DeepSeek的万亿美元愿景：开源引领AI硬件生态革命
DeepSeek的战略布局：不止于模型性能
过去一年，围绕DeepSeek的讨论主要集中在模型性能、开源策略和价格战上。然而，仅从这些方面理解DeepSeek可能低估了其真正的目标。这篇文章提出了一个更激进的观点：DeepSeek的目标并非短期应用层变现，而是通过一系列底层架构创新，重塑AI训练与推理的成本结构，并间接推动新的硬件生态形成。
技术路线的核心：应对硬件限制
从MoE、MLA到DSA、CSA、mHC、Engram，再到Dual Path和TileLang，DeepSeek的技术路线始终围绕一个核心问题：在HBM、先进制程、封装和CUDA生态受限的情况下，如何用更少的高端算力跑出更强的模型。
KV Cache压缩：降低对HBM的依赖
KV Cache压缩降低了对HBM的依赖，NAND和SSD可以承接长时间缓存，LPDDR可用于权重流式加载和Engram存储，TileLang则试图削弱CUDA护城河。这些创新如果持续扩散，受益者将不仅限于DeepSeek本身，还包括存储、ASIC、GPU、网络芯片以及整个AI基础设施链条。
推动中国AI硬件生态的发展
文章最值得关注的，不是“DeepSeek是否能靠API或订阅赚到几亿美元”，而是它是否正在把模型能力、内存体系和国产硬件生态绑定到一起。KV Cache压缩降低了对HBM的依赖，NAND和SSD可以承接长时间缓存，LPDDR可用于权重流式加载和Engram存储，TileLang则试图削弱CUDA护城河。
DeepSeek的长期战略：重塑AI基础设施
DeepSeek的目标似乎并不是眼下赚几亿美元利润。它真正参与的，是一场耐心的、规模可能达到10万亿美元的长期游戏：推动一个替代性AI硬件生态的形成。这不仅是为了让中国内存厂商在中国乃至全球AI硬件市场中成为关键玩家，更是为了从根本上降低资源需求，让AI模型的训练和服务变得更具成本效率。
具体技术创新回顾
回顾DeepSeek至今提出的这些创新：
- MoE和MLA：MoE让训练高智能模型所需的计算量减少了约40%到50%；MLA则使KV Cache减少了90%。
- DSA：确保计算量不会随着上下文长度的增加而持续增长。
- mHC：重新设计Transformer层之间的信息流动方式，解决了此前无约束Hyper-Connections所面临的灾难性不稳定问题。
- CSA和HSA：通过压缩KV Token，将KV Cache需求再降低90%，同时大幅减少所需FLOPs。
- Engram：用内存换取计算效率，在总参数预算相同的情况下带来明显的性能提升。
- TileLang：帮助中国硬件厂商以一种间接方式应对所谓的“CUDA护城河”。
大规模强化学习与RSI
随着DeepSeek获得更多算力来源，同时模型本身对计算资源的需求下降，它就能够推进更有野心的训练项目，尤其是强化学习后训练。强化学习需要生成大量轨迹，这个过程很快就会变得极其昂贵。此外，由于硬件选项增加，DeepSeek可调用的硬件资源也会更多，这将推动自动化研究，也就是RSI。
行业跟随与合作模式
DeepSeek围绕专家混合模型、MLA、DSA等方向的创新，已经被全球和中国的其他AI实验室陆续采用。预计DeepSeek也会与多家中国内存、ASIC、CPU和网络技术栈厂商达成类似协议，并与它们深度合作，使这些厂商的硬件栈能够胜任领先AI工作负载。
未来的盈利模式
考虑到所有西方，包括东亚盟友在内的AI股票总市值已经远超10万亿美元，这种“通过合作获得股权回报”的方式，将让DeepSeek有机会帮助中国打造一个同样巨大的产业，并在其中分得自己的蛋糕，最终实现自身1万亿美元估值。
