DeepSeek 710亿估值背后：AI竞赛已从模型转向基建，谁掌握了推理成本谁就赢？
资本聚光灯下的新焦虑：DeepSeek为何急于“补仓”？
在2026年这个AI产业加速分化的节点，DeepSeek再次站在舆论的风口浪尖。据《金融时报》披露，该公司正与新投资者进行初步接触，计划启动新一轮融资，投前估值高达710亿美元。相较于上一轮约520亿美元的投后估值，这一数字实现了约37%的跃升。更令人惊讶的是其融资节奏之快：一家刚刚完成首轮融资的大模型公司，在极短时间内便启动下一轮，这完全违背了传统科技企业的融资逻辑。
多数人的第一反应往往是困惑：刚刚募集了数十亿美元资金，为何如此“缺钱”？若沿用互联网时代的线性增长思维，这一疑问确实成立。然而，若将视野拓展至全球AI产业链，便会发现这并非DeepSeek的个案，而是头部AI企业的集体动作。OpenAI宣布建设Stargate超级数据中心；Meta计划未来几年投入1450亿美元建设算力基础设施；Anthropic持续扩大算力储备并评估自研芯片；Google与Amazon则分别推进TPU与Trainium芯片的迭代。与此同时，DeepSeek和智谱也被曝出正在研发针对推理场景的ASIC芯片。
这一系列动作指向一个清晰的产业趋势：大模型公司正在从单一的“模型研发机构”演变为“AI基础设施运营商”。过去三年，竞争焦点在于参数规模与模型智商；今天，比拼的核心已转变为Token成本、算力规模、芯片自主率及数据中心效率。DeepSeek此次融资，本质上购买的不是下一代模型的算法，而是未来几年留在全球AI第一梯队的入场券。
范式转移：从“训练驱动”到“推理驱动”的成本重构
分析此次融资的资金用途，几乎全部指向基础设施建设：自建数据中心、采购AI芯片、扩建推理集群、研发Agent以及推进AGI研究。这意味着AI产业的成本结构发生了根本性变化。
在过去，AI公司的主要资本开支集中在模型训练阶段。一次预训练可能耗资数亿美元，随后进入较长周期的应用阶段。这种支出具有明显的阶段性特征。然而，随着AI进入Agent时代，产业逻辑已转变为“推理驱动”。训练模型可能一年仅进行数次，但模型上线后，每天需处理数十亿甚至数百亿次推理请求。AI程序员、客服、办公助手等各类Agent需要持续调用模型，每一次调用都意味着GPU的持续运转、电力的消耗以及数据中心的高负荷运作。
对于DeepSeek而言，这种变化尤为剧烈。过去一年，凭借极具竞争力的API价格和优秀的模型能力，DeepSeek在全球开发者市场迅速占据份额，大量海外开发者迁移至其平台。然而，用户规模的爆发式增长带来了双刃剑效应：推理成本呈指数级上升。过去互联网模式中“用户越多，边际成本越低”的定律在AI时代失效，取而代之的是“用户越多，推理成本越高”。服务器繁忙、调用排队等现象，本质上是推理需求增速远超算力扩张速度的结果。
因此，这轮融资并非为了短期模型迭代，而是为未来三至五年的推理基础设施进行前置布局。在算力即权力的逻辑下，资金购买的实际上是时间，以便在需求爆发前完成基础设施的储备。
自研芯片潮：破解CUDA护城河与降低智能成本
近期，全球AI行业出现了一个显著现象：头部模型公司纷纷走向“造芯”之路。OpenAI推出定制推理芯片Jalapeño；Anthropic评估自研AI芯片；Meta宣布Iris芯片计划；Google迭代TPU；DeepSeek和智谱则研发推理ASIC。这一趋势的背后，是商业逻辑的深刻变迁。
英伟达GPU依然是当前最成熟的训练方案，但其地位正逐渐从“竞争优势”转变为“通用基础设施”。当算力硬件趋于同质化时，决定竞争力的核心指标变为每生成一个Token的成本。随着推理任务占比超过训练任务，针对特定模型优化的ASIC芯片因其低功耗、高效率优势，成为降低推理成本的关键。
Google十多年前布局TPU，旨在降低Gemini及云平台的推理成本。今天，DeepSeek等公司选择从推理ASIC切入，而非直接挑战训练GPU，是基于同样的产业判断。尽管自研芯片面临软件生态、HBM内存、先进封装等多重挑战，尤其是CUDA生态构成的巨大护城河，但降低Token成本的迫切性促使企业不得不跨越这一障碍。
自研芯片的核心意义在于构建“AI飞轮”：降低推理成本带来更大的降价空间，进而吸引更多开发者与调用量，更多的调用量又进一步摊薄芯片研发成本。在这场博弈中，谁能将推理成本降低一半，谁就掌握了定义行业价格的权利。竞争的本质已从“谁拥有最好的模型”演变为“谁拥有最低的智能成本”。
全栈竞争时代：AI公司如何重构“Google式”壁垒
如果说过去的AI竞争是算法竞赛，那么现在它已升级为全栈能力的角逐。回顾Google的发展路径，其核心壁垒并非仅源于搜索引擎或Gemini模型，而是由搜索、Chrome、Android、Google Cloud、TPU及自建数据中心构成的完整垂直整合生态。这种全栈能力使其能够持续降低计算成本，提升服务效率，并强化竞争壁垒。
如今，全球领先的大模型公司正走向同一条路径。OpenAI构建“模型+Stargate数据中心+自研芯片+Agent平台”；Meta打造“Llama+Iris+数据中心”体系；Anthropic强化Claude并布局底层算力；DeepSeek从模型延伸至芯片和计算中心；智谱则推出GLM-5.2开源模型、布局推理芯片并实施“摸高”AGI计划。
这一系列动作揭示了一个行业共识：未来的大模型公司将是拥有模型、芯片、数据中心、云平台、Agent及开发生态的AI基础设施平台。模型只是入口，芯片决定成本下限，数据中心决定规模上限，云平台决定商业化能力，Agent决定应用生态广度，而AGI则决定体系的技术高度。
DeepSeek的融资争夺，实质上是对未来十年基础设施主动权的抢占。模型可以迭代，但芯片研发需要两到三年，数据中心建设需数年，生态建设更需长期投入。一旦节奏滞后，便可能错过整个技术周期。因此，710亿美元的估值背后，是对时间窗口的极致压缩与对长期底座的坚定投入。
结语：基础设施之战，智能时代的底层生产力重构
710亿美元的估值或许存在争议，但其释放的产业信号不容忽视：AI竞争已进入根本性的阶段转换。模型不再是唯一的资产，而是完整技术体系中的一环。真正的核心竞争力，将由模型、芯片、数据中心、云平台、Agent和开发生态共同构成。
AI行业最稀缺的资源已不再是资金，而是时间。头部企业纷纷走向全栈自研，标志着AI产业正式进入“第二场战争”。这场战争不再局限于模型参数的比拼，而是基础设施的较量，是智能时代底层生产力体系的全面竞争。在这场长跑中，只有那些能够持续降低智能成本、构建高效闭环生态的企业，才能最终赢得未来的定义权。DeepSeek的再次出发，正是这场宏大叙事中的关键注脚，它预示着AI行业的竞争将更加硬核，也更加残酷。