近期，不仅DeepSeek走红，德银的一份报告也火出了圈——德银分析师马克·安德里森（Marc Andreessen）将DeepSeek的发布称为“中国的斯普特尼克时刻”（Sputnik moment），标志着中国AI科技的崛起。

“斯普特尼克时刻”是指某一国家或地区在某个领域的突然突破，带来巨大的技术、经济或政治影响，通常促使全球或其他国家重新评估自己的发展方向和竞争力。这个词源于1957年苏联发射的第一颗人造卫星——斯普特尼克1号（Sputnik 1），它标志着苏联在太空竞赛中的突破，震惊了全世界，尤其是美国。

安德里森提及，中国最初在全球范围内确立企业主导地位的是服装、纺织和玩具行业，随后在基础电子产品、钢铁、造船等领域占据优势，近年来又主导了家电、太阳能等行业。

直到2024年底，中国凭借电动车出口的惊人增长，引发全球关注。而在2025年，中国在一周内接连推出全球首款第六代战斗机和低成本AI系统DeepSeek，再次震撼全球市场。

中国在高附加值领域的领先地位正以前所未有的速度扩展。

据报道，DeepSeek每生成100万个token仅收取1.4美分，大约相当于70万个单词。相比之下，Meta对其最大模型的相同输出收取2.8美元，其收费相当于是美国大模型的1/200！而成本仅仅是Open AI的1/50左右。

当然这几天市场有争议，DeepSeek的技术是否真的已经领先美国，成本是否真的那么低，这些还有待时间去考证。但是至少说明一点，中国的AI发展比市场预期得要好，并没有落后美国那么多。

如今，更关键的问题在于，究竟中美AI浪潮未来将如何演进？如何看待所谓的“蒸馏”（distillation）质疑和开闭源争议？模型平价化趋势的深入将带来什么结果？

英伟达的抛售也引发了另一个思考——算力需求显著下降，未来究竟是会导致算力消耗量下降，还是说训练模型的玩家随着门槛的降低而增加，且推理市场打开后，可能对算力需求量上升？

随着AI主题可能会从基础设施层转向应用层，To C场景还有什么变现手段？如果不靠模型盈利，To C市场会有哪些？

一、DeepSeek加速模型平价化进程

OpenAI的诞生使AI彻底迎来觉醒时刻。回顾2024年，美国“科技七巨头”市值增长了6万亿美元，AI主题是主要推动力。

英伟达以及“超大规模”企业（hyperscaler，例如微软、谷歌、Meta、亚马逊）贡献标普500指数总回报（25%）的41%。

然而，也就在春节前夕，DeepSeek R1、字节跳动的豆包1.5 Pro，以及月之暗面的Kimi k1.5模型相继推出，引发了全球投资者的高度关注。

DeepSeek的优异表现以及不及OpenAI近1/20的算力成本令英伟达股价一夜暴跌17%。截至1月26日，DeepSeek在美区苹果App Store免费榜升至第六位，超越Google Gemini、Microsoft Copilot等美国科技公司的生成式AI产品，而后一度冲至第一。

或许这也意味着，在未来AI竞赛中，中国不一定会落后，中国可以用更少的GPU构建模型。但核心原因在于，AI的关键并不在于构建最佳模型，而是在于模型的应用与采纳。

一个社会的繁荣程度并不取决于拥有最佳模型，而是取决于其如何高效地采用AI技术。

值得一提的是，推理大模型DeepSeek-R1以开源形式问世，性能比肩OpenAl的闭源旗舰模型o1，但训练成本仅为后者的1/20。这一突破让硅谷陷入焦虑，更暴露了Al领域长期依赖硬件堆砌与封闭生态的脆弱性。

早在去年三季度，高盛就发布多份报告，预警AI开支太大的风险，其中一份名为《生成式AI：太多支出，太少收益？》（《Gen AI：Too much spend，too little benefit》）。然而华尔街似乎并不在意，投资者继续追捧着“AI资本支出越多、股价越应该涨”的故事。

到目前为止，市场既奖励了在AI上大举投入的公司（如亚马逊、微软、谷歌、OpenAI等），也奖励了提供工具和基础设施的公司（如英伟达、博通、Vertiv，以及广泛的半导体行业）。

然而，DeepSeek模型具有低成本特点，一度动摇投资者对整个AI生态系统的信心。

数据显示，谷歌、Meta、亚马逊、微软、苹果和甲骨文的资本支出总额，一直在大幅增长。2023年支出总额高达约1600亿美元，2024年的资本支出将大幅增长，从大约1600亿美元增加到2000亿美元。

例如，微软预计今年将在资本支出上花费800亿美元，基本与微软全年的现金流持平，即便大模型的潜在市场较大，但市场投资者看到这个数字后，不免有一些动摇。

根据Brad Gerstner提到的数据，Meta和微软的资本支出已经超过了其收入的25%。苹果和亚马逊则处于中间位置，资本支出约占收入的10%～15%。

资本支出是否能够继续且是否必要尚无结论，但模型平价化的时代必然将加速到来。未来模型、研究将进一步商品化。但平价化趋势并不是负面的——早在2023年推出OpenAI大模型时，它在世界中拥有超过50%的市场份额，今年它大约有36%，已经失去一些市场份额，但这并不重要，整体的蛋糕变大了。

不难发现，市场竞争是降低成本、推动平价的关键方式，这样会使得更多人使用这个技术，把蛋糕做大，集体繁荣的实现前提是，确保关键资源不会被少数人控制来推动。

DeepSeek这一更高效且成本更低的模型的出现，无疑加速了这一进程。

与此同时，DeepSeek也引发了争议。有媒体报道，OpenAI早前表明，已经掌握证据，显示DeepSeek在训练模型时通过“蒸馏”（distillation）使用OpenAI的数据，违反服务条款。

不过，OpenAI首席执行官Sam Altman对媒体表示，“没有计划起诉DeepSeek”。他表明，DeepSeek-R1的确令人振奋，但他相信OpenAI会继续开拓前沿领域，提供优秀的产品，“我们很高兴又迎来一位竞争对手”。

但事实上，即使DeepSeek可能违反OpenAI的API政策，从科学角度来看，全球尚没有针对模型蒸馏的明确规则。虽然蒸馏技术可能涉及知识产权问题，但在科学研究和开源领域中，让技术能够快速发展才是最重要的。

二、算力需求仍将增加

DeepSeek的出现也让英伟达站到了风口浪尖，引发了各界对大模型价格战和算力需求下降的担忧。1月末以来，华尔街基金经理的心情好似英伟达股价那般坐上过山车。

1月28日，英伟达暴跌17%，从142美元跌至118美元，市值跌去了一个阿里巴巴。如今，英伟达股价在128美元附近。

但在业内人士看来，如果投资英伟达的理由是相信AI需要大量的芯片基础设施，从而来持续训练大型语言模型，那么这种投资逻辑是不正确的；

如果投资的理由是看好AI成本的下降以及对GPU需求的持续增长，那么这个逻辑其实是成立的。

一位行业资深人士也对笔者表示，GPU就像是AI的“大脑”，届时我们可能需要数万亿个GPU，因为它们比人脑便宜得多。虽然AI变得越来越便宜，但更重要的是其变得越来越强大，因此对计算能力的需求将继续大幅增加。

这就好比杰文斯悖论（Jevons Paradox）所强调的，一项资源如果变得更高效，那么对这项资源的需求其实是将更大的。同时，市场竞争是降低成本、推动平价的关键方式。

举一个例子，在50年前，如果告诉某人美国电力的成本将如今天这么低，他们会质疑能源公司如何盈利。但事实上，电力变得便宜后，几乎一切都需要电力驱动；同理，互联网的普及使得每个人都能接入，虽然价格低廉，但公司通过提供普遍可用的服务获得盈利。

三、平价模型如何盈利？

随之而来的另一个问题在于，随着模型越来越平价、玩家越来越多且越来越卷，如何打造可以盈利的商业模式？

我们可以通过这一片段来进行思考。面对DeepSeek，Sam Altman此前发推表示，“复制容易，创新很难”。

尽管这看似有其逻辑，但历史上投资者往往过于重视原创创新者的价值，低估了竞争的影响，并高估了早期创新者的资本回报。

同时，新的进入者常常受益于他人的资本支出，从而能够推出新的产品和服务。

回顾历史，科学研究并不是特别难以复制，而且这种复制有助于推动技术的普及和平价化。历史上的几位著名人物，如居里夫人、本杰明·富兰克林等，他们并没有因为自己的科学发现而赚钱。

科学发现应当是全人类的财富，真正应当赚钱的地方是“分配”（distribution），换言之是如何将技术触达各大市场。

OpenAI的成功也在于此，“何人都可以复制OpenAI”的说法并不正确。OpenAI不仅仅依靠研究成功，还依赖于强大的品牌建设和市场渠道，这些要素很难被复制，这可能是未来模型平价化之后需要考虑的事情，即如何打造属于自己的护城河？

就国内的大模型来看，降价比例较大，从价格角度，大厂可能会持续往这条路走，一方面迫于竞争压力，一方面本身有成本优化方式来使成本降低。所以整个市场上，不要看单独靠模型盈利多少。

在业内专家看来，在模型调用方面，无论是十亿还是数十亿、万亿级token，未来只是收入之一，整体还是希望通过低价牵引行业快速商业化。

虽然部分公司B端用户量从翻了几倍，到了几十万量级，但模型调用次数还不那么高，基于现在模型还不够好、生成速度慢、生成质量不高，另外价格也是一部分原因，所以未来通过低价方式，一是应对竞争，二是把B端客户迅速融入自家生态、快速业务上线、推送到B端或者C端客户手上用起来，只有用起来后，大厂未来才有可能赚到钱。

具体而言，在大厂盈利逻辑不靠模型的假设之上，盈利方式可能有几种——如果To B端，要做捆绑式销售，模型本身成本较低，但客户用时要选很多其他东西、周边产品，例如数据库、算力、插件，搜索、BI、PaaS、SaaS等，这些依然保持较高利润率。通过低利润模型调用加上高利润率产品绑在一起，把利润率做高。

在To C赛道中，核心变现逻辑是通过精准信息匹配、用户上瘾机制提升付费意愿，实现商业价值最大化。

主要的变现策略也有几种：例如，通过提供AI生成工具支持UGC创作，并设定不同的使用级；免费用户可以每天生成一定数量的低分辨率内容，超出部分收费。未来社交平台上的AI生成内容将越来越多，AI生成工具可以通过订阅或按次付费模式变现。

此外，电商导流变现也可预见。通过AI入口重新塑造电商流量格局，从传统的短视频平台（如TikTok、抖音）搜索产品，转向AI入口（如字节旗下的豆包）搜索商品。通过AI搜索技术（文本搜索、多模态搜索）进行精准商品推荐，同时插入广告，实现商业化。

AI硬件与订阅服务也是一种变现渠道。AI硬件（如智能耳机、智能音箱）作为AI应用的延展，用户可直接购买硬件，形成收入来源。

智能体（AI agent）是今年的大热词，未来智能体的个性化服务也是To C端的变现渠道，如定制AI角色（数字网红、虚拟偶像），提供付费订阅、充值、虚拟礼物等增值服务，使用户产生依赖性，从而增强变现能力。

相比之下，目前Deepseek产品比较单一，仅是一个模型，尽管价格低，但在和大厂竞争时，并没有产品矩阵概念。此外，Deepseek仍只是一个文本模型，随着技术发展，可以缩小文本模型和海外的差距，但是这种技术很难复制到其他模态，如音频、图像、视频等都是新模型架构，业内各界也在研究哪些可以沿用到其他模型。

整体而言，各界不应该盯着模型的价格战，而是要看这个方向有没有衍生出更多应用。只有应用落地，被广泛B端、C端用起来后，整个市场才真正活跃起来，否则模型只能停留在自己平台上自用，没有生态在赋能，商业化也会受阻。

DeepSeek，中国AI的“斯普特尼克时刻”？