近日，中国杭州的人工智能公司 DeepSeek 在国际学术期刊 Nature 上发布最新论文，首次披露其“R1”推理模型训练成本仅为 29.4 万美元，远低于业界对标模型通常数千万乃至上亿美元的开销。
论文中详细说明，DeepSeek 使用了 512 块英伟达（Nvidia）H800 GPU，训练时间约为 80 小时。
H800 是英伟达为了中国市场推出的芯片版本，因美国自 2022 年起对部分高端 AI 芯片—如 H100 和 A100—出口实施限制。H800 在性能和带宽上与这些高端型号有差别。
不过，DeepSeek 在补充材料中也首度承认，在 R1 的前期实验阶段曾使用 A100 GPU，但在正式的大规模训练中则主要依赖合法渠道获得的 H800。
这个成本数字一出，立刻在 AI 研发圈引起震动。为什么 DeepSeek 能以如此“低成本”完成一个在推理任务上颇具竞争力的大型语言模型？这不仅是技术层面的挑战，更涉及硬件、算法优化、训练策略等多个环节的协同突破。
从 DeepSeek 的论文与行业分析来看，其节省成本的关键因素包括：一是在训练硬件选择上规避了最高端但受限的型号，选择性能受限但合法可用的 H800；二是训练时长、资源调度（如并行/分布式策略的效率优化）做得非常精细；三是算法与模型架构（如强化学习、模型蒸馏等手段）被用于提升相对“少量计算”下模型在推理任务上的表现。
值得注意的是，这个数字虽令人瞩目，但并不代表 DeepSeek 一切成本都被覆盖。模型的基础 LLM（基础语言模型）训练、数据处理、后期微调与实际部署、维护等环节的投入可能远超这个“训练 R1 模型”的费用。DeepSeek 在之前版本 V3 的报告中提到，基础 LLM 本身的成本约为 600 万美元左右。
对国际 AI 生态而言，DeepSeek 此次披露的成本数据具有重大象征意义：它不仅挑战了外界对“大型模型必须投入高昂资源”的常规共识，也可能促使其它竞争者重新审视研发投入与效率之间的权衡。对于那些受限于资金、硬件或出口管制的团队而言，这种“低成本但高回报”的模型路径具有非常强的示范效应。
