LLMs之DeepSeek：AI模型市场深度分析：DeepSeek的挑战与机遇，模型市场份额、Token经济学与未来发展

导读：该文章主要分析了中国大语言模型DeepSeek R1发布150天后的市场表现、Token经济学的影响以及AI模型市场的竞争格局。文章指出，DeepSeek R1虽然在发布初期引起轰动，但其自身托管服务的用户增长乏力，而第三方托管的DeepSeek模型使用量却大幅增长。文章深入探讨了Token经济学中的关键KPI（延迟、交互性、上下文窗口）如何影响模型定价和用户体验，并分析了DeepSeek在这些方面的权衡。此外，文章还将Anthropic与DeepSeek进行了对比，指出两者都面临计算资源约束的问题。最后，文章探讨了Inference云的兴起以及AI模型市场未来的发展趋势。

目录

AI模型市场深度分析：DeepSeek的挑战与机遇，模型市场份额、Token经济学与未来发展

1. A Boom and… Bust?（繁荣与…萧条？）

2. Tokenomics Basics（Token经济学基础）

3. DeepSeek Trade-Offs（DeepSeek的权衡）

4. Anthropic is More Like DeepSeek than They’d like to Admit（Anthropic比他们愿意承认的更像DeepSeek）

5. Speed Can be Compensated for（速度可以被弥补）

6. Rise of the Inference Clouds（推理云的兴起）

---

AI模型市场深度分析：DeepSeek的挑战与机遇，模型市场份额、Token经济学与未来发展

这篇文章深入分析了DeepSeek R1发布后的市场表现，并从Token经济学的角度探讨了AI模型市场的竞争格局。文章指出，DeepSeek的低价策略是以牺牲用户体验为代价的，而Anthropic则通过提高模型效率来弥补计算资源上的不足。文章还探讨了Inference云的兴起以及AI模型市场未来的发展趋势。总的来说，这篇文章对AI模型市场的发展现状和未来趋势进行了全面的分析，为模型提供商和用户提供了有价值的参考。

地址	DeepSeek Debrief: >128 Days Later  – SemiAnalysis
时间	2025年7月3日
作者	semianalysis

1. A Boom and… Bust?（繁荣与…萧条？）

DeepSeek R1发布后，用户流量最初出现激增，但随后增长停滞，市场份额下降。虽然DeepSeek自身平台表现不佳，但第三方平台对DeepSeek模型的使用量却显著增长

• DeepSeek R1发布初期市场反应强烈，但未能维持增长势头。
• DeepSeek自身托管服务的用户增长乏力。
• 第三方托管的DeepSeek模型使用量大幅增长，表明模型本身受欢迎，但DeepSeek的服务可能存在问题。

• 思考：
  • 模型发布后的持续增长需要有效的用户获取和留存策略。
  • 第三方合作是扩大模型影响力的重要途径。
  • 模型提供商需要关注自身平台的用户体验，以避免用户流失。

Source: SemiAnalysis, Company prices

Source: SemiAnalysis, SimilarWeb

Source: SemiAnalysis, OpenRouter

Source: SemiAnalysis, OpenRouter

2. Tokenomics Basics（Token经济学基础）

介绍了Token经济学的基本概念，包括Token的定义、AI工厂的运作模式以及模型提供商可以调整的关键KPI。

• Token是AI模型处理和生成内容的基本单位。
• AI工厂通过Token的输入和输出来盈利。
• 模型提供商可以通过调整延迟、交互性和上下文窗口等KPI来优化Token定价。
• 单纯讨论Token价格而不考虑KPI是不全面的。

• 思考：
  • 理解Token经济学是优化AI模型服务和定价的关键。
  • 模型提供商需要根据自身硬件和模型特点，权衡不同KPI之间的关系。
  • 用户需要根据自身需求选择合适的模型和服务。

3. DeepSeek Trade-Offs（DeepSeek的权衡）

分析了DeepSeek在Token经济学方面的权衡，指出其低价策略是以牺牲延迟和上下文窗口为代价的。

• DeepSeek通过牺牲延迟来降低Token价格，导致用户体验不佳。
• DeepSeek的上下文窗口较小，限制了其在某些领域的应用。
• DeepSeek通过高批量处理来降低成本，但进一步降低了用户体验。
• DeepSeek专注于AGI研究，不重视终端用户体验。

• 思考：
  • 模型提供商需要在价格、延迟、交互性和上下文窗口之间进行权衡。
  • 不同的用户群体对不同KPI的敏感度不同。
  • 专注于特定目标（如AGI研究）可能会导致在其他方面的妥协。

4. Anthropic is More Like DeepSeek than They’d like to Admit（Anthropic比他们愿意承认的更像DeepSeek）

将Anthropic与DeepSeek进行对比，指出两者都面临计算资源约束的问题，并分析了Anthropic在代码领域的成功和挑战。

• Anthropic和DeepSeek都面临计算资源约束。
• Anthropic在代码领域取得了成功，但同时也面临计算压力。
• Anthropic通过与Amazon和Google合作来获取更多计算资源。

• 思考：
  • 计算资源是AI模型发展的关键瓶颈。
  • 专注于特定领域可以提高模型竞争力。
  • 与大型科技公司合作是获取计算资源的重要途径。

5. Speed Can be Compensated for（速度可以被弥补）

 探讨了速度在AI模型中的重要性，并指出Anthropic通过提高模型效率来弥补速度上的不足。

• 速度是影响用户体验的重要因素。
• Anthropic通过提高模型效率来减少Token使用量，从而降低端到端响应时间。
• 模型效率是提高竞争力的重要途径。

• 思考：
  • 模型提供商可以通过优化模型结构和算法来提高效率。
  • 用户需要关注模型的端到端响应时间，而不仅仅是Token生成速度。

6. Rise of the Inference Clouds（推理云的兴起）

• 介绍了Inference云的兴起，以及越来越多的公司开始销售Token作为服务。
  • Inference云正在兴起，越来越多的公司开始提供AI模型推理服务。
  • 越来越多的公司开始销售Token作为服务，而不是捆绑订阅。

• 思考：
  • Inference云为AI模型提供商提供了新的商业模式。
  • 销售Token作为服务可以更好地满足用户多样化的需求。