近期，DeepSeek推出的V4 Flash版本API进入公测阶段，这一动作在人工智能领域引发广泛关注。该版本并未在参数规模上做文章，也未改变底层架构，主要变化集中在后训练环节。然而，其表现令人惊喜，在Terminal Bench 2.1等Agent指标上有显著提升。价格方面，缓存命中输入每百万Token仅0.02元，未命中输入为1元，输出为2元，如此定价策略在行业内激起千层浪。
第三方评测机构Artificial Analysis的对比数据让这种冲击更为直观。在智能指数均为50分的情况下，按特定比例混合计算，DeepSeek V4 Flash每百万Token价格仅为0.06美元，而Gemini 3.6 Flash高达1.16美元，二者差距约19倍。这一巨大差异使得“DeepSeek斩杀线”在开发者和投资圈迅速流行开来。所谓“斩杀线”，并非官方定义，而是市场对价格—性能边界的一种形象概括。它意味着，若模型能力不及DeepSeek，价格却更高，将失去规模化应用的基础；即便能力稍强，但价格贵出十几倍，也需证明这点差距能为客户创造相应倍数价值。
大模型对软件、搜索、内容生产及企业流程的变革作用毋庸置疑，但围绕其商业前景的争议从未停歇。人们不禁思考，如此关键的技术，能否自然发展成高长期回报的生意？从目前公开数据来看，答案并不乐观。
成本端的情况更为复杂。除预训练成本外，后训练、数据清洗、评测、安全、人才及实验消耗等都是开支项。模型上线后，每次调用仍会产生推理成本。自建算力时，这些支出表现为服务器、数据中心、折旧和电力成本；租云时，则转化为云费用或长期算力承诺。
判断大模型生意好坏，不能仅看毛利率，自由现金流更为关键。训练投入可资本化或被融资暂时掩盖，推理降本能使单次毛利好看，但只要下一代模型仍需巨额投入，账面毛利就不等同于股东最终能获得的现金。
巴菲特在2007年致股东信中谈及“好生意”时，强调企业能否依靠持久护城河保护投入资本回报率，而非市场规模大小。他还提醒，需持续重建的护城河，难以称得上真正的护城河。对于大模型行业，可从利润增长所需资本、成本下降能否留存于公司利润表、客户更换供应商代价三个可验证指标，即资本开支、定价权和迁移成本来分析。
大模型行业面临的首要挑战是领先优势保质期短。用于训练最强模型的集群，虽可承担推理和实验任务，但难以保证下一代模型继续领先。新架构、芯片、数据及后训练方法出现后，原有优势需重新投资。Epoch AI对45个前沿模型估算显示，自2016年以来，最终训练运行的硬件和能源摊销成本年均增长约2.4倍，其中硬件占开发成本47%—67%，研发人员占29%—49%。若历史趋势延续，2027年前后最大训练运行成本可能超10亿美元，方向明确：模型能力越前沿，入场成本越高。
科技巨头的资本开支计划也印证了这一点。Amazon预计2026年全集团资本开支约2000亿美元；Alphabet二季度将全年指引上调至1950亿—2050亿美元；meta给出区间为1300亿—1450亿美元。这些数据涵盖云计算、广告、芯片、物流等全部业务，虽不能全算在大模型头上，但AI算力需求是主要投入驱动因素。
现金流数据更能说明问题。Amazon二季度披露，过去12个月自由现金流由流入182亿美元转为流出76亿美元，物业和设备净采购同比增加661亿美元，主要反映AI投资；meta二季度资本开支310.8亿美元，自由现金流仅7.84亿美元。这两家公司原有业务造血能力强，仍能承受投入。而纯模型公司无广告、电商或成熟云业务支撑，融资条件变化时，压力更为直接。基础模型公司与云厂商在资本开支上也有区别，云厂商资本开支可服务多方面，模型公司租用资源时，需用Token收入覆盖云厂商成本和利润，资本密集度并未消失，只是转移了位置。
大模型行业定价权情况特殊。通常情况下，技术降本先改善企业利润，但大模型行业降本成果很快被竞争传递给客户。Stanford 2025 AI Index统计，同等GPT - 3.5水平系统查询成本从2022年11月每百万Token 20美元降至2024年10月0.07美元，18个月下降超280倍；同期硬件成本年均下降约30%，能效年均改善约40%。若行业供给者少、产品差异长期稳定，成本下降可沉淀为毛利，但现实是模型能力在收敛，开源权重提供价格锚，云厂商可用其他业务补贴模型。Stanford 2026 AI Index显示，截至2026年3月，Arena榜单前四家公司差距在25个Elo分以内，顶级闭源和开源模型差距仅3.3%，这使得采购方议价能力增强。
Agent普及进一步放大了价格敏感度。复杂任务涉及连续规划、调用工具、读取文件、执行代码及自检，Token消耗远高于问答。模型能力领先可能减少重试次数，但价格差距会直接影响产品规模化运行。采购指标正从“谁最聪明”转向“完成工作总成本”。调用量增长虽可抵消单价下滑，但需满足用量增速长期跑赢价格下降和新增研发投入的严苛条件。DeepSeek低价虽证明技术效率，但也成为全行业新报价基准，至少现阶段降本红利更多流向开发者和应用公司。
再看客户迁移成本。接口标准化降低了切换难度。DeepSeek官方文档显示，其API兼容OpenAI和Anthropic格式，开发者修改配置即可接入；Claude Code、GitHub Copilot、OpenCode等工具可直接将DeepSeek作为后端；LiteLLM等开源网关将100多种模型纳入统一接口，并提供路由、负载均衡和故障切换功能。这对开发者有利，对模型供应商却不利。企业沉淀的是用户账号、业务数据、提示词、评测集、权限体系和流程配置，只要这些资产留在应用层或企业网关，更换底层模型多为工程项目，而非业务重建。高合规行业有迁移成本，复杂Agent存在模型行为差异，但总体趋势是切换难度下降。“斩杀线”在此显现两面性，DeepSeek凭性价比获调用量，也说明客户会因性价比迁移，若赢家不能将调用量转化为生态、数据或工作流，也可能被替代。
对于“大模型不是好生意”的判断，有三种反驳观点。一是推理具规模经济，利用率越高单位成本越低；二是前沿智能稀缺，科研、代码和决策等难题愿支付溢价；三是巨额资本开支可阻挡竞争者，行业最终只剩少数平台。但这三条更多解释少数公司存活原因，不能证明基础模型层平均是好生意。规模经济需降本不被价格战完全传导才形成利润；前沿溢价仅覆盖金字塔尖任务且需每代模型重新证明；寡头格局可能让云厂商通过捆绑等手段继续压价。还需区分大厂和纯模型公司，大厂做模型不一定靠模型API赚钱，其利润来自全栈回报，不能反推纯基础模型是好生意。基础模型会强者恒强，但胜者少不等于胜者资本回报高，例外可能是兼具最低成本、稳定分发和多层变现能力的平台。
未来行业结构或呈“少数闭源前沿平台＋长期存在的开源价格锚＋大量多模型应用”态势。基础模型利润池将重新分配，基础模型公司有三条出路。一是做成本领先者，自研芯片、优化推理调度等不仅是后台优化，更是商业模式本身，只有单位成本长期低于行业价格下降速度，低价才非自我消耗。二是进入垂直行业，金融、医疗等领域不仅买回答，还买准确率等，专有数据与交付能力可将模型差异转化为业务风险差异，企业愿接受稳定溢价。三是向应用和工作流下沉，掌握用户入口等资源可提高迁移成本，更适合从Token计费转向席位等计费方式，模型仍是核心，但客户付费对象变为完整工作。
