LLMs之DeepSeek：AI模型市場深度分析：DeepSeek的挑戰與機遇，模型市場份額、Token經濟學與未來發展

導讀：該文章主要分析了中國大語言模型DeepSeek R1發布150天后的市場表現、Token經濟學的影響以及AI模型市場的競爭格局。文章指出，DeepSeek R1雖然在發布初期引起轟動，但其自身托管服務的用戶增長乏力，而第三方托管的DeepSeek模型使用量卻大幅增長。文章深入探討了Token經濟學中的關鍵KPI（延遲、交互性、上下文窗口）如何影響模型定價和用戶體驗，并分析了DeepSeek在這些方面的權衡。此外，文章還將Anthropic與DeepSeek進行了對比，指出兩者都面臨計算資源約束的問題。最后，文章探討了Inference云的興起以及AI模型市場未來的發展趨勢。

目錄

AI模型市場深度分析：DeepSeek的挑戰與機遇，模型市場份額、Token經濟學與未來發展

1. A Boom and… Bust?（繁榮與…蕭條？）

2. Tokenomics Basics（Token經濟學基礎）

3. DeepSeek Trade-Offs（DeepSeek的權衡）

4. Anthropic is More Like DeepSeek than They’d like to Admit（Anthropic比他們愿意承認的更像DeepSeek）

5. Speed Can be Compensated for（速度可以被彌補）

6. Rise of the Inference Clouds（推理云的興起）

---

AI模型市場深度分析：DeepSeek的挑戰與機遇，模型市場份額、Token經濟學與未來發展

這篇文章深入分析了DeepSeek R1發布后的市場表現，并從Token經濟學的角度探討了AI模型市場的競爭格局。文章指出，DeepSeek的低價策略是以犧牲用戶體驗為代價的，而Anthropic則通過提高模型效率來彌補計算資源上的不足。文章還探討了Inference云的興起以及AI模型市場未來的發展趨勢。總的來說，這篇文章對AI模型市場的發展現狀和未來趨勢進行了全面的分析，為模型提供商和用戶提供了有價值的參考。

地址	DeepSeek Debrief: >128 Days Later? – SemiAnalysis
時間	2025年7月3日
作者	semianalysis

1. A Boom and… Bust?（繁榮與…蕭條？）

DeepSeek R1發布后，用戶流量最初出現激增，但隨后增長停滯，市場份額下降。雖然DeepSeek自身平臺表現不佳，但第三方平臺對DeepSeek模型的使用量卻顯著增長

• DeepSeek R1發布初期市場反應強烈，但未能維持增長勢頭。
• DeepSeek自身托管服務的用戶增長乏力。
• 第三方托管的DeepSeek模型使用量大幅增長，表明模型本身受歡迎，但DeepSeek的服務可能存在問題。

• 思考：
  • 模型發布后的持續增長需要有效的用戶獲取和留存策略。
  • 第三方合作是擴大模型影響力的重要途徑。
  • 模型提供商需要關注自身平臺的用戶體驗，以避免用戶流失。

Source: SemiAnalysis, Company prices

Source: SemiAnalysis, SimilarWeb

Source: SemiAnalysis, OpenRouter

Source: SemiAnalysis, OpenRouter

2. Tokenomics Basics（Token經濟學基礎）

介紹了Token經濟學的基本概念，包括Token的定義、AI工廠的運作模式以及模型提供商可以調整的關鍵KPI。

• Token是AI模型處理和生成內容的基本單位。
• AI工廠通過Token的輸入和輸出來盈利。
• 模型提供商可以通過調整延遲、交互性和上下文窗口等KPI來優化Token定價。
• 單純討論Token價格而不考慮KPI是不全面的。

• 思考：
  • 理解Token經濟學是優化AI模型服務和定價的關鍵。
  • 模型提供商需要根據自身硬件和模型特點，權衡不同KPI之間的關系。
  • 用戶需要根據自身需求選擇合適的模型和服務。

3. DeepSeek Trade-Offs（DeepSeek的權衡）

分析了DeepSeek在Token經濟學方面的權衡，指出其低價策略是以犧牲延遲和上下文窗口為代價的。

• DeepSeek通過犧牲延遲來降低Token價格，導致用戶體驗不佳。
• DeepSeek的上下文窗口較小，限制了其在某些領域的應用。
• DeepSeek通過高批量處理來降低成本，但進一步降低了用戶體驗。
• DeepSeek專注于AGI研究，不重視終端用戶體驗。

• 思考：
  • 模型提供商需要在價格、延遲、交互性和上下文窗口之間進行權衡。
  • 不同的用戶群體對不同KPI的敏感度不同。
  • 專注于特定目標（如AGI研究）可能會導致在其他方面的妥協。

4. Anthropic is More Like DeepSeek than They’d like to Admit（Anthropic比他們愿意承認的更像DeepSeek）

將Anthropic與DeepSeek進行對比，指出兩者都面臨計算資源約束的問題，并分析了Anthropic在代碼領域的成功和挑戰。

• Anthropic和DeepSeek都面臨計算資源約束。
• Anthropic在代碼領域取得了成功，但同時也面臨計算壓力。
• Anthropic通過與Amazon和Google合作來獲取更多計算資源。

• 思考：
  • 計算資源是AI模型發展的關鍵瓶頸。
  • 專注于特定領域可以提高模型競爭力。
  • 與大型科技公司合作是獲取計算資源的重要途徑。

5. Speed Can be Compensated for（速度可以被彌補）

?探討了速度在AI模型中的重要性，并指出Anthropic通過提高模型效率來彌補速度上的不足。

• 速度是影響用戶體驗的重要因素。
• Anthropic通過提高模型效率來減少Token使用量，從而降低端到端響應時間。
• 模型效率是提高競爭力的重要途徑。

• 思考：
  • 模型提供商可以通過優化模型結構和算法來提高效率。
  • 用戶需要關注模型的端到端響應時間，而不僅僅是Token生成速度。

6. Rise of the Inference Clouds（推理云的興起）

• 介紹了Inference云的興起，以及越來越多的公司開始銷售Token作為服務。
  • Inference云正在興起，越來越多的公司開始提供AI模型推理服務。
  • 越來越多的公司開始銷售Token作為服務，而不是捆綁訂閱。

• 思考：
  • Inference云為AI模型提供商提供了新的商業模式。
  • 銷售Token作為服務可以更好地滿足用戶多樣化的需求。