一、那个让全世界震惊的数字
2024 年底，DeepSeek 在 V3 模型的技术报告里写下了一个数字：训练这次模型，花费约 557.6 万美元的 GPU 算力成本。
对比一下当时的行情：业界普遍认为训练一个前沿大模型需要几亿到几十亿美元。这个数字相当于把行业认知打了两折再打两折。
于是”DeepSeek 用 600 万美元做出了 GPT-4 级别的东西”传遍全球，英伟达股价应声大跌。
但这个数字，需要打一个很大的星号。
二、557 万美元，到底算了什么、没算什么
DeepSeek 论文里诚实地说明了口径：557.6 万美元是最终那一次成功训练运行的 GPU 租用/折旧成本。按照”每 GPU 小时 2 美元”的市场价，乘以实际消耗的 GPU 小时数算出来的。
它不包含以下东西：
- 前期研究与失败实验。 一个能跑通的训练配方，背后是几十次跑崩、调参、重来的实验。这些算力开销往往比最终成功那次多得多。
- 硬件采购。 据 SemiAnalysis 等机构估算，DeepSeek 拥有约 5 万张 GPU，基础设施投入远超 10 亿美元。买卡的钱不在这 557 万里。
- 人力、数据、电力、机房。 一支顶尖研究团队的薪酬、数据清洗标注、数据中心运维，都是真金白银。
- 此前的模型迭代。 V1、V2、V3-Base、R1 的积累，是站在肩膀上才有的效率。
所以更准确的说法是：“557 万美元”是”这一次训练的边际成本”，不是”造出 DeepSeek 的总成本”。
但这依然不影响它的伟大。因为”边际成本低”本身就是硬指标——它意味着这家公司具备了可持续迭代的能力：下一版模型的训练成本还能控制在这个量级，而竞争对手每训练一次都要掏几亿美元。
三、省钱的四个技术支点
DeepSeek 的效率不是玄学，是可拆解的工程。核心有四个支点，我用大白话讲。
支点一：MoE（混合专家）——不是每次都动用全部大脑
传统”稠密模型”处理每一个字，都要调用模型全部参数。1000 亿参数的模型，回答”你好”也要把这 1000 亿参数全算一遍。
MoE（Mixture of Experts，混合专家）的做法是：把模型切成很多个”专家小组”，每次只激活相关的几位专家。
打个比方：一家综合医院有 200 个专科医生，但你感冒去看病，只需要叫醒呼吸科的 3 位医生，不需要全院会诊。人还是 200 个，但每次干活的成本降了几十倍。
DeepSeek 的 V4-Pro 有 1.6 万亿总参数，但每个 token 只激活约 490 亿——知识容量是万亿级的，计算消耗是百亿级的。这就是”又大又便宜”的秘密。
支点二：MLA（多头潜在注意力）——把记忆压扁了存
大模型处理长文本时，需要把前面所有内容”记住”，这份记忆叫 KV Cache（键值缓存）。它非常占显存：上下文越长，缓存越大，成本越高。
DeepSeek 提出的 MLA（Multi-head Latent Attention，多头潜在注意力）把这份记忆做了一次”压缩存档”——不是原样保存每句话，而是压成更紧凑的表示，用的时候再还原。
效果有多夸张？官方数据：相比初代模型，V4 系列的 KV Cache 已经缩小了 437 倍；V4.1-Flash 相比上一代对显存（HBM）的需求降到 1/4、对固态硬盘的需求降到 1/8。
这意味着什么？同样的显卡，能装下几十倍长的对话；或者同样长的对话，成本只有原来的几十分之一。
支点三：FP8 / FP4 低精度——用”够用的精度”算账
传统训练用 FP32 或 FP16 精度（可以理解为小数点后保留很多位）。DeepSeek 大规模使用 FP8 甚至 FP4——数字位数少一半，计算速度快一倍，显存占用少一半。
代价是精度损失，但通过巧妙的误差补偿技术，模型质量几乎不掉。附带好处是：低精度对国产芯片更友好。同样的国产算力卡，在 FP4/FP8 下能承接更多推理任务——这是被芯片管制逼出来的创新，最后变成了生态优势。
支点四：工程层面的”抠门”
DeepSeek 在 2025 年搞过一次”开源周”，把底层工具链一股脑开源了，名字都很朴素：
- DeepGEMM：核心逻辑只有约 300 行，却能跑出极高的 FP8 计算性能；
- DualPipe：让计算和通信重叠，减少 GPU “干等”的时间；
- FlashMLA / DeepEP / EPLB / 3FS：分别解决注意力加速、专家并行通信、专家负载均衡、分布式存储的问题。
2026 年 7 月，DeepSeek 又与北京大学联合开源了 DSpark——一套自研的推测解码（speculative decoding）方案。原理是让一个小模型先快速”起草”答案，大模型只负责审核修改，官方称推理速度提升约 60%—85%。
这些单个看都不起眼，叠加起来就是几倍的效率差。
四、一个常见误解：便宜 = 弱？
很多人默认”便宜没好货”。但 AI 领域的成本曲线和性能曲线，并不总是正相关。
原因在于：成本里很大一部分是”浪费”——冗余计算、等待通信、过高的数值精度、重复的上下文存储。把这些浪费挤掉，性能不降反升（因为同样预算下可以训更多数据、做更多强化学习）。
DeepSeek V4.1-Flash 就是最好的例子：它是”Flash”（快而便宜）系列，却在多项基准上超过了自家的旗舰 V4-Pro。官方公布的部分成绩：GPQA Diamond 90.9、Codeforces 评级 3471、Terminal-Bench 2.1 90.6、DeepSWE v1.1 74.2。
这不是营销话术，而是架构进步的真实体现：新的非对称架构让”便宜”和”强”第一次不再互斥。
五、给普通人的三个启发
第一，别迷信”训练成本”这个叙事。 媒体报道一个数，往往只报最有冲击力的那个。557 万是真实的，但它有严格口径。理解技术新闻时，多问一句”这个数字包含什么、不包含什么”。
第二，效率红利会传导到你身上。 训练便宜 → API 便宜 → 免费额度大方 → 长文本不用额外付费。2026 年 9 月起 V4.1-Flash 的价格是：空闲时段每百万 token 输入缓存命中 0.02 元、未命中 1 元、输出 4 元（高峰时段翻倍）。对比一些海外头部模型动辄几十上百倍的价格，普通人手里的工具其实是”补贴后”的。
第三，省下来的算力会变成新的能力。 同样的钱，别人训练一次，DeepSeek 可以训练三次、做更多强化学习、开更多研究方向。长期看，效率优势会复利。
六、一句话总结
DeepSeek 真正的创新不是”用 600 万美元做了一件大事”，而是把”单位智能的成本”这个指标，从一个营销概念变成了工程目标。
557 万美元这个数字会被记住，但更该被记住的是它背后的那句话：约束不是障碍，约束是创新的提示词。