DeepSeek最近动作频频。
先是5月22日，彭博社爆出他们正在推进700亿元人民币的融资，投前估值高达450亿美元。
同一天，DeepSeek官宣V4-Pro API*降价75%——把促销价直接焊死成正价。
一边向投资人要钱，一边向开发者让利。这操作，多少有点让人迷糊。
那么问题来了，DeepSeek到底要靠什么赚钱，而且还要赚很多很多钱？
毕竟，AGI可不是能口嗨出来的。
这正是x博主@bookwormengr最近研究的一个狠问题。
他在长文《DeepSeek's 10 trillion USD grand strategy》中提出一个非常大胆的判断：DeepSeek真正的星辰大海，可能不是卖编程套餐，不是卖语音助手，而是参与塑造一个价值10万亿美元级别的AI硬件生态，并在这个生态里冲击万亿美元级估值。
仔细读完@bookwormengr的这篇万字长文，你会发现：梁文锋不是疯子，他是棋手。
而且是高手，他下的是一盘价值10万亿美元的棋。
英雄之旅
一场反共识的技术长征
回顾DeepSeek的成长轨迹，用「英雄之旅」来形容不为过。
在所有人都在堆Dense模型、卷参数量的时候，DeepSeek去啃最难训的MoE（混合专家模型），用更少的计算量撬动更高的智能。
别人用PPO做强化学习，他们从第 一性原理出发，发明了更便宜的GRPO算法。
别人还在讨论RLHF的天花板，他们已经跑通了RLVR（基于可验证奖励的强化学习），把推理能力拉上了新台阶。
MLA、DSA（解耦稀疏注意力）、mHC（流形约束超连接）、CSA和HCA——这些都不是论文里的花拳绣腿，每一项都在回答同一个问题：怎样在有限的硬件条件下，榨出最 大的AI算力？
英雄从来不是一开始就知道自己的使命。他在路上不断战斗、不断发现，最终找到了自己的终 极宿命。
DeepSeek的宿命，从来都不是卖API套餐。
一道有趣的数学题
KV Cache的秘密
让我们从一个具体的数字开始讲这个故事。
打开kvcache.ai的在线计算器，输入100万token上下文、8bit KV精度、16bit索引精度，你会看到一组让人瞠目的对比：DeepSeek V4仅需 5.48GB HBM。
相比之下，其他顶 级开源模型则动辄需要 60GB HBM。
注意，DeepSeek V4是一个1.6万亿参数的模型，体量远大于其他开源模型，KV Cache占用却只有它们的零头。
这意味着DeepSeek可以把缓存命中的价格定到一个令人发指的低位——V4-Pro缓存命中价仅0.025元/百万Token，不到Claude Sonnet 4.6同类价格的3%，而且可以持续缓存数小时。
永 久降价后，输入缓存未命中3元/百万Token，输出6元/百万Token，全部是原价的四分之一。
梁文锋两年前就说过DeepSeek的定价哲学：我们的原则是不贴钱，也不赚取暴利。
现在看来，他说的是实话——当你的KV Cache只有别人的十分之一，你的成本就是别人的零头。
但更深的问题是：这个红利到底流向了哪里？
十万亿美元的棋盘
硬件生态的重构
答案藏在三个缩写里：SSD、LPDDR、HBM。
第 一层：SSD与NAND闪存。 KV Cache被压缩到极小之后，可以高效地卸载（offload）到SSD上，等需要时再快速加载回HBM。
DeepSeek在Dual Path论文中还专门优化了从SSD加载KV Cache的速度。这直接减少了对昂贵HBM的依赖。
谁是SSD和NAND闪存的大玩家？DeepSeek每压缩一分KV Cache，就在为NAND和SSD创造一个庞大的新市场。
第二层：LPDDR内存。SGLang团队发表的研究表明，LPDDR完全可以作为「权重暂存区」——模型权重先放在LPDDR里，需要时再流式传输到HBM中，大幅缓解HBM的容量压力。
DeepSeek的MoE架构天然适配这个方案：专家数量多、权重可以4bit量化，流式加载非常高效。
谁在做LPDDR？国产速度只落后0.5代，密度落后1代，追赶的脚步已经很近。
第三层：GPU/ASIC的减压。 Engram模块用LPDDR中的哈希查表替代Transformer的前向传播计算，本质上是用每比特成本极低的「内存读取」替代每比特成本极高的「GPU运算」。
这对中国AI芯片意义重大——由于EUV光刻机受限，国产GPU在原始FLOPs上落后。但如果你能用更多的便宜内存来替代更少的昂贵算力，那这种「换道超车」就变得合理了。
再加上TileLang——DeepSeek投资的跨硬件内核编译框架，可以让一套计算代码同时跑在多种硬件平台上，相当于绕过了「CUDA护城河」。国产芯片厂商，都有可能因此获得生态层面的突破。
现在你明白了吗？DeepSeek做的每一项技术创新，都在指向同一个方向：降低对顶 级硬件的依赖，让中国现有的存储、芯片、网络生态变得足够用，甚至好用。
@bookwormengr算了一笔大账：全球AI相关股票的总市值早已远超10万亿美元。
如果DeepSeek能帮助中国构建一个等量级的AI硬件生态，它自己在这盘棋里拿到1万亿美元的估值，完全合乎逻辑。
不赚快钱的逻辑
回头看DeepSeek的所有「不做」——不做多模态（V4.1才开始试水图像和音频）、不做语音模型、不做视频模型、API一降再降——就说得通了。
不是「不会赚钱」，而是「暂时不屑于赚这种钱」。
@bookwormengr提出了一个精彩的类比：OpenAI拿到了AMD和Cerebras的股权认购权证，只要达成算力采购里程碑就可以低价买入股票。这本质上是「用承诺换股权」——你帮我造芯片，我给你订单，我们一起把蛋糕做大。
DeepSeek完全可以复制这个模式。
只不过它面对的不是AMD和Cerebras，而是整条国产AI硬件产业链。
梁文锋是量化基金出身，被称为「 Jim Simmon的忠实粉丝」。这样一个人，不可能不懂资本运作的精妙之处。
事实上，融资消息传出前，他已经在2026年4月完成了一次关键的股权调整——通过直接与间接持股控制公司约84.29%的股权，表决权100%。
宁德时代投DeepSeek——它要锁定未来AI数据中心的储能订单。京东、网易入局，各有各的战略诉求。
国家大基金下场，更是把DeepSeek定位成了国家级AI基础设施。
这些投资者看到的，不是一个卖API的小生意。他们看到的，是一个可能重塑全球AI硬件格局的战略支点。
终 极使命
大规模强化学习与AGI
但如果你以为DeepSeek的终点是「做中国AI硬件生态的发动机」，那可能还是低估了梁文锋。
据彭博社报道，梁文锋在投资者会议上明确表态：DeepSeek的主要目标是推动技术边界，追求AGI。
硬件生态是手段，AGI才是目的。
逻辑是这样：当更多硬件选择变得可用、当算力需求本身被技术创新大幅压低，DeepSeek就能以更低的成本启动更大规模的训练——特别是强化学习（RL）后训练和递归自我改进（RSI）。
大规模RL意味着模型需要生成海量的推理轨迹——万亿级token的生成量，计算成本极其恐怖。而100万上下文的长程任务，要求轨迹本身也足够长。
如果没有极 致的硬件效率优化，这种训练根本跑不起来。
RSI则更加大胆——让AI自己设计实验、执行实验、分析结果、改进自身。这是一个试错密度极高的过程，对算力的需求是无底洞。
但如果DeepSeek通过重构硬件生态把算力成本打下来，这条路就变得可行。
从MoE到MLA，从DSA到CSA，从Engram到TileLang，从KV Cache压缩到LPDDR流式加载——所有这些创新，最终都汇聚到同一个终点：让AGI的训练从「烧不起」变成「烧得起」。
梁文锋与DeepSeek的星辰大海，从来不是海面上的浪花，而是洋流本身。
