DeepSeek AGI 策略：克制、低價與開源，如何換取更高的研究勝率

DeepSeek AGI 策略已形成一條可驗證的主線：壓低推論價格，把模型權重開放給市場，再把資源集中到 Agent 與長期研究。 2026 年 4 月推出的 V4 支援 100 萬 token 上下文。到了 6 月，DeepSeek 已占 Vercel AI Gateway token 量的 22.6%。低價並沒有把需求壓小，反而讓模型進入更多正式工作負載。

先把可驗證的事實與傳聞分開

DeepSeek 在 2026 年 4 月 24 日的 V4 公告中提醒，外部管道的說法不代表公司立場。這句話替所有策略分析劃了一條清楚界線。創辦人梁文鋒的非公開會議摘錄可以提供問題，不能直接當作逐字紀錄。

公開資料仍足以拼出方向。DeepSeek-V4-Pro 有 1.6 兆個總參數，每個 token 啟動 490 億個參數。V4-Flash 則有 2,840 億個總參數，啟動 130 億個。兩者都有 100 萬 token 上下文，也同時支援思考與非思考模式。

克制其實是一套資本配置方法

把產品視為研究的延伸，聽起來很浪漫。實際營運沒有這麼單純。DeepSeek 維持聊天產品、兩種 API 格式、快取計價、併發限制與舊模型退場時程。這些都是產品工作，而且每天會碰到可靠性與客服問題。

真正的差別在資源排序。V4 公告把 Agentic Coding 列為主要能力，官方徵才頁也同時招募 Code Agent 資料工程師、Agent Harness 與 Agent Infra 工程師。產品仍要運作，但團隊把最稀缺的研究人力放在能反過來協助模型開發的工作。

我認為這才是克制策略最值得研究的地方。它拒絕用功能數量衡量進度，改用每一筆投入能否提高研究速度來判斷。這會犧牲部分短期收入，也會讓產品缺口更明顯。回報則是較少的組織干擾，以及一條更短的研究回饋路徑。

外部資本讓研究理想開始接受財務檢驗

根據 2026 年 6 月 3 日的募資報導，DeepSeek 首輪外部募資約人民幣 500 億元，約合 NTD 2,380 億。投資後估值介於人民幣 3,500 億至 4,000 億元。梁文鋒預計投入人民幣 200 億元，騰訊與寧德時代分別考慮人民幣 100 億與 50 億元。

這些金額改變了公司的風險結構。算力與人才穩定度獲得較長跑道，外部股東也會要求治理、財務紀律與退出路徑。7 月 14 日又有報導指出，DeepSeek 正洽談約 NTD 486 億（US$1.5 billion）的新資金，估值可能達 NTD 2.3 兆（US$71 billion）。公司當時沒有回應。

研究優先仍可維持，代價是把承諾變成可稽核的資本配置。若大筆資金流向產品補洞或無差別擴張，克制就只剩口號。若資金提高訓練、推論與人才留任能力，這套策略才算成立。

低價與開放權重會擴大使用量，也會暴露成本

DeepSeek-V4-Flash 的快取未命中 input 價格為每百萬 token 約 NTD 5（US$0.14），output 約 NTD 9（US$0.28）。V4-Pro 分別約 NTD 14（US$0.435）與 NTD 28（US$0.87）。官方同時提供 OpenAI 相容與 Anthropic 相容的 API。

Vercel 的 2026 年 6 月資料提供了需求端證據。開放權重模型占 AI Gateway token 量的 29%，支出占比不到 4%。DeepSeek 單獨取得 22.6% token 量。大量運算正在流向便宜模型，但收入與使用量沒有同比例成長。

這種分發方式會把商業壓力推向兩個地方。第一是基礎設施效率，因為每個 token 的毛利很薄。第二是高價值工作能否留下來。低成本模型若只承接大量、低風險任務，供應商可能有規模，卻沒有足夠現金支持下一輪訓練。

Coding Agent 是橋梁，持續學習仍是研究賭注

目前的大型語言模型多半在部署後凍結權重，透過檢索、工具與定期再訓練取得新能力。持續學習希望模型吸收新任務時，也保留舊知識。2025 年刊於《ACM Computing Surveys》的綜述指出，持續微調仍會造成災難性遺忘。

DeepSeek 已在徵才頁列出 Frontier（持續學習／自我演化／新典範）研究職缺。這證明公司願意投入，無法證明問題已經解決。Coding Agent 比一般聊天產品更適合當中間層，因為程式碼有測試、版本差異與可重現失敗。模型可以在受控環境裡產生工作，再由驗證結果回饋。

這條因果鏈很誘人：Agent 產生程式碼，測試建立可驗證回饋，回饋改善下一輪模型，新的模型又提高研究產能。困難也很具體。資料會污染，錯誤可能被遞迴放大，模型更新後還可能忘記原有能力。任何自我改善主張都需要跨版本評測與回滾機制。

企業現在可以怎麼評估 DeepSeek

採購團隊不必判斷誰最接近 AGI。先把 DeepSeek 放進自己的任務集測試。成本要用每項完成任務計算，並納入重試、人工覆核、延遲與故障。資安評估則要涵蓋資料傳輸、保存位置、權限與供應商變更。

便宜 API 適合大量摘要、程式碼初檢與可容錯自動化。高風險決策仍需要更嚴格的模型評測與人工責任人。開放權重也不等於免費營運；自建環境還要負擔 GPU、記憶體、推論框架、監控與升級。

DeepSeek AGI 策略對企業最實用的啟示很樸素。模型層應保持可替換，評測與治理能力則要留在自己手上。這樣才能享受價格競爭，又不把流程綁死在單一供應商。

DeepSeek 的低價 API 能長期維持嗎？

目前無法確定。Vercel 資料顯示使用量成長很快，但開放權重模型只占不到 4% 的支出。長期能否維持，要看基礎設施效率、快取比例與高價值工作占比。

DeepSeek 已經解決持續學習了嗎？

沒有公開證據支持這個結論。官方徵才頁顯示公司正在招募相關研究人才；學術文獻仍把災難性遺忘列為主要難題。

開放權重會傷害 DeepSeek 的商業模式嗎？

它會壓低授權稀缺性，也能擴大採用與第三方整合。商業結果取決於第一方 API 的成本、可靠性與企業服務，而非權重是否可下載。

企業應該立刻把現有模型換成 DeepSeek 嗎？

不應只因單價就全面更換。先用代表性任務比較完成率、人工覆核量、延遲、資料風險與每項任務成本，再決定路由比例。

權威來源

• DeepSeek：V4 Preview 官方發布
• DeepSeek：V4 模型與 API 定價
• DeepSeek：官方徵才職缺
• Reuters：DeepSeek 首輪募資規模與投資人結構
• Vercel：2026 年 7 月 AI Gateway Production Index
• ACM Computing Surveys：大型語言模型的持續學習綜述
• TechCrunch：DeepSeek 第二輪募資與上市準備報導
• 中華民國中央銀行：2026 年 7 月 22 日新臺幣對美元收盤匯率

Author Insight

在模型採購與 AI 工作流程專案裡，我最常看到的誤判，是把便宜 token 當成便宜成果。重試、人工覆核與錯誤處理才會決定帳單。DeepSeek 的策略值得企業測試，前提是保留自己的評測集、觀測資料與替換能力。

Tenten 長期協助企業建立模型選型、Agent 工作流程與可稽核的評測機制。若你正在比較模型供應商，可以和 Tenten 團隊討論。

術語表

With over 20 years of experience in technology, and the startup industry, I am passionate about AI and driving innovation. Keeping the engine running

Loading...