易算盘市场洞见 013｜深度探讨：从 Deepseek 的利润率看 AI Infra 的新战场
当一家企业需要发展的时候，首先需要评估的就是外部环境即自己站在哪里。这样就能了解市场趋势，识别竞争对手，评估客户需求，发现机会和威胁。 当咨询顾问想要当企业的外脑，需要快速理解公司的运营和财务信息，分析一家公司时需要考虑现金流、区域特点、风险等因素。 那如何培养这样的 市场感（Market Sense）？对我来说就是读新闻及研报，同时注意三个方面： 新闻及研究报告中的事实和数据是什么？ 如何从这些事实和数据过渡到你的论点？ 如何讲这些事实数据和论点有效的表达？ 将不定期的把阅读过的新闻及研报记录节选上来，希望通过这种方式，不仅能够巩固自己的理解，还能与大家分享我的思考，同时，我也期待与大家进行更多的互动和交流，共同探讨和分享市场的最新动态和机会。 希望这个系列能成为大家了解资本市场、提高商业能力的一扇窗户，也希望通过持续的学习和分享，能够与大家一起成长，共同迈向更高的商业智慧。
013｜深度探讨：从 Deepseek 的利润率看 AI Infra 的新战场 在大模型浪潮汹涌的当下，Deepseek 一天“8.7 万美元成本对应 56 万美元收入、理论利润率高达 545%”的消息无疑震撼了整个行业。作为一名战略协同领域及商业模式的观察者，我想结合 Deepseek 的最新数据，讨论大模型利润率背后的真实图景，以及 AI Infra 未来可能的竞争与机遇。 一、Deepseek 的数据：看似惊人的利润率 1.高利润率的不同“口径” 首家披露推理成本的大模型 误区：只看“推理端”不代表公司财务层面 2. 对比 Anthropic：云分成与利润率的敏感度 TD Cowen 模型拆分 夜间降价与负载优化 二、AI Infra 的逻辑：从成本结构到资源调度 1. 大模型与传统云计算的共性 我在业界看到一种倾向：AI 云计算在底层成本、资源弹性、负载率优化等方面，与过去十年的云计算模式并无本质不同。提升 GPU 集群利用率、合理分配带宽和时段负载，是所有云计算厂商一直以来的核心课题。 2. 公有云 vs. 自建部署 自主部署门槛高 云厂商的内生业务 3. 产业生态：Deepseek 的“只做基础模型”思路 Deepseek 强调自身只负责基础模型与前沿创新，进一步的商业应用由上下游伙伴来构建。这种“基础模型+行业应用”分层合作的方式，能让大模型企业聚焦于技术攻关，也有助于产业链迅速补位。云计算厂商、ISV（独立软件开发商）以及企业用户之间的分工界限愈发清晰。 三、未来应用：多模态与 Agent 阶段的爆发 1. To C：从文本 Chatbot 到多模态 现有的 ChatGPT、Deepseek 等在消费端主要提供文本对话功能，尚未大规模落地语音、视频、图像等多模态场景。一旦多模态或 Agent 化应用普及，算力需求可能远超现阶段规模。 2. To B：从 Co-Pilot 走向“AI 员工” 企业端则多停留在 Co-Pilot 式辅助阶段，还未进入能进行自主决策的真正 Agent 形态。随着企业流程深度自动化，AI 对算力与专业 infra 的需求大概率继续攀升，“Jevons 悖论”在此体现：效率提升后，需求并非缩减，而是迎来爆发式增长。 四、对资本市场与从业者的思考 1. 更精细化的二级市场分析 深层次对比大模型利润率，需要先弄清楚： 推理调用层面的毛利率（排除训练、折旧和大量人员开支） 财务口径下的盈亏（真正影响公司估值和投融资时的会计指标） 投资机构、卖方分析师也需在“算力 × 利用率 × 云分成”这些角度，建立起更细分的估值与盈利预测模型。 2. AI Infra 的内卷：高要求与高回报并存 与 Deepseek 对标 算力与“有效算力”的思考 3. 构筑完善生态，聚焦核心竞争力 规模集群 & 模型创新 云计算迎来新增长 Deepseek 的“高利润率”只是一个起点，它背后反映出大模型在“推理端”具备良好的盈利潜力。尽管训练成本、数据许可、市场运营等仍能拉低企业整体财报的盈余，但随着云厂商、AI Infra 提供商不断提升规模效应、优化资源调度，大模型的商业化前景广阔且竞争激烈。 对于正在深耕或即将进入该领域的从业者，无论是研究大模型本身，还是着力在云计算基础设施上，都需把握两点： 第一，算力与算法的迭代速度之快，要求持续大额投入与及时升级； 第二，想要靠“AI + Infra”实现真正高利润，需要的不仅是硬件规模，更是负载率管理、跨时区错峰以及与上下游生态的深度链接。 作者介绍 Iris W INTJ 丨贝叶斯人 CPA Aust.丨CIMA丨CFA ESG Investing 聚焦科技,生物医学,哲学,历史,思维模型. 致力于公司治理和战略领域. 专业技能涵盖了现代企业管理、全球战略与领导力、金融风险管理.
Deepseek 比其他大模型公司（如 OpenAI 或 Anthropic）更为透明地公布了自己的推理成本结构。若以其 R1 模型定价来计算，利润率可达 85%，v3 定价（更低的调用价格）则下降到约 70%。
部分媒体或评论在报道高利润率时，没有区分大模型在推理端的毛利率，与其在整个会计体系下包含训练、数据费、推广和折旧等综合成本时的财务利润。前者往往远高于后者。
TD Cowen 曾尝试拆分 Anthropic 2024 年 API 收入与 AWS 分成的关系，得到 61% 的利润率；分成比例、云厂商内部定价等参数的波动，往往会在 60%～85% 区间“摆动”。
Deepseek 最近采取夜间降价，是为了充分利用低峰时段的 GPU 算力。通过跨时区调用或错峰调度，推理资源得到更高负载率，利润自然上扬——这本质上就是“云计算模式”下常见的利用率最优化策略。
目前大厂可通过超大规模 GPU 集群和先进算法（如 MoE）实现对算力的极致榨取；而中小企业或个人若想自行部署大模型，往往会面临部署难度高、单位成本昂贵、资源利用率低的困境。
对于阿里、腾讯等本身就拥有大量内部产品（电商、办公、社交、游戏等）的云厂商而言，一旦能让这些业务“吃满”自家 AI 基础设施，单次推理或数据处理的边际成本就会进一步下降——也就是说，当应用规模足够庞大时，利润率有可能比传统公有云时代更高。
Deepseek 公布的“高利润”标杆，使得投资人和管理层可能用此来衡量其他 AI Infra 厂商的效率与成本控制能力。
行业需关注 AI Infra 不仅是“原始硬件规模”，也包括调度算法、负载率、弹性扩容、跨时区调用等等运维水平的提升。
对基础模型和推理服务提供商来说，能否在大规模 GPU 集群和模型算法层面形成真正护城河，关系到长期竞争地位。
当越来越多企业、个人都将 AI 推理迁移到公有云或大厂集群上，云计算仍有广阔的发展空间和利润想象力。