DeepSeek 之后：开源模型对企业 AI 成本意味着什么

2025 年 1 月 20 日,DeepSeek 发布推理模型 R1:权重开源,MIT 协议,明确允许商用和蒸馏;官方基准成绩对标 OpenAI 的 o1;API 定价输出 16 元/百万 tokens。接下来的几周,这个名字从技术圈一路走到了饭桌上。

现在是 10 月下旬,发布已过去九个月。写行业观察,这个时间点比当时更合适——热度退了,可以只看留下来的东西。

先把事实钉牢

复盘之前,把关键事实钉在桌上。R1 总参数 671B,采用 MoE(混合专家)架构,每次推理只激活约 37B 参数,上下文 128K。发布时的 API 定价:输入 1 元/百万 tokens(缓存命中)、4 元/百万 tokens(未命中),输出 16 元/百万 tokens。与 R1 一起开源的还有 6 个蒸馏小模型——蒸馏,可以粗略理解为用大模型教出小模型——从 1.5B 到 70B,官方称其中 32B 和 70B 版本在多项基准上对标 o1-mini。协议是 MIT,商用、修改、蒸馏都被明确允许,这一点会在后面每一层影响里反复出现。

被重设的不是某个价格,是价格锚点

R1 之前,「o1 级别的推理能力」是市场上的稀缺品,按稀缺品定价。R1 用 16 元/百万 tokens 的输出价提供了对标 o1 的能力,意义超出一次降价:它给「推理能力值多少钱」重新定了锚。此后任何厂商定价,都要回答同一个问题——和开源可得的能力相比,贵出来的部分值在哪。锚点一旦移动,后来者的报价都得参照它重排。

对企业的三层影响

第一层,直接用 API 的企业:试错变便宜了。多数中小企业接触 AI 的方式就是调 API。推理单价下来后,原来「算不过账」的场景开始值得一试:合同逐条比对、长报告结构化摘要、批量数据清洗归类——这类任务吃推理能力,过去跑一遍的成本足以劝退,现在可以先小规模验证,再决定放不放大。要提醒的是,单价便宜会诱发用量膨胀,账单未必变小,这在企业使用 AI 如何控制成本里有完整讨论。

第二层,和供应商谈判:你手里多了一张牌。过去某项能力只有一两家闭源模型能提供,采购几乎没有议价空间,被单一供应商锁定是默认结局。开源权重改变了谈判结构:「换成开源自部署」成了永远摆在桌上的备选项,哪怕你暂时不用它。落到系统设计上,建议把模型接入层做薄、做标准,别让业务逻辑和某一家的私有接口深度耦合——这不是不信任谁,是采购常识在 AI 时代的自然延伸。

第三层,私有化部署:门槛实质性下降。MIT 协议加允许蒸馏,意味着企业可以把权重拿回自己机房;6 个蒸馏小模型,则把「私有部署一个够用的模型」的硬件门槛从集群级拉到单机级。对数据敏感、要求内网隔离、或某个固定场景调用量极大的企业,这条路线第一次变得普遍可行。它不是免费午餐——运维、更新、评估都要自己扛,适用边界在私有化部署与小模型里会展开讲。

冷静面:模型便宜了,应用没有跟着便宜

这九个月我们也观察到另一面:一些企业冲着「模型白菜价」立项,几个月后发现预算大头根本不在模型。资料要整理成机器能用的形态,流程要拆开重新接,员工要学会真正用它、并对产出把关——这些环节的成本一分钱没降过。模型是 AI 应用里最便宜的环节,这个判断在 R1 之后不是被削弱,而是被加强了:单价越低,人和流程在总成本里的占比越高。把「模型降价」直接读成「AI 项目降价」,是这九个月里最常见的误算。

多模型时代的选型姿势

R1 之后,「选哪个模型」的正确问法变成「哪个场景配哪个模型」:日常摘要、格式转换,低价档就够;复杂推理、高风险产出,配推理模型再加人工复核;涉敏数据走私有部署。从企业落地的视角看,我们更关注企业有没有自己的评测习惯——拿业务里二三十个真实任务建一份小评测集,新模型出来先过一遍,比追发布会可靠得多。给场景配模型,不给厂商站队,这是开源时代最实用的一条纪律。

九个月后,留下来的是什么

回头看,那几周的喧嚣里真正沉淀下来的是三样东西:一个更低的价格锚点、一个永远在桌上的开源备选项、一条门槛更低的私有化路线。三者指向同一个方向——模型能力正在从稀缺品变成基础设施。对企业,竞争重心随之从「用没用 AI」移向「用得好不好」;而「用得好」的功课,从来不在模型这一侧。