GPU利潤率545%！DeepSeek成本公開：還值得自建算力嗎？
算力成本，大模型時代的“生死線”近日，國產大模型廠商DeepSeek罕見披露了其推理系統DeepSeek-V3/R1的核心架構與成本細節：單日GPU租賃成本超8.7萬美元，理論利潤率卻高達545%。這一數據讓行業再次聚焦大模型的核心命題——當云廠商提供“水電煤”般的算力時，自建集群是否還有必要？
一、DeepSeek的“吞吐量革命”：專家并行如何顛覆效率？
Diagram of DeepSeek's Online Inference System
DeepSeek-V3/R1的核心目標直指大模型推理的痛點：用更低的延遲，榨出更高的吞吐量。其殺手锏是大規?？绻濣c專家并行（EP）：
?專家“分而治之”：每層256個專家中僅激活8個，通過跨節點分散計算，單卡負載銳減，矩陣乘法效率飆升。
?雙Batch流水線：Prefill階段用雙Batch交替掩蓋通信耗時；Decode階段拆解Attention實現5級流水，通信與計算“無縫銜接”。
?動態負載均衡：針對不同GPU的請求長度、專家熱度差異，實時平衡計算量、通信量、KVCache內存占用，避免“短板效應”。
結果如何？ 單臺H800 GPU的吞吐量達到：
- ?輸入73.7k tokens/s（Prefill，含56.3%緩存命中）
- ?輸出14.8k tokens/s（Decode），支撐日均7760億token處理。
二、云上推理的“成本真相”：租賃竟比自建更賺？
Cost And Theoretical Income
DeepSeek的成本賬本揭開了一個反直覺結論：租用云GPU，反而比自建集群更“暴利”。
- ?成本結構：日均租賃278節點（2222塊H800），成本8.7萬美元；理論收入達56.2萬美元，利潤率545%。
- ?彈性優勢：白天流量高峰全節點推理，夜間縮容用于訓練研究，無需為閑置算力買單。
- ?定價策略：按需使用云廠商的運維、網絡、故障冗余能力，邊際成本近乎為“零”。
- 行業啟示錄：云廠商的規模化效應，已讓自建集群的“重資產模式”失去性價比。正如DeepSeek所暗示——“33%毛利的生意不值得做，不如白嫖云廠商的基建”。
三、自建VS租賃：大廠的兩難選擇
盡管云租賃經濟性占優，但大廠仍有兩大“難言之隱”：
1.可用性焦慮：高峰期搶不到資源？核心業務宕機損失遠超成本。
2.數據安全心結：即便有“專機專用”“數據不出域”方案，領導仍可能認為“機器搬進自家機房才安心”。
現實魔幻一幕：某算力平臺為說服客戶，最終將服務器拆下直接送到甲方辦公室——這本質上仍是“變相自建”，卻折射出行業對數據安全的極致偏執。
四、未來展望：算力會像電力一樣“即插即用”嗎？
DeepSeek的實踐指向一個未來：
- ?算力電網化：廠商只需關注“接網能力”，無需自建發電廠（GPU集群）。
- ?云廠商“工具化”：提供標準化、高彈性的算力單元，成為大模型時代的“基建底座”。
但有一個前提：云服務的穩定性、安全性必須無限接近“自建體驗”，否則巨頭們仍會押注可控性更高的私有集群。
結語：成本與控制的博弈，遠未終局
DeepSeek的案例證明，云租賃已是大模型商業化的最優解。但對巨頭而言，是否交出算力控制權，仍是戰略級抉擇?；蛟S未來的答案不在“二選一”，而在于混合云——讓核心數據留在本地，邊緣計算擁抱云端。這場博弈，才剛剛開始。
引用鏈接
??[1]??? deepseek-ai/open-infra-index: ???https://github.com/deepseek-ai/open-infra-index??
本文轉載自??云原生AI百寶箱??，作者：云原生AI百寶箱
