日报道，这轮融资产生已锁定的最小额度是800亿元人民币，按已签署的条款清单计算，最终数字有望逼近1000亿元。公司此前公布的募资目标大约是500亿元，如今被直接翻了一倍多。

宁德时代与腾讯控股被认为是此轮出资金额最高的两家机构。一家是靠动力电池吃遍全球市场的硬制造龙头，一家是靠游戏和社交积累海量流量的互联网巨头，它们同时出现在同一笔非公众科技公司的融资清单上，这种组合在中国商业史上都罕见。

这笔钱不是用来做产品包装或者市场拓展的——它明确指向了一个极其硬核的方向：国产算力的预训练。

这意味着什么？

500亿元的融资目标在当时已经足够惊人——相当于当时不少A股中型上市公司的全年营收规模。但投资人愿意把它翻两倍，背后有一个最直接的现实前提：DeepSeek在开源大模型赛道上的技术路线被验证了可行性和效率优势。

当开源社区能够接受一个模型的推理能力达到与国际领先模型相近的水准，且成本更低时，围绕它的商业想象空间就打开了。投资人看到的不再是“这家公司能不能做出一个好用的聊天机器人”，而是“谁掌握了国产算力预训练的核心能力，谁就卡住了下一个十年AI应用层的地基”。

宁德时代决定下重注的逻辑相对直白。动力电池本质上是大规模电化学储能系统，而大规模储能系统的核心竞争力在于材料科学、热管理、能量密度——这些能力底层都是物理层面的系统工程。预训练一个万亿参数级别的国产大模型，首先需要解决的是硬件层面的算力供给。

GPU供应受限于地缘政治因素后，算力芯片的研发和集群建设变成了一门更重的制造业生意。电池厂造过产线，懂规模化制造的供应链管理，也早就习惯了动辄几百亿级别的资本开支节奏。对宁德时代而言，投资DeepSeek不是从新能源跳到互联网的跨行冒险，而是把工程化能力和资金投入到一个新的巨型基础设施领域。

腾讯的投资动机则更加多元化。作为拥有微信、小程序、广告投放和游戏业务的流量巨兽，腾讯在过去几年里其实一直在补课AI能力。早期的策略更多是通过财务投资布局整个生态——参股各种初创公司、购买云服务，但在大模型这个层面，仅仅做“买家”显然不够安全。如果国产基础模型的竞争格局固定下来，而腾讯站在局外，那么未来所有的API调用都将面临价格博弈和技术依赖的双重风险。

主动下场参与预训练资金的筹集，本质上是在锁定一条长期稳定的技术路径选择权。

这条新闻最值得关注的部分不在于数字本身，而在于出资人的身份变化。

过去两年中国AI赛道的融资主力一直是纯财务投资者——头部创投基金、美元基金、部分地方政府引导基金。它们的逻辑很清晰：烧钱抢跑，尽快推向商业化，用用户增长或收入倍数来完成下一轮估值跳升。

但这次的主导方变成了两个产业资本实体。宁德时代和腾讯的共同点在于，它们都不打算通过短期IPO退出获利，而是把DeepSeek的能力内化为自身业务护城河的一部分。这种“战略型出资”改变了整笔交易的风险偏好结构。

财务投资人追求的是回报周期内的最大收益，因此会施加明确的里程碑约束和对赌压力。产业资本则可以接受更长的培育期，因为它们可以从自身的产业链中获得间接回报——比如宁德时代的储能管理系统调用更高效的模型来做电网调度优化，比如腾讯的游戏引擎接入更智能的内容生成能力。

这也意味着DeepSeek接下来面临的治理约束可能完全不同：不一定会出现迫使快速上市的对赌条款，但会面临来自产业资方的深度业务协同要求。这种模式的利弊都很明显——好处是不必为了短期业绩牺牲技术研发节奏，坏处则是独立性进一步减弱，企业可能越来越偏向于服务少数几个战略股东的需求。

按照每日经济新闻的报道，国内的Kimi和阶跃星辰同期也在推进各自的融资计划，规模同样不小。中国AI领域的资本竞赛远没有到达终局阶段。但如果DeepSeek确实完成了这轮融资，它将在未来两三年内占据一个独特的竞争优势位——不仅是因为已经到账的资金量级，更是因为产业资本的绑定让它的算力供给获得了确定性保障。

美国方面，OpenAI和Anthropic同样在寻求巨额融资或商业化合作，但它们的资金来源仍然是传统VC结构和少量大型企业战略投资。中美之间的AI竞争已经从纯技术路线分歧延伸到了“算力＋资本”的双轨制比拼。

对于普通投资者和行业从业者来说，这笔交易的启示不在于“DeepSeek会不会成功”，而在于三条可操作的观察线索：

第一，关注宁德时代后续是否会公开其在AI算力基础设施方面的独立投入计划。如果这家电池龙头真的沿着这条路走下去，它可能会开辟出一个新的业务分类。

第二，追踪腾讯内部哪些产品线率先接入了DeepSeek的模型能力。一旦形成具体的商业闭环案例，其他互联网大厂会有相似的跟进动作。

第三，看这笔资金的实际消耗速度。预训练的成本极高，即使有1000亿元，能否支撑至少三到四次模型迭代升级，决定了这笔投资是否真正形成了技术壁垒。