เกมหมากรุกมูลค่าสิบล้านล้านดอลลาร์ของ DeepSeek: การลดราคาแบบโอเพนซอร์สและนวัตกรรมพื้นฐานจะปรับเปลี่ยนระบบนิเวศฮาร์ดแวร์ AI อย่างไร

รายงานโดย Xin Zhi Yuan

【บทนำจาก Xin Zhi Yuan】DeepSeek กำลังปรับเปลี่ยนเส้นต้นทุนของระบบนิเวศฮาร์ดแวร์ AI ผ่านการเปิดเผยซอร์สโค้ด การลดราคา และนวัตกรรมโครงสร้างพื้นฐาน โดยมุ่งสู่เป้าหมายอันยิ่งใหญ่ของอุตสาหกรรมมูลค่าหลายสิบล้านล้านดอลลาร์และ AGI

DeepSeek มีความเคลื่อนไหวบ่อยครั้งในช่วงที่ผ่านมา

เริ่มจากวันที่ 22 พฤษภาคม Bloomberg เปิดเผยว่า DeepSeek กำลังดำเนินการระดมทุนมูลค่า 7 หมื่นล้านหยวน โดยมีมูลค่าก่อนการลงทุนสูงถึง 4.5 หมื่นล้านดอลลาร์

ในวันเดียวกัน DeepSeek ประกาศลดราคา API V4-Pro อย่างถาวร 75% โดยกำหนดราคาส่งเสริมการขายเป็นราคาขายปกติ

ด้านหนึ่งก็หาเงินจากนักลงทุน อีกด้านหนึ่งก็ลดราคาให้กับนักพัฒนา การดำเนินการนี้ทำให้หลายคนสับสน

ดังนั้น คำถามหลักคือ: DeepSeek ทำกำไรจากอะไร และจะทำกำไรมหาศาลได้อย่างไร?

ท้ายที่สุดแล้ว การบรรลุ AGI ไม่ใช่เรื่องเพ้อฝัน

นี่คือประเด็นที่ @bookwormengr ผู้ใช้แพลตฟอร์ม X ได้เจาะลึกเมื่อไม่นานมานี้

ในบทความยาวของเขาเรื่อง “DeepSeek’s 10 trillion USD grand strategy” เขาเสนอข้อสรุปที่กล้าหาญ: เป้าหมายที่แท้จริงของ DeepSeek อาจไม่ใช่การขายแพ็คเกจการเขียนโปรแกรมหรือผู้ช่วยเสียง แต่เป็นการมีส่วนร่วมในการสร้างระบบนิเวศฮาร์ดแวร์ AI มูลค่าหลายสิบล้านล้านดอลลาร์ และผลักดันให้มีมูลค่าหลายล้านล้านดอลลาร์ในระบบนิเวศนี้

หลังจากอ่านบทความยาวหลายหมื่นคำของ @bookwormengr อย่างละเอียดแล้ว คุณจะพบว่า: Liang Wenfeng ไม่ได้เพ้อฝัน แต่เป็นนักวางแผนที่รอบคอบ

และเป็นผู้เล่นระดับสูง เขากำลังเล่นเกมที่มีมูลค่าหลายสิบล้านล้านดอลลาร์

การเดินทางของฮีโร่: การเดินทางทางเทคโนโลยีที่ขัดแย้งกับความเห็นทั่วไป

เมื่อมองย้อนกลับไปถึงเส้นทางการพัฒนาของ DeepSeek การใช้คำว่า “การเดินทางของฮีโร่” ก็ไม่เกินจริง

เมื่อทุกคนกำลังสร้างโมเดล Dense และแข่งขันกันเรื่องจำนวนพารามิเตอร์ DeepSeek กลับเลือกที่จะ攻克 MoE (Mixture of Experts) ที่ฝึกยากที่สุด เพื่อแลกกับความฉลาดที่มากขึ้นด้วยการคำนวณที่น้อยลง

เมื่อคนอื่นใช้ PPO สำหรับการเรียนรู้แบบเสริมกำลัง พวกเขากลับคิดค้นอัลกอริทึม GRPO ที่มีต้นทุนต่ำกว่าจากหลักการพื้นฐาน

เมื่ออุตสาหกรรมยังคง讨论ข้อจำกัดของ RLHF พวกเขาก็สามารถรัน RLVR (Reinforcement Learning with Verifiable Rewards) ได้สำเร็จ ยกระดับความสามารถในการใช้เหตุผลไปสู่ระดับใหม่

MLA, DSA (Decoupled Sparse Attention), mHC (Manifold Constrained Hyperconnection), CSA และ HCA — สิ่งเหล่านี้ไม่ใช่เทคนิคที่สวยหรูในบทความ แต่แต่ละอย่างมีเป้าหมายเพื่อตอบคำถามเดียวกัน: จะดึงพลังการคำนวณ AI ออกมาให้มากที่สุดภายใต้ข้อจำกัดของฮาร์ดแวร์ได้อย่างไร?

ฮีโร่ไม่รู้ภารกิจของตนเมื่อเริ่มต้นการเดินทาง พวกเขาเติบโต ค้นพบ และในที่สุดก็พบจุดหมายปลายทางสุดท้าย

ชะตากรรมของ DeepSeek ไม่ใช่แค่การขายแพ็คเกจ API

โจทย์คณิตศาสตร์ที่น่าสนใจ: ความลับของ KV Cache

มาเริ่มเล่าเรื่องนี้ด้วยตัวเลขเฉพาะกัน

เปิดเครื่องคิดเลขออนไลน์ของ kvcache.ai ป้อนบริบท 1 ล้าน token, ความแม่นยำ KV 8 bit, ความแม่นยำดัชนี 16 bit คุณจะเห็นการเปรียบเทียบที่น่าตกใจ: DeepSeek V4 ต้องการ HBM เพียง 5.48GB

ในทางตรงกันข้าม โมเดลโอเพนซอร์สชั้นนำอื่นๆ ต้องการ HBM มากถึง 60GB

โปรดทราบว่า DeepSeek V4 เป็นโมเดลที่มีพารามิเตอร์ 1.6 ล้านล้าน ซึ่งใหญ่กว่าโมเดลโอเพนซอร์สอื่นๆ มาก แต่การใช้งาน KV Cache กลับเป็นเพียงเศษเสี้ยวของพวกเขา

ซึ่งหมายความว่า DeepSeek สามารถตั้งราคาสำหรับการ命中แคชให้ต่ำอย่างไม่น่าเชื่อ — ราคา命中แคชของ V4-Pro อยู่ที่เพียง 0.025 หยวนต่อล้าน Token ซึ่งน้อยกว่า 3% ของราคาเดียวกันของ Claude Sonnet 4.6 และสามารถแคชได้นานหลายชั่วโมง

หลังจากลดราคาถาวร ราคาเมื่อไม่命中แคชอินพุตอยู่ที่ 3 หยวนต่อล้าน Token และราคาเอาต์พุตอยู่ที่ 6 หยวนต่อล้าน Token ซึ่งเป็นหนึ่งในสี่ของราคาเดิม

Liang Wenfeng อธิบายปรัชญาการกำหนดราคาของ DeepSeek เมื่อสองปีก่อน: หลักการของเราคือไม่ขาดทุนและไม่แสวงหากำไรเกินควร

ตอนนี้ดูเหมือนว่าเขาพูดความจริง — เมื่อ KV Cache ของคุณเป็นเพียงหนึ่งในสิบของคนอื่น ต้นทุนของคุณก็เป็นเพียงเศษเสี้ยวของพวกเขา

แต่คำถามที่ลึกกว่านั้นคือ: ผลประโยชน์นี้ไหลไปที่ไหน?

กระดานหมากรุกมูลค่าหลายสิบล้านล้านดอลลาร์: การปรับโครงสร้างระบบนิเวศฮาร์ดแวร์

คำตอบซ่อนอยู่ในตัวย่อสามตัว: SSD, LPDDR, HBM

ชั้นแรก: SSD และ NAND Flash เมื่อ KV Cache ถูกบีบอัดให้เล็กมาก ก็สามารถถ่ายโอน (offload) ไปยัง SSD ได้อย่างมีประสิทธิภาพ และโหลดกลับไปยัง HBM ได้อย่างรวดเร็วเมื่อจำเป็น

DeepSeek ยังปรับความเร็วในการโหลด KV Cache จาก SSD ในเอกสาร Dual Path โดยเฉพาะ ซึ่งช่วยลดการพึ่งพา HBM ที่มีราคาแพงโดยตรง

ใครคือผู้เล่นหลักใน SSD และ NAND Flash? ทุกครั้งที่ DeepSeek บีบอัด KV Cache ก็จะสร้างตลาดใหม่ขนาดใหญ่สำหรับ NAND และ SSD

ชั้นที่สอง: หน่วยความจำ LPDDR การวิจัยของทีม SGLang แสดงให้เห็นว่า LPDDR สามารถใช้เป็น “พื้นที่จัดเก็บน้ำหนักชั่วคราว” ได้อย่างสมบูรณ์ — น้ำหนักโมเดลจะถูกเก็บไว้ใน LPDDR ก่อน แล้วจึงสตรีมไปยัง HBM เมื่อจำเป็น ซึ่งช่วยลดแรงกดดันด้านความจุของ HBM อย่างมาก

สถาปัตยกรรม MoE ของ DeepSeek เหมาะกับโซลูชันนี้โดยธรรมชาติ: มีผู้เชี่ยวชาญจำนวนมาก น้ำหนักสามารถ量化เป็น 4 bit และการโหลดแบบสตรีมมีประสิทธิภาพมาก

ใครกำลังทำ LPDDR? ความเร็วในประเทศช้ากว่าเพียง 0.5 รุ่น ความหนาแน่นช้ากว่า 1 รุ่น การ追赶ใกล้เข้ามามากแล้ว

ชั้นที่สาม: การลดภาระของ GPU/ASIC โมดูล Engram ใช้การค้นหาตารางแฮชใน LPDDR แทนการคำนวณ forward propagation ของ Transformer ซึ่งโดยพื้นฐานแล้วใช้ “การอ่านหน่วยความจำ” ที่มีต้นทุนต่อบิตต่ำมากแทนที่ “การคำนวณ GPU” ที่มีต้นทุนต่อบิตสูงมาก

สิ่งนี้มีความสำคัญอย่างยิ่งต่อชิป AI ของจีน — เนื่องจากข้อจำกัดของเครื่อง EUV lithography GPU ในประเทศจึง落后ในด้าน FLOPs ดิบ แต่ถ้าคุณสามารถใช้หน่วยความจำราคาถูกมากขึ้นเพื่อทดแทนพลังการคำนวณราคาแพงที่น้อยลง การ “เปลี่ยนเลนแซง” นี้ก็สมเหตุสมผล

บวกกับ TileLang — กรอบการคอมไพล์เคอร์เนลข้ามฮาร์ดแวร์ที่ DeepSeek ลงทุน ซึ่งช่วยให้โค้ดการคำนวณชุดเดียวทำงานบนแพลตฟอร์มฮาร์ดแวร์หลายประเภท ซึ่งเท่ากับการ绕过 “คูเมือง CUDA” ผู้ผลิตชิปในประเทศจึงอาจได้รับการ突破ในระดับระบบนิเวศ

ตอนนี้คุณเข้าใจหรือยัง? นวัตกรรมทางเทคโนโลยีทุกอย่างของ DeepSeek ชี้ไปในทิศทางเดียวกัน: ลดการพึ่งพาฮาร์ดแวร์ระดับสูง ทำให้ระบบนิเวศการจัดเก็บ ชิป และเครือข่ายที่มีอยู่ในจีนเพียงพอและใช้งานได้ดี

@bookwormengr คำนวณตัวเลขใหญ่: มูลค่าตลาดรวมของหุ้นที่เกี่ยวข้องกับ AI ทั่วโลกนั้นเกินหลายสิบล้านล้านดอลลาร์มานานแล้ว

หาก DeepSeek สามารถช่วยให้จีนสร้างระบบนิเวศฮาร์ดแวร์ AI ในระดับที่เทียบเท่าได้ การที่ตัวเองจะได้รับมูลค่าตลาด 1 ล้านล้านดอลลาร์ในเกมนี้ก็สมเหตุสมผลอย่างสมบูรณ์

**

**

ตรรกะของการไม่ทำเงินเร็ว

เมื่อมองย้อนกลับไปที่ “การไม่ทำ” ทั้งหมดของ DeepSeek — ไม่ทำ multimodal (V4.1 เพิ่งเริ่มทดลองภาพและเสียง), ไม่ทำโมเดลเสียง, ไม่ทำโมเดลวิดีโอ, ลดราคา API ซ้ำแล้วซ้ำเล่า — ก็กลายเป็นเรื่องที่สมเหตุสมผล

ไม่ใช่ “ไม่รู้วิธีทำเงิน” แต่ “ชั่วคราวไม่สนใจที่จะทำเงินแบบนี้”

@bookwormengr เสนอการเปรียบเทียบที่ยอดเยี่ยม: OpenAI ได้รับสิทธิ์ซื้อหุ้นของ AMD และ Cerebras โดย只要บรรลุเหตุการณ์สำคัญในการซื้อพลังการคำนวณ ก็สามารถซื้อหุ้นในราคาต่ำได้ โดย本质แล้วこれは “用承诺换股权” — คุณช่วยฉันสร้างชิป ฉันให้คำสั่งซื้อแก่คุณ เราช่วยกันทำให้เค้กใหญ่ขึ้น

DeepSeek สามารถ复制รูปแบบนี้ได้อย่างสมบูรณ์

เพียงแต่มันไม่ได้เผชิญหน้ากับ AMD และ Cerebras แต่เป็นห่วงโซ่อุตสาหกรรมฮาร์ดแวร์ AI ในประเทศทั้งหมด

Liang Wenfeng มาจากกองทุน量化 ถูกเรียกว่า “แฟนตัวยงของ Jim Simmons” คนแบบนี้ย่อมไม่เข้าใจความซับซ้อนของการดำเนินการด้านทุน

ในความเป็นจริง ก่อนที่ข่าวการระดมทุนจะออกมา เขาได้ดำเนินการปรับโครงสร้างหุ้นครั้งสำคัญในเดือนเมษายน 2026 — โดยควบคุมหุ้นของบริษัทประมาณ 84.29% ผ่านการถือหุ้นโดยตรงและโดยอ้อม โดยมีสิทธิออกเสียง 100%

CATL ลงทุนใน DeepSeek — เพื่อ锁定คำสั่งซื้อการจัดเก็บพลังงานของศูนย์ข้อมูล AI ในอนาคต JD.com และ NetEase เข้าร่วม โดยแต่ละรายมีเป้าหมายเชิงกลยุทธ์ของตนเอง

การเข้ามาของกองทุนใหญ่แห่งชาติยิ่งทำให้ DeepSeek ถูก定位เป็นโครงสร้างพื้นฐาน AI ระดับชาติ

นักลงทุนเหล่านี้ไม่ได้มองเห็นธุรกิจเล็กๆ อย่างการขาย API พวกเขามองเห็นจุดยุทธศาสตร์ที่อาจ重塑ภูมิทัศน์ฮาร์ดแวร์ AI ทั่วโลก

ภารกิจสูงสุด: การเรียนรู้แบบเสริมกำลังขนาดใหญ่และ AGI

แต่ถ้าคุณคิดว่าจุดสิ้นสุดของ DeepSeek คือ “การเป็นเครื่องยนต์ของระบบนิเวศฮาร์ดแวร์ AI ของจีน” คุณอาจประเมิน Liang Wenfeng ต่ำเกินไป

ตามรายงานของ Bloomberg Liang Wenfeng กล่าวอย่างชัดเจนในการประชุมนักลงทุน: เป้าหมายหลักของ DeepSeek คือการผลักดันขอบเขตทางเทคโนโลยีและ追求 AGI

ระบบนิเวศฮาร์ดแวร์เป็นวิธีการ AGI คือเป้าหมาย

ตรรกะมีดังนี้: เมื่อมีตัวเลือกฮาร์ดแวร์มากขึ้น เมื่อความต้องการพลังการคำนวณถูกลดลงอย่างมากด้วยนวัตกรรมทางเทคโนโลยี DeepSeek จะสามารถเริ่มการฝึกอบรมขนาดใหญ่ขึ้นด้วยต้นทุนที่ต่ำลง — โดยเฉพาะการฝึกอบรมหลังการฝึกแบบ RL (Reinforcement Learning) และการปรับปรุงตนเองแบบวนซ้ำ (RSI)

RL ขนาดใหญ่หมายความว่าโมเดลต้องสร้างร่องรอยการใช้เหตุผลจำนวนมหาศาล — ปริมาณการสร้าง token ระดับล้านล้าน ซึ่งมีต้นทุนการคำนวณที่恐怖อย่างยิ่ง และงานระยะยาวที่มีบริบท 1 ล้าน ต้องการให้ร่องรอยนั้นยาวพอ

หากไม่มีการเพิ่มประสิทธิภาพฮาร์ดแวร์ที่ยอดเยี่ยมเป็นพื้นฐาน กระบวนการฝึกอบรมดังกล่าวก็ไม่สามารถดำเนินการได้จริง

แนวคิดของ RSI นั้น激进ยิ่งกว่า — มันให้ AI ออกแบบการทดลอง ดำเนินการทดลอง วิเคราะห์ผลลัพธ์ และปรับปรุงตัวเองอย่างต่อเนื่อง กลไกการลองผิดลองถูกที่มีความหนาแน่นสูงนี้ต้องการพลังการคำนวณที่แทบไม่มีที่สิ้นสุด

อย่างไรก็ตาม เมื่อ DeepSeek สามารถลดต้นทุนพลังการคำนวณได้สำเร็จผ่านการปรับโครงสร้างระบบนิเวศฮาร์ดแวร์ เส้นทางนี้ก็จะมีความเป็นไปได้

จาก MoE ถึง MLA จาก DSA ถึง CSA จาก Engram ถึง TileLang จากการบีบอัด KV Cache ถึงการโหลดแบบสตรีม LPDDR — นวัตกรรมทั้งหมดนี้最终指向เป้าหมาย核心เดียวกัน: ทำให้การฝึกอบรม AGI เปลี่ยนจาก “ไม่สามารถจ่ายได้” เป็น “สามารถจ่ายได้”

ทะเลดาวที่ Liang Wenfeng และ DeepSeek มองหา ไม่เคยเป็นคลื่นบนผิวน้ำ แต่เป็นกระแสน้ำที่ขับเคลื่อนทุกสิ่ง