1. 首頁 > 生活百科 > >

DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相

人工智能ai編程deepseek

DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相

文章圖片

DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相

文章圖片

DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相

文章圖片

DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相

文章圖片

DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相

文章圖片

DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相

文章圖片

DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相

文章圖片


曾以低價高性能震撼市場的DeepSeek ， 為何在自家平臺遇冷 ， 市場份額下滑？背后隱藏的「Token經濟學」和這場精心策劃的戰略轉移 ， 正悄然改變著AI的價值鏈與分發模式 。
最近 ， 全世界的大廠都在蠢蠢欲動了！
GPT-5、Grok 4 ， 甚至Claude ， 都已經紛紛有了消息 ， 一場惡戰仿佛就在眼前！
DeepSeek這邊 ， 似乎也有新動靜了 。
就在昨天 ， 一個疑似DeepSeek的新模型現身LM Arena 。
也有人猜測 ， 這個模型更可能是DeepSeek V4 ， 而DeepSeek R2會稍后發布 。
套路很可能和之前是一樣的 ， 先在第一個月發布V3 ， 然后在下個月發布R1 。
所以 ， 曾經轟動全球AI圈的中國大模型DeepSeek R1 ， 如今怎樣了？
到今天為止 ， DeepSeek R1已經發布超過150天了 。
當時一經問世 ， 它就以OpenAI同等級的推理能力和低90%的價格而迅速出圈 ， 甚至一度撼動了西方的資本市場 。
可是如今 ， 它在用戶留存和官網流量上卻雙雙遇冷 ， 市場份額持續下滑 。
DeepSeek就這樣曇花一現 ， 紅極一時后迅速衰落了？
其實不然 ， 在這背后 ， 其實隱藏著另一條增長曲線——
在第三方平臺上 ， R1已經成爆炸性增長 ， 這背后 ， 正是折射出AI模型分發與價值鏈的悄然變革 。
SemiAnalysis今天發布的這篇文章 ， 挖出了不少一手的內幕信息 。

DeepSeek ， 盛極而衰？DeepSeek發布后 ， 消費者應用的流量一度激增 ， 市場份額也隨之急劇上升 。
為此 ， SemiAnalysis做出了下面這份統計曲線 。
當然 ， 他們也承認 ， 由于中國的用戶活動數據難以追蹤 ， 且西方實驗室在中國無法運營 ， 下面這些數據實際上低估了DeepSeek的總覆蓋范圍 。
不過即便如此 ， 曾經它爆炸性的增長勢頭也未能跟上其他AI應用的步伐 ， 可以確定 ， DeepSeek的市場份額此后已然下滑 。
而在網絡瀏覽器流量方面 ， 它的數據就更為慘淡了：絕對流量一直在下降 ， 但其他頂尖模型的用戶數卻噌噌飛漲 ， 十分可觀 。
不過 ， 雖然DeepSeek自家托管模型的用戶增長乏力 ， 但在第三方平臺那里 ， 就完全是冰火兩重天了 。
可以看到 ， R1和V3模型的總使用量一直在持續快速增長 ， 自R1首次發布以來 ， 已經增長將近20倍！
如果進一步深挖數據 ， 就會發現：只看由DeepSeek自己托管的那部分Token流量 ， 那它在總Token中的份額的確是逐月下降的 。
那么 ， 問題來了：為何在DeepSeek模型本身越來越受歡迎、官方價格非常低廉的情況下 ， 用戶反而從DeepSeek自家的網頁應用和API流失 ， 轉向了其他開源提供商呢？
【DeepSeek流量暴跌？AI大模型全球霸主離奇遇冷，外媒曝出真相】SemiAnalysis點出了問題關鍵——
答案就在于「Token經濟學」 ， 以及在平衡模型服務的各項KPI時所做的無數權衡 。
這些權衡意味著 ， 每個Token的價格并非一個孤立的數字 ， 而是模型提供商根據其硬件和模型配置 ， 在對各項KPI進行決策后得出的最終結果 。

Token經濟學基礎我們都知道 ， Token是構成AI模型的基本單元 。 AI模型通過讀取以Token為單位的互聯網信息進行學習 ， 并以文本、音頻、圖像或行為指令等Token形式生成輸出 。
所謂Token ， 就是像「fan」、「tas」、「tic」這樣的小文本片段 。 LLM在處理文本時 ， 并非針對完整的單詞或字母 ， 而是對這些片段進行計數和處理 。
這些Token ， 便是老黃口中數據中心「AI工廠」的輸入和輸出 。
如同實體工廠一樣 ， AI工廠也遵循一個「P x Q」（價格 x 數量）的公式來盈利：其中 ， P代表每個 Token的價格 ， Q代表輸入和輸出Token的總量 。
但與普通工廠不同 ， Token的價格是一個可變參數 ， 模型服務商可以根據其他屬性來設定這個價格 。
以下 ， 就是幾個關鍵的性能指標（KPI） 。
延遲（Latency）或首個Token輸出時間（Time-to-First-Token）
指模型生成第一個Token所需的時長 。 這也可以理解為模型完成「預填充」階段（即將輸入提示詞編碼到KVCache中）并開始在「解碼」階段生成第一個Token所需的時間 。
吞吐量（Throughput）或交互速度（Interactivity）
指生成每個Token的速度 ， 通常以「每個用戶每秒可生成的Token數量」來衡量 。
當然 ， 有些服務商也會使用其倒數——即生成每個輸出Token的平均間隔時間（Time Per Output Token TPOT） 。
人類的閱讀速度約為每秒3-5個單詞 ， 而大部分模型服務商設定的輸出速度約為每秒20-60個Token 。
上下文窗口（Context Window）
指在模型「遺忘」對話的早期部分、并清除舊的Token之前 ， 其「短期記憶」中能夠容納的Token數量 。
不同的應用場景需要大小各異的上下文窗口 。
例如 ， 分析大型文檔和代碼庫時 ， 就需要更大的上下文窗口 ， 以確保模型能夠對海量數據進行連貫的推理 。
對于任何一個給定的模型 ， 你都可以通過調控這三大KPI ， 設定出幾乎任何價位的單位Token價格 。
因此 ， 單純基于「每百萬Token的價格」（$/Mtok）來討論優劣 ， 并沒有什么意義 ， 因為這種方式忽略了具體工作負載的性質 ， 以及用戶對Token的實際需求 。

DeepSeek的策略權衡所以 ， DeepSeek在R1模型服務上采用了何種Token經濟學策略 ， 以至于市場份額會不斷流失？
通過對比延遲與價格的關系圖 ， 可以看到 ， 在同等延遲水平上 ， DeepSeek的自有服務已不再是價格最低的選擇 。
事實上 ， DeepSeek之所以能提供如此低廉的價格 ， 一個重要原因在于 ， 用戶等待數秒后 ， 才能收到模型返回的第一個Token 。
相比之下 ， 其他服務商的延遲會短得多 ， 價格卻幾乎沒有差別 。
也就是說 ， Token消費者只需花費2-4美元 ， 就能從Parasail或Friendli這類服務商那里 ， 獲得近乎零延遲的體驗 。
同樣 ， 微軟Azure的服務價格雖比DeepSeek高2.5倍 ， 但延遲卻減少了整整25秒 。
這樣看來 ， DeepSeek現在面臨的處境就尤為嚴峻了 。
原因在于 ， 現在幾乎所有托管R1 0528模型的實例都實現了低于5秒的延遲 。
沿用同一圖表 ， 但這次我們將上下文窗口的大小用氣泡面積來表示 。
從中可以看到 ， DeepSeek為了用有限的推理算力資源來提供低價模型 ， 所做的另一項權衡 。
他們采用的64K上下文窗口 ， 幾乎是主流模型服務商中最小的之一 。
較小的上下文窗口限制了編程等場景的發揮 ， 因為這類任務需要模型能夠連貫地記憶代碼庫中的大量Token ， 才能進行有效推理 。
從圖表中可見 ， 若花費同樣的價格 ， 用戶可以從Lambda和Nebius等服務商那里獲得超過2.5倍的上下文窗口大小 。
如果深入硬件層面 ， 在AMD和英偉達芯片上對DeepSeek V3模型的基準測試 ， 就可以看清服務商是如何確定其「每百萬Token價格」（$/Mtok）的——
模型服務商會通過在單個GPU或GPU集群上同時處理更多用戶的請求（即「批處理」） ， 來降低單位Token的總成本 。
這種做法的直接后果 ， 就是終端用戶需要承受更高的延遲和更慢的吞吐量 ， 從而導致用戶體驗急劇下降 。
之所以DeepSeek完全不關心用戶的體驗到底如何 ， 實際上是一種主動作出的戰略選擇 。
畢竟 ， 從終端用戶身上賺錢 ， 或是通過聊天應用和API來消耗大量Token ， 并不是他們的興趣所在 。
這家公司的唯一焦點就是實現AGI！
而通過采用極高批處理方式 ， DeepSeek可以最大限度地減少用于模型推理和對外服務的計算資源消耗 ， 從而將盡可能多的算力保留在公司內部 ， 從而用于研發 。
另外還有一點：出口管制也限制了中國AI生態系統在模型服務方面的能力 。
因此 ， 對DeepSeek而言 ， 開源就是最合乎邏輯的選擇：將寶貴的計算資源留作內部使用 ， 同時讓其他云服務商去托管其模型 ， 以此贏得全球市場的認知度和用戶基礎 。
不過 ， SemiAnalysis也承認 ， 這卻并沒有削弱中國公司訓練模型的能力——無論是騰訊、阿里、百度 ， 還是小紅書最近發布的新模型 ， 都證明了這一點 。

Anthropic也一樣？和DeepSeek一樣 ， Anthropic的算力也是同樣受限的 。
可以看到 ， 它產品研發的重心顯然放在了編程上 ， 而且已經在Cursor等應用中大放異彩 。
Cursor的用戶使用情況 ， 就是評判模型優劣的終極試金石 ， 因為它直接反映了用戶最關心的兩個問題——成本與體驗 。
而如今 ， Anthropic的模型已雄踞榜首超過一年——在瞬息萬變的AI行業里 ， 這個時長仿佛已經如十年 。
而在Cursor上大獲成功后 ， Anthropic立馬順勢推出了Claude Code ， 一款集成在終端里的編程工具 。
它的用戶量一路飆升 ， 將OpenAI的Codex模型遠遠甩在身后 。
為了對達Claude Code ， 谷歌也緊急發布了Gemini CLI 。
它與Claude Code功能相似 ， 但因為背靠谷歌TPU ， 卻有非凡的算力優勢——用戶能免費使用的額度 ， 幾乎無上限 。
不過 ， 盡管Claude Code的性能和設計都十分出色 ， 價格卻不菲 。
Anthropic在編程上的成功 ， 反而給公司帶來了巨大壓力——他們在算力上已經捉襟見肘 。
這一點 ， 在Claude 4 Sonnet的API輸出速度上就已經體現得淋漓盡致 。 自發布以來 ， 它的生成速度已下降了40% ， 略高于每秒45個Token 。
背后的原因 ， 也和DeepSeek如出一轍——為了在有限的算力下處理所有涌入的請求 ， 他們不得不提高批處理的速率 。
此外 ， 編程類的使用場景往往涉及更長的對話和更多的Token數量 ， 這就進一步加劇了算力的緊張狀況 。
無論是何種原因 ， 像o3和Gemini 2.5 Pro這類對標模型的運行速度要快得多 ， 這也反映出OpenAI和谷歌所擁有的算力規模要龐大得多 。
現在 ， Anthropic正集中精力獲取更多算力 ， 已經和亞馬遜達成了協議 。 它將獲得超過五十萬枚Trainium芯片 ， 用于模型訓練和推理 。
另外 ， Claude 4模型并非在AWS Trainium上預訓練的 ， 而是在GPU和TPU上訓練 。

速度劣勢可由效率彌補Claude 的生成速度雖然暴露了其算力上的局限 ， 但總體而言 ， Anthropic的用戶體驗（UX）要優于 DeepSeek 。
首先 ， 其速度雖然偏低 ， 但仍快于DeepSeek的每秒25個Token 。
其次 ， Anthropic的模型回答同一個問題所需的Token數量遠少于其他模型 。
這意味著 ， 盡管生成速度不占優 ， 用戶實際感受到的端到端響應時間反而顯著縮短了 。
值得一提的是 ， 在所有領先的推理模型中 ， Claude的總輸出Token量是最低的 。
相比之下 ， Gemini 2.5 Pro和DeepSeek R1 0528等模型的輸出內容 ， 「啰嗦」程度都是Claude的三倍以上 。
Token經濟學的這一方面揭示出 ， 服務商正在從多個維度上改進模型 ， 其目標不再僅僅是提升智能水平 ， 而是致力于提高「每單位Token所承載的智能」 。
隨著Cursor、Windsurf、Replit、Perplexity等一大批「GPT套殼」應用（或稱由AI Token驅動的應用）迅速流行并獲得主流市場的認可 。
我們看到 ， 越來越多的公司開始效仿Anthropic的模式 ， 專注于將Token作為一種服務來銷售 ， 而不是像ChatGPT那樣以月度訂閱的方式打包 。
參考資料：
https://semianalysis.com/2025/07/03/deepseek-debrief-128-days-later/

    推薦閱讀