DeepSeek是中國AI市場的“鮎魚”？
2025年春節前後，DeepSeek憑藉開源多模態模型Janus-Pro與DeepSeek-R1推理模型的發佈，以"低成本、高性能"的顛覆性優勢橫掃全球市場。其開源策略不僅讓開發者以API調用成本僅爲GPT-4的1/30的極低成本調用頂尖模型，更打破了此前行業內對於"算力決定效用"的認知，甚至導致英偉達單日市值蒸發4.3萬億元人民幣（約合6000億美元）。
DeepSeek爆紅之後，迅速迎來各行各業的"接入潮"。其AI助手在140個國家和地區的應用商店下載量登頂。隨着越來越多大模型和小模型的接入，行業內也由此引發了不少爭論，其中關於技術替代性和生態主導權的討論比較激烈。
所謂"技術替代性"，是指DeepSeek通過MoE架構（混合專家模型）與FP8混合精度訓練技術，將訓練成本壓縮至557.6萬美元，僅爲GPT-4o的1/18，卻實現了與GPT-4o和Claude-3.5相媲美的性能。這種"算法創新+有限算力"的路徑，是否意味着傳統"算力堆砌"範式的終結？如果算力不再是門檻，模型訓練的准入成本將大幅下降，中小企業有望基於開源模型快速開發行業應用，極大推動AI的普及。但對依賴高算力的雲服務商而言，則可能意味着被邊緣化的風險。
而"生態主導權"之爭，則聚焦於開源代碼的復刻與再開發。DeepSeek的開源成果甚至被微軟、亞馬遜等美國科技巨頭納入產品體系。閉源廠商擔憂"開源即統治"的策略可能重構行業權力結構，形成類似Android的生態霸權，從而進一步壓縮其商業利潤空間。
因此，隨着企業紛紛接入DeepSeek，其引發的，不僅是技術替代路徑的再思考，更是生態主導權爭奪的全面博弈，值得深入分析。
廠商接入DeepSeek的路徑與模式
DeepSeek的開源策略如同一塊磁石，吸引了從雲服務商到垂直軟件廠商，再到獨立大模型公司的廣泛接入。不同類型的廠商基於自身資源與戰略需求，探索出差異化的融合路徑。
數據猿對各類企業接入DeepSeek的路徑和模式進行梳理和總結，從雲廠商、垂直軟件廠商和獨立大模型廠商三類企業展開分析。
雲服務商接入DeepSeek主要是進行技術整合和業務協同，作爲算力基礎設施的提供者，雲廠商率先將DeepSeek融入自身生態，形成了"底層算力+模型服務"的雙引擎模式。在接入的方式上，雲廠商的接入方式有三種：
1.API直連：通過雲平臺直接調用DeepSeek模型。例如騰訊雲HAI平臺提供DeepSeek- R1等模型的服務，允許開發者一鍵創建API接口，直接調用DeepSeek的模型服務滿足其業務需求。
2.私有化部署：這種方式主要針對安全性要求比較高的行業或企業，比如金融、政務等行業，雲服務廠商一般會提供本地化部署方案。例如：中國電信天翼雲憑藉以"息壤"爲核心的一體化智算服務體系和能力，實現昇騰芯片+MindSpore框架+DeepSeek模型全棧國產化適配，推理性能比肩國際高端GPU，從昇騰硬件、推理引擎到模型服務，實現技術鏈路100%國產化。
3.混合架構：有自研模型的雲廠商也會採用這種融合的方式實現業務的協同，例如：阿里雲PAI平臺支持DeepSeek-V3、R1及蒸餾模型的一鍵部署，結合vLLM加速框架實現推理吞吐量的提升。
無論是哪種接入方式，DeepSeek的融入確實給雲廠商帶來了業務的協同發展，實現了算力資源的高效變現。例如：華爲雲通過昇騰910B集羣優化DeepSeek推理效率，推出"ModelEngine"本地化部署工具，幫助車企大幅壓縮模型加載時間 。
如果說雲服務廠商的接入是技術整合和業務協同，那垂直軟件廠商的接入則是圍繞功能增強和成本優化。軟件廠商將DeepSeek看作"智能引擎"，通過嵌入現有產品中，實現產品AI功能和服務的快速升級。軟件廠商的接入模式也主要有三種：
1.輕量級API調用：通過簡單接口調用模型能力，例如釘釘集成DeepSeek-R1的AI會議紀要功能，實現語音轉文字、任務自動生成和多語言實時翻譯等功能。
2.私有化定製開發：針對企業需求定製模型。例如，冪律智能基於DeepSeek-R1開發的合同審查系統，實現條款風險識別準確率的大幅提高。
3.端側輕量化部署：在終端設備嵌入小型化模型。例如，比亞迪DiPilot 5.0引入DeepSeek-R1模型後，提升了雲端和車端的AI推理能力。
對於垂直軟件廠商而言，接入DeepSeek的主要目的就是降本增效，一切都是圍繞着服務和成本出發。同時，也在一定程度上實現了功能差異化競爭。而對於獨立大模型廠商而言，DeepSeek的爆火給他們帶來了較大沖擊，從目前獨立模型廠商的動作看，兩極分化的狀況非常明顯。開源的大模型廠商積極擁抱合作，而閉源的大模型廠商則開始出現賽道分化。
開源陣營與DeepSeek的合作主要體現在兩個方面，一是在合作模式上，不少廠商基於DeepSeek微調自家的行業模型，從而加深了行業的深耕力度。例如：智譜AI推出"GLM-DeepSeek"金融模型，針對銀行風控場景優化，某城商行使用後壞賬識別準確率大幅提升。二是貢獻代碼反哺開源社區。例如：MiniMax開源的新一代MoE多模態訓練框架，採用線性注意力機制替代傳統Transformer架構，支持高達400萬token的上下文處理能力，顯著提升長文本場景的計算效率。而DeepSeek的MLA架構優化了資源受限場景的推理效率，雙方技術路線形成互補，爲開發者提供從長文本解析到高效推理的全棧解決方案。這種技術的合作和共享，吸引了越來越多的開發者參與生態建設，促進了行業的快速發展。
與開源陣營不同，閉源陣營面臨的挑戰更大，其中最大的挑戰就是"三不夠"，即：錢不夠、卡不夠、數據不夠。在這種情況下，"AI六小虎"已經開始分化賽道，當然這並非完全因爲DeepSeek的影響，更多的是資源不足下，企業不得不轉而求其次。例如：百川智能再收縮和裁撤金融業務、all in醫療；零一萬物放棄了原定的萬億參數 Yi-X-Large 模型訓練計劃，轉而訓練更輕量化、更具商業落地前景的 MoE（混合專家）模型 Yi-Lightning。
不得不說，在DeepSeek的影響下，獨立大模型廠商的分化正在重塑產業格局，開源陣營通過生態合作快速擴張，而閉源陣營則被迫在細分領域尋找機會和生存空間。
DeepSeek重塑產業格局
從目前衆多廠商接入DeepSeek的方式和對公司業務產生的影響來看，DeepSeek的開源策略和技術突破，確實改變了企業的技術選擇邏輯，同時也影響了企業的業務和戰略選擇。但如果站在更高的維度觀察和思考，DeepSeek也進一步引發產業鏈上下游的連鎖反應，其影響已經超越了單純的技術競爭，正逐漸演變爲商業生態的重構。
首先，算法革新和開源模型降低了進入門檻，使得整個供應鏈下游的機會成本降低，加快了場景應用的落地。過去十年，大模型的發展依賴"算力堆砌+數據膨脹"的路徑，以GPT-4爲例，其訓練成本約1億美元。這種模式導致AI行業陷入"算力軍備競賽"，中小企業根本無力參與。然而DeepSeek的出現帶來了"算法革命"和工程優化，前者通過MoE架構（混合專家模型）動態激活8/256個專家模塊，使得硬件利用率提升4.8倍，後者通過MoE架構和FP8混合精度技術，訓練成本壓縮至557.6萬美元（僅爲GPT-4的1/18），並實現昇騰910B芯片推理效率的大幅提升。
這意味着AI的入局門檻大幅降低，算力效率大幅提高，各行各業的中小企業也將會積極參與，由此導致行業下游的企業不再被動的觀望，而是可以基於開源模型快速開發應用，享受技術革新帶來的好處。比如，山東壽光某農場，使用DeepSeek開發的智能灌溉系統，在節水40%的情況下，使種植的番茄增產18%。類似的行業應用落地場景在不斷增加，並向更多的領域擴散。
其次，市場競爭也面臨重構，大廠開始分化，創業公司"斷臂求生"。對於雲廠商而言，他們的發展方式出現"雙軌制"，也就是"兩條腿"走路：一是將DeepSeek與自研大模型結合，用戶可以自由選擇底層模型，比如騰訊的元寶，用戶在使用時，可以選擇DeepSeek或混元模型；二是將DeepSeek與當前業務協同起來，幫助客戶實現降本增效。
對於垂直軟件廠商而言，儘管他們沒有自研大模型，但可以在現有的產品和服務中增加DeepSeek的功能，從而進一步實現與用戶的深度綁定，比如用友網絡在ERP系統中基於DeepSeek-R1開發的合同審查系統，實現合同條款自動解析與風險預警。
最難的就是AI行業中的創業公司，尤其是閉源廠商，在原有的"三不夠"挑戰沒有被完全解決的情況下，開源的Deep Seek和抱團取暖的開源廠商們，已經將其逼近"懸崖邊"，不少閉源廠商不得不另闢蹊徑，尋找適合自己的優勢領域和場景。
由此可見，無論是大公司還是中小企業，無論是雲廠商還是軟件廠商，對於DeepSeek的積極接入總算是沒有讓自己在激烈的競爭中落後。然而，對於大模型廠商而言，這場可能重塑產業格局的"風暴"可能纔剛剛開始，未來大模型廠商的生存邏輯是什麼？可能選擇的方向在哪裡呢？
大模型廠商的"十字路口"
回首2023年初，當ChatGPT問世時，全球震驚，人工智能的熱潮迅速席捲全球。很快，大模型也在國內熱鬧起來，一時間各大科技公司紛紛宣佈已經投入研發大模型，並紛紛在最短的時間內發佈相關產品，引發了"百模大戰"。然而，隨着DeepSeek的問世，大模型企業也或多或少的受到了衝擊，對於大模型企業未來發展和轉型的討論也越來越多。
第一個被熱議的話題就是有了DeepSeek之後，底層模型的競爭是否還有意義？認爲仍有必要的加大底層模型研發投入的人認爲，首先，不同行業對底層模型的需求存在差異，而底層模型的競爭可以推動技術適配細分市場；其次，DeepSeek的成功依賴於算法優化與硬件效率的協同，但其他廠商在異構計算、邊緣設備推理等領域仍有創新空間，例如，AMD通過集成DeepSeek-V3模型優化Instinct MI300X GPU推理性能，結合SGLang框架實現吞吐量提升，說明底層模型的競爭可驅動硬件生態多樣化；第三，DeepSeek的開源策略雖降低了應用門檻，但單一技術路徑可能抑制創新活力，例如，Meta被迫開源線性注意力框架支持400萬token長文本處理，OpenAI考慮部分開源應對競爭，印證行業探索多技術路線的壓力，這種壓力促使行業探索更多技術路線（如多模態、跨平臺整合），避免形成技術霸權。
而反對底層模型競爭的人也有三個方面的觀點，首先，DeepSeek通過"低成本推理+開源生態"重構行業標準，其模型性能和成本優勢形成護城河。中小廠商若重複投入底層研發，可能因資源不足陷入"無效內卷"；其次，DeepSeek的開源模式使開發者可基於其框架快速構建應用，無需從零開發底層模型。例如，騰訊元寶、百度文心等通過接入DeepSeek能力實現產品升級，說明行業重心已從底層競爭轉向應用層創新；第三，在DeepSeek的衝擊下，頭部廠商轉向商業化落地，中小廠商聚焦細分場景。這種分工模式更符合資源配置效率，底層模型的集中化可能成爲常態（類似安卓系統與手機廠商的關係）。
數據猿認爲，這個問題的爭辯目前很難有定論，底層模型競爭的意義需分階段看待：短期內，DeepSeek的領先地位可能削弱重複性競爭；但長期來看，技術突破仍需多元探索。行業的未來或將呈現"一超多強"格局，通用模型由頭部主導，垂直領域則由專業化模型補充。
第二個被關注較多的話題是大模型廠商的轉型路徑選擇。從目前大模型廠商的動作分析，轉型的方向主要有三個：一是To B服務升級，從模型銷售轉向"模型+行業Know-how"解決方案；二是垂直領域深耕，聚焦長尾場景構建壁壘；三是通過開源社區運營，構建生態影響力和長尾創新。
To B服務升級：大模型廠商通過將通用能力與垂直行業知識結合，解決企業數據隱私、場景適配等核心問題，例如：阿里雲與一汽合作，通過通義千問+DeepSeek混合架構，將車型開發週期大幅壓縮。
垂直領域深耕：大模型廠商可以針對某些專業性強、數據敏感性要求高的行業，打造具備行業專屬知識庫的輕量化垂直模型，例如：醫療大模型融合醫學文獻、臨牀數據和專家經驗，解決診斷與藥物研發的"最後一公里"問題。這些垂直領域的大模型有兩個競爭壁壘，一是數據壁壘，二是場景壁壘，雙重壁壘爲大模型廠商的市場競爭和商業化帶來足夠的保障。
開源社區運營：開源策略是優勢是能夠降低企業使用門卡，同時又能通過社區貢獻反哺技術迭代，有利於行業的快速發展，但是它的難題在於商業化面臨挑戰。開源的大模型廠商需要平衡開源生態與核心商業利益，目前，OpenAI雖未完全開源GPT-4，但通過API服務與開發者形成共生關係，而DeepSeek則採用MIT協議開源，允許商業用途並推動下游應用創新。
當前大模型廠商的轉型呈現三大特徵：技術深度垂直化（從通用到行業專用）、商業模式分層化（基礎服務免費+增值服務收費）、生態協作開放化（開源與產業鏈協同）。預計未來大模型的競爭將圍繞着技術（多模態能力提升與邊緣計算優化）、商業（探索MaaS與AI Agent集成）、政策（數據合規與開源治理體系完善）展開，而廠商需要根據自身資源稟賦選擇路徑，找到公司的生態位。例如，頭部企業可佈局全棧能力（如百度文心一體機），初創公司則需聚焦細分場景（如巖芯數智深耕金融AI）。
"後DeepSeek時代"的趨勢
目前來看，DeepSeek的出現和衆多廠商的接入，並非短期的熱點現象，行業的發展趨勢可能會因此而發生轉變，其中，大模型廠商的轉型發展也是"後Deep Seek時代"的短期趨勢之一。數據猿認爲，中國的大模型產業，正在從之前的"規模擴張"轉向"價值深挖"。
短期來看，兩個趨勢非常明顯，一是大模型行業的市場整合在加速，缺乏差異化能力的中小廠商被併購或退出，頭部效應加劇。DeepSeek開源模型帶來的技術普惠化顯著降低了行業門檻，但也加劇了市場競爭的"馬太效應"。當前，中國大模型市場已形成"頭部企業主導+細分賽道差異化競爭"的格局。頭部企業如阿里雲、騰訊雲憑藉算力資源、行業數據積累和生態整合能力，加速搶佔市場份額；而中小廠商若無法在垂直場景中建立技術壁壘（如醫療領域的診斷精度、製造業的實時質檢能力），則面臨被併購或退出的風險。例如，智譜AI等"六小虎"企業已通過聚焦政務、金融等場景的定製化服務穩固地位，而部分通用模型初創公司因同質化嚴重被頭部企業整合。
二是政策引導強化，數據安全與國產化要求推動DeepSeek在關鍵行業的深度滲透。在國產化替代與數據主權強監管的雙重驅動下，DeepSeek的"開源+國產芯片適配"模式成爲關鍵行業首選。例如，華爲昇騰等國產芯片廠商通過與DeepSeek的深度優化，完成適配。政策層面，國家超算互聯網平臺已上線DeepSeek-R1、V3、Coder等系列模型，要求能源、交通等關鍵基礎設施優先採用國產化大模型解決方案。同時，數據分類分級與隱私計算技術的強制應用，進一步鞏固了具備本地化部署能力的頭部廠商優勢。
站在3-5年的長期維度看，大模型的技術融合和全球化競爭仍然值得關注。技術融合方面，未來大模型將突破單一模態侷限，向"多模態+邊緣計算+可信機制"的融合架構演進。例如，DeepSeek R1模型已通過強化學習框架實現與物聯網設備的協同推理，在智能製造場景中可實時分析生產線數據並動態調整參數。區塊鏈技術的引入則解決了數據溯源與模型可信問題，如政務領域的合同審覈系統通過鏈上存證確保決策透明。此外，類腦計算與神經符號系統的結合將推動大模型從"感知智能"向"因果推理"躍遷，在生物醫藥、材料研發等科學領域開闢新場景。
在全球化競爭方面，DeepSeek開源生態或成中國AI技術輸出的核心載體，挑戰Meta、OpenAI主導地位。目前，DeepSeek的開源策略正在重構全球AI技術生態。其MIT協議開源框架已吸引幾十個國家開發者參與貢獻，形成"基礎模型開源-垂直插件商業化"的生態閉環。例如，東南亞金融科技公司通過微調DeepSeek模型快速開發本地化風控系統，而歐美企業則利用其多語言能力降低跨國服務成本。這一模式直接衝擊OpenAI的API訂閱制與Meta的封閉生態，成爲發展中國家AI技術自主化的重要依託。
"後DeepSeek時代"的中國大模型產業，正從"規模擴張"轉向"價值深挖"。短期內的市場整合與政策合規化將爲行業奠定穩健基礎，而長期的技術融合與全球化生態競爭，則考驗着中國能否將工程化優勢轉化爲基礎理論突破。未來的AI競爭，不僅是算力與算法的比拼，更是開放協作與治理智慧的較量。