DeepSeek的低价底气来自两项底层架构革新：MoE（混合专家模型）将万亿参数模型拆成多个「专家子网」，每次推理只激活10-20%的参数，算力消耗骤降；稀疏注意力机制（DSA）则用「先筛选、后计算」策略，把注意力计算复杂度从O(L²)砍到O(L×k)，在k=2048、128K上下文时计算量减少约98%。两项叠加，V4版本的缓存显存占用降至前代十分之一，缓存命中价格仅为行业均价3%——不是牺牲利润，是工程优化直接改写了成本结构。

2024年以前，大模型行业的主流叙事是「参数军备竞赛」——谁家模型参数多、谁更贵，谁就赢。OpenAI的GPT-4训练成本据估超1亿美元，API定价高企；国内厂商也纷纷打出「万亿参数」旗号，但实际推理成本高到普通开发者用不起。转折点出现在2025年：MoE架构从学术论文走向工程落地，GPT-5、Qwen3、Claude全部采用稀疏激活，行业开始意识到「参数多≠能力强」。DeepSeek正是在这个节点，用极致工程优化把推理成本打到行业地板，彻底终结了「堆参数=强」的旧逻辑。

梁文锋把开源视为「增加AGI实现概率」的战略克制——模型全开源、无阉割版，换开发者生态和团队凝聚力。而OpenAI直到2025年才重新考虑开源，推出gpt-oss系列，但训练数据与代码仍保留，被批评为「半开源」。双方路径截然不同：DeepSeek赌的是用生态渗透换取全球影响力，OpenAI则试图用技术高墙锁定利润。兰德公司报告指出，中美AI竞争已从参数比拼转向生态影响力之争——中国开源模型全球下载量已超越美国，开发者默认选中国模型的现象正在发生。

DeepSeek永久降价75%后，小米、腾讯云已迅速跟进，最高降幅达99%。但这场价格战不是谁都扛得住——依赖闭源模型高利润的厂商（如OpenAI、Anthropic）面临「跟则利润大降，不跟则份额流失」的两难；靠补贴烧钱换市场的中间层公司则可能被直接出清。关键变量在于：国产算力适配（昇腾910B、FlagOS 2.0）能否支撑起全行业降本，以及2026年Q1的行业API调用量数据——若中小开发者涌入量超预期，降价方反而能靠规模效应盈亏平衡。

梁文锋说「只赚合理利润，不是利润最大化」，这句话背后的潜台词是：大模型API的终极形态是基础设施，利润会无限趋薄。真正值得追问的不是「DeepSeek还能降多少价」，而是：当调用成本趋近于零，哪些行业会被AI重构？哪些角色会失业？一个具体切入点是AICoding市场——目前SWE-Bench最高分已达80%，但工具链（IDE、调试、部署）仍散落各处，谁先做出「模型+工具链」闭环，谁就拿到下一个十年的入场券。