在AI开源领域，DeepSeek的开源周活动不仅吸引了大量开发者关注，还意外地带来了一个令人瞩目的财务透明度展示。近日，DeepSeek在开源活动的第六天，不仅分享了其最新的DeepSeek-V3/R1推理系统技术细节，还罕见地公开了系统的每日成本和理论收入情况，这一举动迅速引起了业界的广泛讨论。
据DeepSeek公布的数据显示，从2月27日24时至2月28日24时，其每日总成本达到了87072美元（约合人民币63万元）。而如果以DeepSeek-R1的定价来计算，其每日理论总收入将高达562027美元（约合人民币409万元），成本利润率惊人地达到了545%，意味着DeepSeek理论上每天可以净赚474955美元（约合人民币346万元）。
然而，实际情况远比理论数据复杂。DeepSeek-V3的定价低于R1，且网页端和应用程序的服务是免费的，只有部分服务产生收入。非高峰时段还提供夜间折扣，这些因素都导致了DeepSeek的实际收入远低于理论值。
在技术层面，DeepSeek详细介绍了其DeepSeek-V3/R1推理系统的优化策略。为了实现更高的吞吐量和更低的延迟，研究团队采用了跨节点的专家并行（EP）技术。通过EP，系统能够增大batch size，将通信延迟隐藏在计算之后，并执行负载均衡，以应对EP带来的系统复杂性挑战。
据悉，DeepSeek的V3和R1服务均使用了H800 GPU，并保持了与训练阶段一致的精度，以确保服务效果。在高峰时段，DeepSeek会跨所有节点部署推理服务，而在低负载的夜间时段，则会减少推理节点，将资源分配给研究和训练任务。
在统计周期内，DeepSeek的V3和R1服务处理了608B的总输入Token，其中342B Token（56.3%）命中了KVCache硬盘缓存。总输出Token为168B，平均输出速度为每秒20-22 tps。每个H800节点在预填充（prefill）期间提供了约73.7k token/s输入的平均吞吐量，在解码（decode）期间则提供了约14.8k token/s输出的平均吞吐量。
面对EP带来的系统复杂性，DeepSeek采取了三大策略来应对。首先，利用EP增大batch size，以提高GPU矩阵计算的效率。其次，将通信延迟隐藏在计算之后，通过双batch重叠等技术手段来掩盖通信开销，提高整体吞吐。最后，通过精细的负载均衡策略，确保每个GPU的计算负载和通信负载尽可能均衡，避免性能瓶颈。
DeepSeek的这一系列技术优化和财务透明度展示，不仅展示了其在AI开源领域的领先地位，也引发了业界对于AI服务成本和盈利模式的深入讨论。许多网友在评论区纷纷表示，DeepSeek的定价策略相较于OpenAI等竞争对手更具竞争力，甚至有人戏称OpenAI的定价“被抢劫”了。
DeepSeek的开源精神和财务透明度，无疑为AI行业的发展注入了新的活力。未来，随着AI技术的不断进步和应用场景的不断拓展，我们有理由相信，将会有更多像DeepSeek这样的优秀企业涌现出来，推动AI行业的持续繁荣。
