以下为原文：
你是否曾好奇，DeepSeek会以怎样的方式赚取巨额利润？
该企业并未像GLM、MoonShot、MiniMax等团队一样，推出具备竞争力的代码生成相关产品，也没有研发多模态、音频、视频类模型。时至今日，其配套部署框架仍未成型，近期才开始招聘相关人员搭建框架。
长期来看，DeepSeek始终坚持开源路线，毫不吝啬地分享自身核心技术。这一切举动看起来像是莽撞行事？或是无端耗费资金？计划向其注资百亿美元的投资者，难道是在白白挥霍钱财？
在我看来，事实恰恰相反。
下文将梳理DeepSeek过往发展举措，剖析其奉行的发展战略。
DeepSeek创始人梁文峰着眼于更为宏大的目标，企业自身有望达成万亿美元估值，同时还将助力打造出规模达十万亿美元的产业市场。
回顾DeepSeek的崛起之路
当下行业普遍选择循序渐进优化模型、快速落地应用产品，代码类产品便是主流方向，而DeepSeek始终逆势而行。
我在 2025 年 1 月 27 日发过一条爆火推文，把 DeepSeek 的发展称为“英雄之旅（Hero’s Journey）”。
而如今，这个故事变得更加有趣了。
- 当别人还在构建 Dense Model（稠密模型）时，DeepSeek 去做了训练难度极高的 MoE（Mixture of Experts，混合专家模型）。
- 他们采用“第一性原理”方法，发明了新的 GRPO 算法，用来替代 RL 中主流但昂贵的 PPO 算法。
- 他们提出 RLVR（Reinforcement Learning from Verified Rewards，基于可验证奖励的强化学习），把它作为提升模型推理能力的关键策略。
- 他们提出了通过 “Multi Token Prediction” 实现 Speculative Decoding（推测解码）的简单策略，同时强化了训练信号。
- 他们完善了 “ZERO bubble” pipeline，以提升有限 GPU 资源的利用率。
- 他们发布了 Expert Load Balancer，使所有人都更容易部署 MoE 模型。尤其是 “Wide Expert Parallel” 策略，可以通过更大的 batch 极大降低推理成本。
- 他们发明了 MLA、DSA、CSA、HCA，用于减少 KV Cache 需求，并让上下文增长时的计算需求接近恒定。
- 他们发明了 Engram，用内存换算力。
- 他们发明了 mHC，实现模型规模增长时的稳定训练。
- 还有更多……
在“英雄之旅”这种经典叙事结构里，英雄一开始并不知道自己的最终使命是什么。
他会在旅途中不断学习，并逐渐发现自己真正的伟大使命。一路上，他会遇到大量质疑者、恶意攻击者；他自身也存在缺陷与短板；他会遭遇看似无法克服的挑战；但最终，他会学会如何建立联盟、如何高效利用有限资源，并最终完成使命。
正因为如此，观众才会为英雄加油。
这也是 DeepSeek 能够赢得全球粉丝、尊敬，以及争议的原因。
而接下来我会详细说明：DeepSeek 走到今天，似乎已经发现了他们真正的终极目标：不是卖编程订阅服务，而是打造一个价值 10 万亿美元的中国 AI 硬件生态系统，并让自身达到 1 万亿美元估值。
与此同时，他们也会推动西方硬件生态出现更多新进入者。
欢迎各界评论探讨
先来做一点 KV Cache 的有趣计算
看看 @SemiAnalysis_ 最近这条非常及时的推文：
DeepSeek 已经比任何人都更好地解决了这个问题。
我们先做一点有趣的 KV Cache 数学计算。即使你不喜欢数学也没关系。我们使用最近发布的 KV Cache 计算器，来看看 DeepSeek V4 Pro 相比最新的 GLM 和 Qwen 模型，在 KV Cache 上节省了多少。
计算条件：
- 100 万 context
- KV 精度：8-bit
- indexer 精度：16-bit
你也可以自己玩这个计算器：
https://kvcache.ai/tools/kv-cache-calculator/
在 100 万上下文长度下：
- DeepSeek V4 只需要 5.48GB HBM
- GLM5 需要 60GB HBM
- Qwen3-235B-A22B 更夸张，需要 89GB
注意：
- DeepSeek 是 1.6T 参数模型
- GLM5 大约 700B 参数，已经使用了 DeepSeek 的 MLA 与 DSA，但还没使用最新压缩 attention
- Qwen3-235B-A22B 大约 235B 参数，使用的是 GQA attention
DeepSeek 在降低内存压力方面做出了基础性贡献。
如果这些创新被广泛采用，它将使长时任务 Agent 的成本变得极低，并解锁下一代应用场景。
“疯狂”背后的逻辑
KV Cache 之所以能做到如此小，而且不牺牲质量，是因为：
他们因此能够以极低价格提供长时间缓存服务——价格不到 Sonnet 4.6 Cache Hit 的 3%，并且缓存可保留数小时。
对于长时任务而言，小 KV Cache 可以非常高效地卸载到 SSD，再重新加载。
这大幅降低了对 HBM 的需求。
而 HBM 恰恰是中国 AI 硬件产业中最短缺、最难制造的内存。
DeepSeek 还在 Dual Path 论文中提出了更快从 SSD 加载 KV Cache 的技术。
KV Cache 压缩的直接受益者是谁？
谁能大量供应 SSD？
别忘了，YMTC 正在崛起为 3D NAND 巨头。
NAND 让 DeepSeek 可以避免重复计算 KV。
反过来，DeepSeek 又为 NAND 与 SSD 创造了巨大的市场——不仅是 YMTC，而是整个产业。
不只是 NAND 与 SSD
LPDDR 也有巨大潜力。
它可以用来存储模型权重，并在需要时“即时流式传输”到 HBM，从而降低 HBM 压力。
SGLang 团队已经发表过相关博客。
虽然 DeepSeek 没有专门为此设计，但他们的 MoE 架构、大量 Experts，以及 4-bit 权重，使这种方案非常容易实现。
这种创新，再加上超高压缩率的 KV Cache（且几乎无损），会显著降低 HBM 需求。
中国谁在做 LPDDR？
CXMT。
他们在 LPDDR 速度上只落后半代，在密度上只落后一代。
并不远。
再加上中国未来会拥有大量 NAND 与 LPDDR，这是否能缓解算力压力？
答案是：可以。
更聪明地利用内存，也能降低 GPU/ASIC 压力
NAND 用于 KV Cache 的价值很明显：
- 可以更长时间保留 KV Cache
- 降低 HBM 压力
- 避免重复计算 KV
- 缓解 GPU 与 ASIC 的算力压力
那么 LPDDR 是否也能发挥类似作用？
答案仍然是：可以。
LPDDR 还可以存储一种叫做 “Engram” 的结构。
在 Engram 论文中，DeepSeek 指出：
虽然 MoE 通过条件计算扩展模型容量，但 Transformer 缺乏原生的知识检索机制。
因此，它们只能通过计算来低效地模拟“检索”。
于是他们提出了 Engram：
一种基于 O(1) 哈希查找的现代化 N-gram embedding 模块。
他们称之为 “conditional memory（条件记忆）”。
这种方式节省了大量计算，但需要大量内存来存储 embedding table。
本质上，这是经典的“内存换算力”。
关键洞察在于：
LPDDR 的内存读取成本，远远低于完整 Transformer forward pass 的计算成本。
因此，在大规模系统中，这种交换极其划算。
这些取舍非常值得
中国 GPU 与 ASIC 在原始 FLOPs 上，长期都可能落后于西方 GPU。
原因包括：
- 没有 EUV
- 晶体管密度不足
- 封装技术落后
因此，“用更多内存换更少计算”这种路线，非常值得。
尤其是在中国能够大量生产 NAND 与 LPDDR 的情况下。
DeepSeek 的长期布局
从所有这些创新来看：
DeepSeek 的目标，似乎并不是赚取几亿美元的短期利润。
否则，他们完全可以：
- 做多模态
- 做语音
- 做视频
但他们没有。
他们在玩的是一个耐心的“10 万亿美元游戏”：
打造替代性的 AI 硬件生态。
这不仅仅是让中国内存厂商成为 AI 硬件关键玩家。
更重要的是：
他们正在从根本上降低 AI 对资源的需求。
这样一来：
- 更多 GPU/ASIC 厂商会变得可行
- 更多网络芯片厂商会变得可行
- 西方开源生态也会受益
- 新硬件创业公司也会受益
所有的迹象都表明了这一点。让我们来详细重温一下他们提出的所有创新：
1.在DeepSeek V2中引入了混合专家模型（MoE）和MLA。
MoE使得以减少40%到50%计算量的方式训练极具智慧的模型成为可能。MLA使得将KV Cache减少90%成为可能。这使得将KV Cache卸载到SSD变得非常高效。
这些想法是在他们2024年5月的DeepSeek V2论文中引入的。它随后解锁了DeepSeek V3的训练，这在当时几乎相当于闭源水平，而他们当时仅仅使用了2048张被阉割的H800 GPU。
2 .DSA（在DeepSeek V3.2 Exp中引入）用以减少长上下文场景下的计算量，并缓解HBM带宽的压力。
它确保了计算量不会随着上下文的增长而暴涨。
请看下面的图表——DeepSeek-v3.2的处理时间在不同上下文长度下保持平稳。
3. mHC于2025年12月在论文《mHC: Manifold-Constrained Hyper-Connections》中引入。
mHC是DeepSeek的一项宏观架构创新，它重新发明了信息在Transformer层之间流动的方式。
自ResNet以来，行业一直使用标准的残差连接（x + F(x)），而mHC将残差流扩展为多条平行的信息高速公路，并允许在它们之间进行学习型的混合。
但至关重要的是，它将混合矩阵约束为双随机矩阵（通过Sinkhorn-Knopp投影到Birkhoff多胞形上），这在数学上保证了信号幅度在任意深度下都能得以保持。
这解决了此前困扰无约束Hyper-Connections（最初由ByteDance发明）的灾难性不稳定问题——在无约束情况下，信号放大在27B规模下暴增了3000倍，导致训练彻底崩溃。
其计算成本微乎其微：mHC仅增加了6.7%的实际训练耗时，因为它没有改变注意力层或FFN层的FLOPs，只是改变了它们的输出在层与层之间的路由方式。
然而，其性能提升却是巨大的：在27B参数规模下，mHC在BIG-Bench Hard推理上提升了+7.2分，在DROP上提升了+3.2分，在GSM8K数学上提升了+2.8分，在MMLU通用知识上提升了+1.4分，而这一切都是在相同的模型大小和几乎相同的计算预算下实现的。
从本质上讲，mHC通过为网络提供更丰富、更具表现力的跨层信息路由拓扑结构，在几乎不增加额外FLOPs成本的情况下，实现了显著更高的“单参数智能”。
mHC是一个复杂的架构；但它提供了极高的训练稳定性和更高的单参数智能。
1 . CSA和HSA（于2026年4月在DeepSeek V4中引入）通过压缩KV Token，将KV需求进一步降低了90%，并大幅减少了所需的FLOPs，从而同时缓解了HBM和GPU/ASIC的压力。
2 . Engram于2026年第一季度引入，他们在某种程度上用内存（LPDDR内存）换取了计算。
如下面的详细图表所示，在相同的总参数预算下，Engram带来了显著的性能提升。
3 . 极端专注于计算与通信的重叠，以及像Dual Path这样的创新，可以被解释为应对资源限制的权宜之计。
但DeepSeek走得更远，他们甚至在ASIC设计上为硬件厂商提供建议，以确保他们不会浪费宝贵的硅片资源。
这出自DeepSeek V4的论文。
这是他们在DeepSeek V4论文中分享的建议。可以肯定的是，他们在私底下分享的反馈要多得多。
4 . 对TileLang的投入指向了同一个始终如一的方向：他们不仅是在解决自己的算力荒，更是在让中国的硬件生态系统具备与西方生态系统竞争的能力。
有了TileLang，只需开发一次算子内核（用于计算的代码），就可以在多个已提供TileLang后端的硬件平台上成功运行。
我预计中国其他所有的实验室也会加入进来——间接帮助中国硬件厂商应对“CUDA护城河”。这也解锁了更多西方硬件（如AMD）的可能性。
注意：中国的许多AI平台要么提供CUDA兼容性，要么提供CUDA转换层：Moore Threads、MetaX、Biren和Iluvatar CoreX是通过转换层实现CUDA兼容度最高的中国芯片。他们（在理论上）不需要TileLang。
大规模强化学习（RL）与RSI
通过获取更多的算力（得益于更多潜在的硬件选择）以及计算需求的降低，DeepSeek可以承担更具雄心的训练项目，尤其是RL后训练（post training）。
RL涉及生成大量的轨迹（trajectories）——生成数万亿的Token。这会很快变得非常昂贵。
此外，为了训练1M上下文的模型，你需要生成那么长的轨迹。为如此长的轨迹训练模型，才能够解锁长文本任务。
此外，由于选择增加，DeepSeek可以获得更多硬件，这将使自动化研究（RSI）成为可能。
RSI涉及AI自身来设计和开展实验。这种方法包含大量的试错，成本会迅速飙升。
然而，RSI对于探索整个设计空间至关重要。DeepSeek在迈向AGI以及随后的ASI之前，需要具备RSI的能力。
DeepSeek今天所做的，就是整个行业明天要做的：
DeepSeek围绕混合专家模型（MoE）、MLA、DSA的创新，已经被来自全球和中国其余的AI实验室所采纳。
例如，ZAI（GLM系列模型的创造者）使用了MLA和DSA。Kimi（Moonshot）采用了MLA，并且毫不避讳地表示他们的架构是基于DeepSeek的架构。
作为回报，DeepSeek使用了最早由Kimi（Moonshot）用于大规模训练的Muon优化器。
（注：MoE于2017年在Google被发明，Noam Shazeer是关键作者。DeepSeek将其应用到了极大的规模并发明了自己的独门绝技。 Muon（由Newton-Schulz正交化的动量）
优化器由机器学习研究员Keller Jordan于2024年底创建。Kimi（Moonshot）团队是第一个将其投入大规模应用的人。）
那么如何赚钱呢？
让我们来研究一下OpenAI这个有趣的例子。
OpenAI获得了根据算力消耗里程碑以低价购买AMD和Cerebras股票的认股权证/期权。这对AMD和Cerebras来说是一笔伟大的交易。有了OpenAI对他们的绑定，使他们更有可能在长期内取得成功。
引自AMD的公告：“作为协议的一部分，为了进一步对齐战略利益，AMD已向OpenAI发行了高达1.6亿股AMD普通股的认股权证，结构设计为随着特定里程碑的达成而分批行权。第一批随着初始1吉瓦（GW）的部署而行权，其余批次随着采购规模扩大到6吉瓦而逐步行权。行权进一步与AMD达到特定的股价目标，以及OpenAI达成使AMD能够规模化部署所需的技术和商业里程碑相挂钩。”
我预测DeepSeek将与多家中国的内存、ASIC、CPU和网络栈厂商达成此类协议，并与他们紧密合作，以确保他们的硬件栈能够胜任顶尖的AI工作负载。
鉴于西方（包括东亚盟友）所有AI股票的总市值远远超过10T USD。这种“通过授予股权进行协作”的方法，让DeepSeek能够帮助在中国创造一个同样巨大的产业，并在自己实现1T USD估值的同时，分得属于自己的一块蛋糕。
这将使他们能够赚到多得多的钱，同时也能实现他们用自己的话所说的“让AGI惠及每个人”的目标。
Liang Wenfeng——Jim Simons的崇拜者——是一位极其聪明的资本家，绝对不会错过这一点！
如果你回顾一下DeepSeek迄今为止所做的一切，这是唯一说得通的逻辑……
这些是关键的AI股票。未显示的还有超大规模云厂商（Hyper-scalars）及其他许多公司。
关于这些创新的详细博客将于本周末发布，如果感兴趣请关注我的Substack
https://polymath707.substack.com/ ...
