DeepSeek的成本是一个复杂的多因素考量。在技术研发层面，人才成本占据重要部分，需要招募顶尖的人工智能专家、算法工程师等，他们的薪酬待遇等构成了高额人力成本。数据方面，获取、整理、标注海量数据需要投入大量资金，无论是购买数据还是建立数据采集机制都花费不菲。硬件设施上，强大的计算集群，如高性能的GPU服务器，用于模型的训练和优化，设备采购、维护以及能源消耗都是巨大的开支。此外，研发过程中的时间成本、试验成本以及应对各种技术挑战带来的额外开销等都共同构成了DeepSeek真实成本的复杂构成。

最近DeepSeek火得一塌糊涂，虽然战绩确实很强，但国内一贯的造神风格，总会夸大很多事，比如DeepSeek的成本：550万美元，打败了美国几亿美元。

其实网上的这些说法，DeepSeek从来没有说过，他们只在论文中提到了自己的训练成本是5.576M USD，也就是557.6万美元。这当然不是总成本，而且还差别非常大。

GPU配置

DeepSeek的论文提到，DeepSeek-V3使用了2048块H800 GPU进行训练。

而Meta在其论文中提到使用了超过16000块GPU的集群。DeepSeek的这一配置可能是其最有效的预训练集群，但受限于芯片禁运的政策，DeepSeek的H100 GPU数量显然是不如Meta的，而H800的性能是不如H100的：

网络带宽

• H100：配备了 HBM3 高带宽内存，使用 NVLink Switch System 可实现最高 900GB/s 的互联带宽，高速的数据传输能力使得它在处理大规模数据时，能够更高效地在不同组件之间交换信息，大大提升了数据的流通速度和处理效率，从而提高整体吞吐量。

• H800：为了符合相关规定，对网络通信能力进行了限制，其 NVLink 带宽最高为 400GB/s。这意味着在数据传输的速度上，H800 相较于 H100 有明显差距，在需要频繁进行大规模数据交互的场景中，较低的带宽会成为数据传输的瓶颈，限制了系统整体的吞吐量。

显存带宽

• H100：拥有更高的显存带宽，能够更快地在显存和处理器核心之间传输数据。这使得它在处理复杂的深度学习模型和大规模数据集时，可以更迅速地获取所需数据，减少等待时间，提高计算效率，进而提升吞吐量。

• H800：显存带宽方面相对 H100 有所降低，在数据读取和写入的速度上不如 H100，在一些对显存带宽要求极高的应用场景中，可能会因为数据传输的延迟而影响整体的处理速度和吞吐量。

算力

• H100：基于 Hopper 架构，拥有强大的计算核心，其 FP8 算力可达 1 exaFLOPS，能够快速处理大量的计算任务。在进行大规模的矩阵运算、深度学习训练等工作时，H100 可以在更短的时间内完成计算，处理更多的数据，从而实现更高的吞吐量。

• H800：算力上相比 H100 也有所阉割，在相同的任务负载下，完成计算所需的时间会更长，单位时间内能够处理的数据量相对较少。

由于幻方（DeepSeek）没有对外公布过GPU的数量，很多GPU是禁运的，肯定也不能公布，所以外界都是根据其他数据进行估计，像SemiAnalysis的评估数据如下：

也有其他可信度较高的报告称，DeepSeek拥有的GPU数量约为2万至5万个（以A100为基准）。无论如何，虽远低于Meta的规模，但仍属于全球范围内计算资源最丰富的机构之一。

大模型训练的风险

由于GPU的资源是非常宝贵的，因此长时间占用公司中最宝贵的GPU资产来训练一个模型存在极高风险。例如，SemiAnalysis指出，OpenAI的Orion项目因需要大量计算资源而耗时超过3个月完成训练，这种情况是OpenAI明确希望避免的。相比之下，快速迭代小型模型（如o3）更具灵活性。

实验与预训练成本

模型开发过程中用于实验的总计算量远高于最终报告的数字，语言模型实验室通常会通过scaling laws降低预训练风险，这意味着在大规模训练之前会进行数千次小规模实验（如10亿至70亿参数量），以验证模型的有效性。

据推测，DeepSeek-V3的预训练实验总计算量可能是论文中报告数字的2~4倍。此外，DeepSeek还可能使用了其他项目（如DeepSeek R1 Lite）作为合成数据的来源，进一步增加了计算开销。

计算成本与所有权

计算资源的成本估算需要考虑多个因素：

1. GPU的所有权与租赁

DeepSeek是否拥有或租用了这些GPU尚不清楚。假设DeepSeek拥有这些GPU，则其总拥有成本（TCO）将包括硬件采购、电力消耗和其他运营成本。

• 对于1万块以上的A/H100 GPU集群，电费每年可能超过1000万美元。

• 单块H100的市场价约为3万美元，因此1万块H100的资本支出（CapEx）可能超过10亿美元。

2. 云服务合作的可能性

这些成本并不一定全部由DeepSeek承担，因为它们可能与云服务提供商合作。即使如此，仅计算资源的成本（不包括电力等其他费用）每年也可能达到数亿美元。

除了硬件成本，DeepSeek-V3的成功还离不开庞大的技术团队：

• 技术团队规模：DeepSeek-V3论文中有139名技术作者，当然这里面有他们的员工，有应届毕业生，也有在校的实习生，这表明DeepSeek拥有一个非常庞大的技术团队。人员成本就是一笔不小的开销，幻方的薪资绝对不比互联网大厂低，因此每年可能超过1000万美元的人工成本。

• 全年运营成本：结合硬件、电力和人员成本，DeepSeek AI一年的运营成本肯定不会低于5亿美元，SemiAnalysis给出的估算是13亿美元。这一数字远高于论文中的550万美元估算。

与其他公司的对比

尽管DeepSeek-V3的成本估算远高于其他开源模型，但从行业角度来看，这一投入仍处于合理范围内：Meta和OpenAI等美国科技公司在AI模型开发上的年均投入已接近或超过100亿美元。相比之下，DeepSeek-V3的成本显得更为经济高效。

本文来自微信公众号：傅里叶的猫，作者：张海军