DeepSeek是中国AI市场的“鲶鱼”？

2025年春节前后，DeepSeek凭借开源多模态模型Janus-Pro与DeepSeek-R1推理模型的发布，以“低成本、高性能”的颠覆性优势横扫全球市场。其开源策略不仅让开发者以API调用成本仅为GPT-4的1/30的极低成本调用顶尖模型，更打破了此前行业内对于“算力决定效用”的认知，甚至导致英伟达单日市值蒸发4.3万亿元人民币（约合6000亿美元）。

DeepSeek爆红之后，迅速迎来各行各业的“接入潮”。其AI助手在140个国家和地区的应用商店下载量登顶。随着越来越多大模型和小模型的接入，行业内也由此引发了不少争论，其中关于技术替代性和生态主导权的讨论比较激烈。

所谓“技术替代性”，是指DeepSeek通过MoE架构（混合专家模型）与FP8混合精度训练技术，将训练成本压缩至557.6万美元，仅为GPT-4o的1/18，却实现了与GPT-4o和Claude-3.5相媲美的性能。这种“算法创新+有限算力”的路径，是否意味着传统“算力堆砌”范式的终结？如果算力不再是门槛，模型训练的准入成本将大幅下降，中小企业有望基于开源模型快速开发行业应用，极大推动AI的普及。但对依赖高算力的云服务商而言，则可能意味着被边缘化的风险。

而“生态主导权”之争，则聚焦于开源代码的复刻与再开发。DeepSeek的开源成果甚至被微软、亚马逊等美国科技巨头纳入产品体系。闭源厂商担忧“开源即统治”的策略可能重构行业权力结构，形成类似Android的生态霸权，从而进一步压缩其商业利润空间。

因此，随着企业纷纷接入DeepSeek，其引发的，不仅是技术替代路径的再思考，更是生态主导权争夺的全面博弈，值得深入分析。

厂商接入DeepSeek的路径与模式

DeepSeek的开源策略如同一块磁石，吸引了从云服务商到垂直软件厂商，再到独立大模型公司的广泛接入。不同类型的厂商基于自身资源与战略需求，探索出差异化的融合路径。

数据猿对各类企业接入DeepSeek的路径和模式进行梳理和总结，从云厂商、垂直软件厂商和独立大模型厂商三类企业展开分析。

云服务商接入DeepSeek主要是进行技术整合和业务协同，作为算力基础设施的提供者，云厂商率先将DeepSeek融入自身生态，形成了“底层算力+模型服务”的双引擎模式。在接入的方式上，云厂商的接入方式有三种：

1.API直连：通过云平台直接调用DeepSeek模型。例如腾讯云HAI平台提供DeepSeek- R1等模型的服务，允许开发者一键创建API接口，直接调用DeepSeek的模型服务满足其业务需求。

2.私有化部署：这种方式主要针对安全性要求比较高的行业或企业，比如金融、政务等行业，云服务厂商一般会提供本地化部署方案。例如：中国电信天翼云凭借以“息壤”为核心的一体化智算服务体系和能力，实现昇腾芯片+MindSpore框架+DeepSeek模型全栈国产化适配，推理性能比肩国际高端GPU，从昇腾硬件、推理引擎到模型服务，实现技术链路100%国产化。

3.混合架构：有自研模型的云厂商也会采用这种融合的方式实现业务的协同，例如：阿里云PAI平台支持DeepSeek-V3、R1及蒸馏模型的一键部署，结合vLLM加速框架实现推理吞吐量的提升。

无论是哪种接入方式，DeepSeek的融入确实给云厂商带来了业务的协同发展，实现了算力资源的高效变现。例如：华为云通过昇腾910B集群优化DeepSeek推理效率，推出“ModelEngine”本地化部署工具，帮助车企大幅压缩模型加载时间 。

如果说云服务厂商的接入是技术整合和业务协同，那垂直软件厂商的接入则是围绕功能增强和成本优化。软件厂商将DeepSeek看作“智能引擎”，通过嵌入现有产品中，实现产品AI功能和服务的快速升级。软件厂商的接入模式也主要有三种：

1.轻量级API调用：通过简单接口调用模型能力，例如钉钉集成DeepSeek-R1的AI会议纪要功能，实现语音转文字、任务自动生成和多语言实时翻译等功能。

2.私有化定制开发：针对企业需求定制模型。例如，幂律智能基于DeepSeek-R1开发的合同审查系统，实现条款风险识别准确率的大幅提高。

3.端侧轻量化部署：在终端设备嵌入小型化模型。例如，比亚迪DiPilot 5.0引入DeepSeek-R1模型后，提升了云端和车端的AI推理能力。

对于垂直软件厂商而言，接入DeepSeek的主要目的就是降本增效，一切都是围绕着服务和成本出发。同时，也在一定程度上实现了功能差异化竞争。而对于独立大模型厂商而言，DeepSeek的爆火给他们带来了较大冲击，从目前独立模型厂商的动作看，两极分化的状况非常明显。开源的大模型厂商积极拥抱合作，而闭源的大模型厂商则开始出现赛道分化。

开源阵营与DeepSeek的合作主要体现在两个方面，一是在合作模式上，不少厂商基于DeepSeek微调自家的行业模型，从而加深了行业的深耕力度。例如：智谱AI推出“GLM-DeepSeek”金融模型，针对银行风控场景优化，某城商行使用后坏账识别准确率大幅提升。二是贡献代码反哺开源社区。例如：MiniMax开源的新一代MoE多模态训练框架，采用线性注意力机制替代传统Transformer架构，支持高达400万token的上下文处理能力，显著提升长文本场景的计算效率‌。而DeepSeek的MLA架构优化了资源受限场景的推理效率，双方技术路线形成互补，为开发者提供从长文本解析到高效推理的全栈解决方案‌。这种技术的合作和共享，吸引了越来越多的开发者参与生态建设，促进了行业的快速发展。

与开源阵营不同，闭源阵营面临的挑战更大，其中最大的挑战就是“三不够”，即：钱不够、卡不够、数据不够。在这种情况下，“AI六小虎”已经开始分化赛道，当然这并非完全因为DeepSeek的影响，更多的是资源不足下，企业不得不转而求其次。例如：百川智能再收缩和裁撤金融业务、all in医疗；零一万物放弃了原定的万亿参数 Yi-X-Large 模型训练计划，转而训练更轻量化、更具商业落地前景的 MoE（混合专家）模型 Yi-Lightning。

不得不说，在DeepSeek的影响下，独立大模型厂商的分化正在重塑产业格局，开源阵营通过生态合作快速扩张，而闭源阵营则被迫在细分领域寻找机会和生存空间。

DeepSeek重塑产业格局

从目前众多厂商接入DeepSeek的方式和对公司业务产生的影响来看，DeepSeek的开源策略和技术突破，确实改变了企业的技术选择逻辑，同时也影响了企业的业务和战略选择。但如果站在更高的维度观察和思考，DeepSeek也进一步引发产业链上下游的连锁反应，其影响已经超越了单纯的技术竞争，正逐渐演变为商业生态的重构。

首先，算法革新和开源模型降低了进入门槛，使得整个供应链下游的机会成本降低，加快了场景应用的落地。过去十年，大模型的发展依赖“算力堆砌+数据膨胀”的路径，以GPT-4为例，其训练成本约1亿美元。这种模式导致AI行业陷入“算力军备竞赛”，中小企业根本无力参与。然而DeepSeek的出现带来了“算法革命”和工程优化，前者通过MoE架构（混合专家模型）动态激活8/256个专家模块，使得硬件利用率提升4.8倍，后者通过MoE架构和FP8混合精度技术，训练成本压缩至557.6万美元（仅为GPT-4的1/18），并实现昇腾910B芯片推理效率的大幅提升。

这意味着AI的入局门槛大幅降低，算力效率大幅提高，各行各业的中小企业也将会积极参与，由此导致行业下游的企业不再被动的观望，而是可以基于开源模型快速开发应用，享受技术革新带来的好处。比如，山东寿光某农场，使用DeepSeek开发的智能灌溉系统，在节水40%的情况下，使种植的番茄增产18%。类似的行业应用落地场景在不断增加，并向更多的领域扩散。

其次，市场竞争也面临重构，大厂开始分化，创业公司“断臂求生”。对于云厂商而言，他们的发展方式出现“双轨制”，也就是“两条腿”走路：一是将DeepSeek与自研大模型结合，用户可以自由选择底层模型，比如腾讯的元宝，用户在使用时，可以选择DeepSeek或混元模型；二是将DeepSeek与当前业务协同起来，帮助客户实现降本增效。

对于垂直软件厂商而言，尽管他们没有自研大模型，但可以在现有的产品和服务中增加DeepSeek的功能，从而进一步实现与用户的深度绑定，比如用友网络在ERP系统中基于DeepSeek-R1开发的合同审查系统，实现合同条款自动解析与风险预警。

最难的就是AI行业中的创业公司，尤其是闭源厂商，在原有的“三不够”挑战没有被完全解决的情况下，开源的Deep Seek和抱团取暖的开源厂商们，已经将其逼近“悬崖边”，不少闭源厂商不得不另辟蹊径，寻找适合自己的优势领域和场景。

由此可见，无论是大公司还是中小企业，无论是云厂商还是软件厂商，对于DeepSeek的积极接入总算是没有让自己在激烈的竞争中落后。然而，对于大模型厂商而言，这场可能重塑产业格局的“风暴”可能才刚刚开始，未来大模型厂商的生存逻辑是什么？可能选择的方向在哪里呢？

大模型厂商的“十字路口”

回首2023年初，当ChatGPT问世时，全球震惊，人工智能的热潮迅速席卷全球。很快，大模型也在国内热闹起来，一时间各大科技公司纷纷宣布已经投入研发大模型，并纷纷在最短的时间内发布相关产品，引发了“百模大战”。然而，随着DeepSeek的问世，大模型企业也或多或少的受到了冲击，对于大模型企业未来发展和转型的讨论也越来越多。

第一个被热议的话题就是有了DeepSeek之后，底层模型的竞争是否还有意义？认为仍有必要的加大底层模型研发投入的人认为，首先，不同行业对底层模型的需求存在差异，而底层模型的竞争可以推动技术适配细分市场；其次，DeepSeek的成功依赖于算法优化与硬件效率的协同，但其他厂商在异构计算、边缘设备推理等领域仍有创新空间，例如，AMD通过集成DeepSeek-V3模型优化Instinct MI300X GPU推理性能，结合SGLang框架实现吞吐量提升，说明底层模型的竞争可驱动硬件生态多样化；第三，DeepSeek的开源策略虽降低了应用门槛，但单一技术路径可能抑制创新活力，例如，Meta被迫开源线性注意力框架支持400万token长文本处理，OpenAI考虑部分开源应对竞争，印证行业探索多技术路线的压力，这种压力促使行业探索更多技术路线（如多模态、跨平台整合），避免形成技术霸权。

而反对底层模型竞争的人也有三个方面的观点，首先，DeepSeek通过“低成本推理+开源生态”重构行业标准，其模型性能和成本优势形成护城河。中小厂商若重复投入底层研发，可能因资源不足陷入“无效内卷”；其次，DeepSeek的开源模式使开发者可基于其框架快速构建应用，无需从零开发底层模型。例如，腾讯元宝、百度文心等通过接入DeepSeek能力实现产品升级，说明行业重心已从底层竞争转向应用层创新；第三，在DeepSeek的冲击下，头部厂商转向商业化落地，中小厂商聚焦细分场景。这种分工模式更符合资源配置效率，底层模型的集中化可能成为常态（类似安卓系统与手机厂商的关系）。

数据猿认为，这个问题的争辩目前很难有定论，底层模型竞争的意义需分阶段看待：短期内，DeepSeek的领先地位可能削弱重复性竞争；但长期来看，技术突破仍需多元探索。行业的未来或将呈现“一超多强”格局，通用模型由头部主导，垂直领域则由专业化模型补充。

第二个被关注较多的话题是大模型厂商的转型路径选择。从目前大模型厂商的动作分析，转型的方向主要有三个：一是To B服务升级，从模型销售转向“模型+行业Know-how”解决方案；二是垂直领域深耕，聚焦长尾场景构建壁垒；三是通过开源社区运营，构建生态影响力和长尾创新。

To B服务升级：大模型厂商通过将通用能力与垂直行业知识结合，解决企业数据隐私、场景适配等核心问题，例如：阿里云与一汽合作，通过通义千问+DeepSeek混合架构，将车型开发周期大幅压缩。

垂直领域深耕：大模型厂商可以针对某些专业性强、数据敏感性要求高的行业，打造具备行业专属知识库的轻量化垂直模型，例如：医疗大模型融合医学文献、临床数据和专家经验，解决诊断与药物研发的“最后一公里”问题。这些垂直领域的大模型有两个竞争壁垒，一是数据壁垒，二是场景壁垒，双重壁垒为大模型厂商的市场竞争和商业化带来足够的保障。

开源社区运营：开源策略是优势是能够降低企业使用门卡，同时又能通过社区贡献反哺技术迭代，有利于行业的快速发展，但是它的难题在于商业化面临挑战。开源的大模型厂商需要平衡开源生态与核心商业利益，目前，OpenAI虽未完全开源GPT-4，但通过API服务与开发者形成共生关系，而DeepSeek则采用MIT协议开源，允许商业用途并推动下游应用创新。

当前大模型厂商的转型呈现三大特征：技术深度垂直化（从通用到行业专用）、商业模式分层化（基础服务免费+增值服务收费）、生态协作开放化（开源与产业链协同）。预计未来大模型的竞争将围绕着技术（多模态能力提升与边缘计算优化）、商业（探索MaaS与AI Agent集成）、政策（数据合规与开源治理体系完善）展开，而厂商需要根据自身资源禀赋选择路径，找到公司的生态位。例如，头部企业可布局全栈能力（如百度文心一体机），初创公司则需聚焦细分场景（如岩芯数智深耕金融AI）。

“后DeepSeek时代”的趋势

目前来看，DeepSeek的出现和众多厂商的接入，并非短期的热点现象，行业的发展趋势可能会因此而发生转变，其中，大模型厂商的转型发展也是“后Deep Seek时代”的短期趋势之一。数据猿认为，中国的大模型产业，正在从之前的“规模扩张”转向“价值深挖”。

短期来看，两个趋势非常明显，一是大模型行业的市场整合在加速，缺乏差异化能力的中小厂商被并购或退出，头部效应加剧。DeepSeek开源模型带来的技术普惠化显著降低了行业门槛，但也加剧了市场竞争的“马太效应”。当前，中国大模型市场已形成“头部企业主导+细分赛道差异化竞争”的格局。头部企业如阿里云、腾讯云凭借算力资源、行业数据积累和生态整合能力，加速抢占市场份额；而中小厂商若无法在垂直场景中建立技术壁垒（如医疗领域的诊断精度、制造业的实时质检能力），则面临被并购或退出的风险。例如，智谱AI等“六小虎”企业已通过聚焦政务、金融等场景的定制化服务稳固地位，而部分通用模型初创公司因同质化严重被头部企业整合。

二是政策引导强化，数据安全与国产化要求推动DeepSeek在关键行业的深度渗透。在国产化替代与数据主权强监管的双重驱动下，DeepSeek的“开源+国产芯片适配”模式成为关键行业首选。例如，华为昇腾等国产芯片厂商通过与DeepSeek的深度优化，完成适配。政策层面，国家超算互联网平台已上线DeepSeek-R1、V3、Coder等系列模型，要求能源、交通等关键基础设施优先采用国产化大模型解决方案。同时，数据分类分级与隐私计算技术的强制应用，进一步巩固了具备本地化部署能力的头部厂商优势。

站在3-5年的长期维度看，大模型的技术融合和全球化竞争仍然值得关注。技术融合方面，未来大模型将突破单一模态局限，向“多模态+边缘计算+可信机制”的融合架构演进。例如，DeepSeek R1模型已通过强化学习框架实现与物联网设备的协同推理，在智能制造场景中可实时分析生产线数据并动态调整参数。区块链技术的引入则解决了数据溯源与模型可信问题，如政务领域的合同审核系统通过链上存证确保决策透明。此外，类脑计算与神经符号系统的结合将推动大模型从“感知智能”向“因果推理”跃迁，在生物医药、材料研发等科学领域开辟新场景。

在全球化竞争方面，DeepSeek开源生态或成中国AI技术输出的核心载体，挑战Meta、OpenAI主导地位。目前，DeepSeek的开源策略正在重构全球AI技术生态。其MIT协议开源框架已吸引几十个国家开发者参与贡献，形成“基础模型开源-垂直插件商业化”的生态闭环。例如，东南亚金融科技公司通过微调DeepSeek模型快速开发本地化风控系统，而欧美企业则利用其多语言能力降低跨国服务成本。这一模式直接冲击OpenAI的API订阅制与Meta的封闭生态，成为发展中国家AI技术自主化的重要依托。

“后DeepSeek时代”的中国大模型产业，正从“规模扩张”转向“价值深挖”。短期内的市场整合与政策合规化将为行业奠定稳健基础，而长期的技术融合与全球化生态竞争，则考验着中国能否将工程化优势转化为基础理论突破。未来的AI竞争，不仅是算力与算法的比拼，更是开放协作与治理智慧的较量。

文：赢家/ 数据猿

责编：凝视深空 / 数据猿