每天處理 155 兆個 Token、毛利估計八成：DeepSeek 公開推論引擎，便宜的 AI 原來不是靠補貼

過去一年，矽谷流傳著一個說法：DeepSeek 的 API 之所以便宜得不合理，是因為它在燒錢搶市占，價格撐不了多久。

10 月下旬，這個說法遭到正面挑戰。DeepSeek 在 GitHub 上開源了自家正式環境使用的推論引擎 DeepInfer，以及搭配的前端閘道程式，同時公布了資料中心的實際營運數字。YouTube 科技頻道 WhatsWithAI 在影片中整理指出，DeepSeek 單一叢集每天處理約 155 兆個 Token；即使在離峰折扣時段，跑這套系統的一張 GPU 每小時仍可帶進約 38 美元營收。

講者拿這個數字對照企業級 AI 晶片每小時約 5 到 10 美元的運作成本，估算 DeepSeek 的毛利率約在八成上下。換句話說，便宜不等於賠錢。這件事之所以重要，在於它改寫了企業看待 AI 價格的方式：Token 的價格，正在由工程效率決定，而不只是由誰買了最多顯示卡決定。

真正的祕密不在模型有多聰明，而在每一張 GPU 被用得多滿

講者指出，DeepSeek 一年半前曾表示，正式環境的服務程式和私有資料中心綁得太緊，無法開源；這次等於兌現承諾。程式庫上線第一天就獲得超過 9,000 顆星，影片錄製時已接近兩萬。

他先從模型架構談起。DeepSeek-V4.1-Flash 把約 40 層的網路切成上下兩半，下半部負責「讀」提示，上半部負責「寫」答案，使用者輸入的長文只需要經過下半部，讀取的運算量一開始就省掉一半。模型總參數約 7,480 億，但讀取時只動用約 80 億、生成時約 160 億參數。

四個工程動作，各自省下一筆算力帳

講者整理了 DeepInfer 的四項關鍵設計，每一項背後都是一筆成本：

• 寬幅專家平行：讀提示用一般八卡伺服器，生成答案則串起 64 到 128 張 GPU，把 384 個「專家」分散到 128 張卡上。他形容這像把一百本書分給一百多人各拿一兩本，記憶體搬運量因此大減近九成。

• 負載平衡器：當某類問題湧入、特定專家被塞爆時，系統會即時把熱門專家複製到閒置的 GPU 上，像超市一看到排隊就加開收銀台，避免整個叢集等最慢的那一張卡。

• 會「收手」的推測解碼：小模型先替大模型猜接下來幾個字，再由大模型一次驗證。DeepSeek 加上信心判斷，一旦發現後面的猜測可能出錯就提早截斷，不浪費驗證的算力。講者說這讓整體速度再提升約 4% 到 7%。

• 有限重播：對話記憶只在高速記憶體中保留約三分鐘；使用者離開幾小時後再回來，系統不必重讀整段對話，只需重讀最後約 140 個字，接續幾乎是即時的。

另外，用 Rust 寫成的前端程式會把長提示切塊、平行轉成 Token，並把使用者輸入強制當成純文字處理，用來防範提示注入攻擊。

開源的是引擎，不是整座工廠

這套系統也有清楚的界線。講者提醒，DeepSeek 文件中明列了沒有公開的部分：約 100 PB 的儲存叢集、專屬的網路路由系統，以及全球負載平衡器。要跑出影片所描述的效能，至少需要 128 張 GPU 搭配 DeepSeek-V4.1-Flash 這個旗艦模型。

他用的比喻是：DeepSeek 給了外界一台商用烤箱，但自動化的整條烘焙產線仍留在自己手上。

硬體選擇同樣值得注意。DeepInfer 正式支援的是輝達最新的 Blackwell 架構，以及華為的昇騰 950，跳過了上一代的 H100。講者認為，這顯示 DeepSeek 想證明自己的大規模服務可以在中國自製晶片上運作，不必完全依賴西方硬體。

對台灣企業的意義：AI 帳單會越來越像一場效率競賽

以下是本文的分析推論，並非影片內容。

第一，Token 價格還有下修空間，但下修的來源是工程能力。講者認為，這會給代管開源模型、收取高額加價的雲端業者帶來壓力，vLLM 等社群推論引擎也可能吸收這些技巧。對企業而言，今天看到的報價不是天花板，也不是地板，採購時更適合簽有彈性、能隨市場調整的方案，而不是長期鎖死單一價格。

第二，「便宜」與「可用」要分開評估。DeepSeek 的低價建立在整套私有基礎設施之上，企業若想拿開源引擎自架，最低門檻就是上百張 GPU 與維運團隊，帳未必划算。此外，模型來源、資料落地與供應鏈風險，在台灣企業的法遵與資安審查中，往往比單價更早成為決策關鍵。

第三，定價差異會持續擴大，管理能力因此更重要。當不同供應商的價格與效能落差越來越大，同一項工作交給哪個模型、在什麼時段執行，就會直接反映在月底帳單上。

結語：下一次看到低價，先問效率從哪裡來

回到一年前那個疑問：DeepSeek 憑什麼這麼便宜？至少就它公開的數字來看，答案不是補貼，而是把每一張 GPU 用到極致。

對企業主管來說，比起追問「哪家最便宜」，更值得問的是「這個價格背後的效率是否可持續、資料與合規風險能否接受」。在模型與價格快速變動的時期，企業需要的是能同時比較多家模型、集中掌握用量與帳單的方式，像 AI Token King 這類多模型管理服務，就是讓這筆新成本看得見、也調得動的一種做法。

資料來源與編輯註記

• 來源影片：DeepSeek Just Shook the Entire AI Industry Again

• 頻道：WhatsWithAI

• 網址：https://www.youtube.com/watch?v=YX6QdIYVSgY

• 發布日期：2026 年 10 月 23 日（YouTube 標示時間，UTC）

• 擷取時觀看數：約 76 萬次（760,665 次，2026 年 10 月 29 日擷取）

• 編輯註記：本文依影片內容整理轉述，講者觀點均為轉述，非逐字翻譯；毛利率為影片講者的估算，並非 DeepSeek 官方財報數字。「對台灣企業的意義」一節及結語為本站編輯的分析推論，不代表講者立場。