DeepSeek估值超3500亿：AGI理想主义如何重写AI资本规则

1. 3500亿估值的事实拆解

1.1 两轮估值的跃迁轨迹

2025年底至2026年初，开润股份公告首次披露了DeepSeek的融资细节：投后估值约3508.77亿元人民币（约500亿美元）。这一数字在当时已足够震撼——一家几乎不对外收费、API近乎免费、模型全部MIT开源的公司，凭什么与OpenAI、Anthropic并列全球AI第一梯队？

2026年7月14日，《金融时报》报道DeepSeek启动二轮融资，投前估值710亿美元（约4814亿元人民币），较上一轮投后估值上涨37%。二轮计划募资至少100亿元，实际规模可能数倍于此。两轮间隔不到一年，估值曲线陡峭得让任何传统估值模型都无法拟合。

轮次	时间	估值	涨幅
首轮融资	2025年底-2026年初	投后500亿美元（~3509亿元）	—
二轮融资	2026年7月	投前710亿美元（~4814亿元）	+37%

1.2 投资方阵容：国家级战略意志的资本表达

DeepSeek的融资名单本身就是一份"AI国家战略"的参与方名录：

• 国家大基金（国家集成电路产业投资基金）：领投方。这是国家意志最直接的资金表达，意味着DeepSeek已被纳入国家战略性新兴产业的核心版图。
• 国家AI产业基金：跟进投资，形成国家级资金的双层背书。
• 腾讯：拟出资60亿元获2%股权。注意比例——2%意味着腾讯接受纯财务投资定位，不要决策权。
• 京东、网易：洽谈参投，互联网巨头集体进场。
• 宁德时代：产业资本入局，预示AI与实体产业的深度耦合。
• IDG资本、砺思资本：顶级风投跟进，验证一级市场对AGI叙事的高度认同。

一个关键细节：腾讯出资60亿仅占2%，反推本轮投后估值约3000亿元区间，与公开数据基本吻合。更关键的是，腾讯接受2%的持股比例，意味着它完全放弃了对这家公司的任何实质性影响力——这在腾讯的投资史上极为罕见。

1.3 梁文锋的股权架构：绝对控制的资本设计

梁文锋在融资前进行了精心设计的股权调整：

• 个人出资200亿元，占募资总额的40%
• 直接持股升至34%
• 合计控制84.29%股权
• 表决权100%

这套架构的核心信号极其明确：资本只能给钱，不能干预。梁文锋用200亿真金白银的个人出资，向市场证明这不是一场"套现游戏"，而是一场以个人全部身家为赌注的AGI长征。

对比其他AI公司的股权稀释路径——OpenAI从非营利转向营利后经历多次股权重构，Anthropic接受Google、Amazon数十亿美元投资后创始团队控制权大幅稀释——DeepSeek的股权设计展现出截然不同的资本哲学：先绝对控股，再选择性融资。

1.4 融资用途：算力军备与人才留存

DeepSeek明确表态：融资不为商业变现，核心目的是给员工期权定价、留住人才。

这一声明在资本市场上看似悖论——不给投资人讲商业化故事，凭什么拿到500亿估值？但恰恰是这个"反商业"姿态，构成了DeepSeek最核心的估值支撑。在一个AGI被视为下一次科技革命制高点的时代，"纯粹性"本身就是一种稀缺资产。

---

2. 估值逻辑：为什么"不赚钱"的公司值500亿

2.1 传统估值模型的系统性失效

PE（市盈率）估值法要求公司有利润，DeepSeek年营收约等于零，PE为无穷大。

PS（市销率）估值法要求公司有收入，DeepSeek API近乎免费、模型全开源，PS同样失效。

DCF（现金流折现）要求可预测的未来现金流，但DeepSeek的宣言是"不追求商业变现"。

传统估值模型建立在"公司终极目标是为股东创造财务回报"的假设之上。当一家公司的核心目标是AGI而非利润，传统模型必须被彻底重构。

AGI时代的新估值公式应该是：

V = 技术壁垒 × 战略地位 × 生态潜力 × 算力人才储备

其中每一项都是非财务指标，但每一项都可能在AGI突破的瞬间转化为指数级的财务价值。

2.2 五个支撑500亿估值的核心逻辑

逻辑一：AGI主权——下一个科技革命的制高点

AGI被公认为继蒸汽机、电力、信息技术之后的第四次科技革命核心。谁能率先实现AGI，谁就将获得对人类文明进程的超级影响力。这不是一个"市场机会"，而是一个"文明级别的战略高地"。500亿美元买一个"可能率先到达AGI"的期权，从概率加权的角度计算，这个定价并不疯狂。

逻辑二：全栈自主可控——100%自研的技术纵深

DeepSeek的技术栈从底层到应用层全部自研：模型架构（LMoE）、训练框架、算力调度系统、推理优化引擎。在美国对中国实施高端GPU出口管制的背景下，"自主可控"四个字本身就值千亿。这不是技术选择，而是生存必需。

逻辑三：开源生态霸权——事实标准即垄断

DeepSeek-V4、R1、Coder全系列MIT开源，API定价近乎免费。这套策略的深层逻辑是：免费是最贵的商业模式。全球开发者基于DeepSeek构建应用→DeepSeek成为事实上的技术标准→标准垄断→生态霸权→长期利润通过算力、数据、衍生服务回流。

Android的开源让Google掌控了移动互联网的入口，Linux的开源让Red Hat、IBM、AWS构建了数百亿美元的商业模式。DeepSeek正在复制并升级这一路径。

逻辑四：数据闭环——网络效应的指数级放大

全球用户使用DeepSeek模型→产生海量交互数据→数据回流用于模型训练→模型能力持续提升→吸引更多用户。这是一个典型的双边网络效应飞轮，且飞轮的转动成本由开源社区和第三方开发者共同承担。

逻辑五：国家级战略定位——中国AI国家队

国家大基金和国家AI产业基金的入局，将DeepSeek从"一家创业公司"升格为"国家战略能力载体"。这意味着DeepSeek的估值不再仅由市场决定，还包含了国家意志对AI主权的定价。当一项技术被定义为"国家战略"，其估值逻辑就从商业逻辑切换到了安全逻辑。

2.3 与OpenAI/Anthropic的估值对比

公司	估值	年营收	估值/营收比	开源策略	控制权结构
DeepSeek	$50B→$71B	~$0	∞	MIT全开源	创始人84.29%绝对控制
OpenAI	$157B（2025）	$40B+（预估）	~4x	闭源	非营利/营利混合架构
Anthropic	$61.5B（2025）	~$10B（预估）	~6x	部分开源	创始团队稀释显著
xAI	$50B（2025）	~$0	∞	部分开源	Musk绝对控制

DeepSeek的估值路径与xAI最为相似——同为创始人绝对控制、同为零营收、同为AGI理想主义驱动。但DeepSeek的开源策略比xAI更激进，而OpenAI和Anthropic的估值/营收比证明市场已经在为AGI预期支付高额溢价。DeepSeek的"无穷大"估值/营收比，本质上反映的是市场对其从"零"到"主宰"这一跃迁的极端押注。

---

3. 技术实力支撑：V4架构深度解析

估值必须有技术底座。DeepSeek V4正式版于2026年7月中旬上线，其核心技术LMoE（液态混合专家架构）是支撑高估值的硬实力基础。

3.1 LMoE：液态混合专家架构的技术突破

传统MoE的瓶颈

混合专家（Mixture of Experts, MoE）架构的核心思想是：模型由多个"专家"子网络组成，每个输入token只激活部分专家，从而在扩大参数规模的同时控制计算成本。Google Gemini、Mistral AI的Mixtral均采用此架构。

但传统MoE存在一个根本性问题：专家路由是静态或半静态的。在训练阶段确定的路由策略，在推理阶段难以根据输入动态调整。这导致部分专家过载、部分专家闲置，实际计算效率远低于理论值。

LMoE的核心创新：液态路由

DeepSeek LMoE（Liquid Mixture of Experts）的关键突破在于推理时动态调整参数激活策略：

1. 动态负载均衡：根据实时输入特征，动态分配token到不同专家，避免专家过载或闲置
2. 上下文感知路由：路由决策不仅基于当前token，还基于整个上下文的语义结构
3. 液态压缩：对低频激活的专家参数进行动态压缩，高频专家保持全精度

量化成果

根据DeepSeek官方技术报告，LMoE带来的性能提升：

• 推理延迟降低40%：在同等输出质量下，端到端响应时间减少40%
• 算力节省73%：完成相同推理任务所需的GPU计算量减少73%
• 支持1M tokens超长上下文：在百万级token长文本上保持稳定的注意力机制

40%的延迟降低和73%的算力节省是什么概念？如果DeepSeek的年算力成本是50-100亿美元，73%的节省意味着同等性能下每年节省36.5-73亿美元。LMoE不是论文里的技术指标，而是直接决定公司生存能力的核心工艺。

与竞品的架构对比

特性	DeepSeek LMoE	Google Gemini MoE	Mixtral 8x7B
路由策略	动态液态路由	静态/半静态路由	静态Top-K路由
推理延迟优化	-40%	基准	基准
算力节省	-73%	~30-40%	~25-30%
上下文长度	1M tokens	1M-2M tokens	32K tokens
开源程度	全开源	闭源	开源

3.2 训练成本优势：557.6万美元 vs 1亿美元+

DeepSeek-R1的训练成本仅557.6万美元，而业界普遍估计GPT-4的训练成本超过1亿美元，GPT-4级别的闭源模型训练成本通常在5000万-2亿美元区间。

低成本高性能的实现路径

DeepSeek的成本优势并非来自"偷工减料"，而是来自三条技术路线的系统性优化：

路线一：数据质量 > 数据数量

传统大模型训练信奉"堆数据"哲学——用数万亿token的庞大数据集淹没模型。DeepSeek走了相反的路：通过更精细的数据清洗、去重、质量筛选，用更少但更高质量的数据达到同等效果。R1的训练数据量显著小于同规模竞品，但数据的信息密度和多样性经过严格筛选。

路线二：算法优化 > 算力堆砌

DeepSeek在训练框架层面进行了深度定制：自定义分布式训练策略、动态精度调整、内存优化、通信压缩。这些工程优化使得同样的算力资源能产生数倍的训练效率。幻方量化在量化交易领域积累的极致工程能力，被完整迁移到了大模型训练场景。

路线三：架构创新降低总计算量

LMoE本身就在降低训练和推理的总计算需求。动态专家激活意味着模型总参数量可以做得更大（更强的表征能力），但实际激活参数不变甚至更少（更低的计算成本）。

557.6万美元训练出与GPT-4竞争水平的模型，这个成本数字本身就是一个强有力的估值支撑：它证明了DeepSeek拥有将同等技术能力以1/20成本生产出来的系统性优势。

3.3 开源技术栈与生态成熟度

DeepSeek的开源策略不是"放点代码意思一下"，而是全系列、全权重、可商用的深度开源：

• DeepSeek-V4：基座模型，全权重开源
• DeepSeek-R1：推理模型，全权重开源
• DeepSeek-Coder：代码模型，全权重开源
• API定价：近乎免费，定价约为OpenAI同等模型的1/10到1/20

GitHub生态数据

DeepSeek系列模型在GitHub上的星标（stars）增长速度位居国产大模型首位。全球开发者基于DeepSeek构建的衍生项目、微调模型、应用框架数量呈指数级增长。开源社区的自发性贡献，相当于DeepSeek以零人力成本获得了一支全球规模的分布式研发团队。

MIT许可证的选择也经过精确计算：比Apache更宽松（无专利条款限制），比GPL更商业友好（无copyleft约束），最大化降低企业和开发者采用的法律门槛。

---

4. 资本博弈：梁文锋的资本智慧

4.1 股权架构：控制权优先于估值最大化

梁文锋在融资前将个人直接持股升至34%，合计控制84.29%股权，表决权100%。这套设计的精妙之处在于：

拒绝阿里的智慧：据报道阿里曾希望以更高估值投资，但要求获得决策权或董事会席位。梁文锋拒绝。对一家以AGI为终极目标的公司而言，任何可能干扰长期技术路线的资本声音都是致命风险。

接受腾讯的智慧：腾讯拟出资60亿仅占2%，意味着腾讯完全接受纯财务投资定位。梁文锋只接受"安静的资本"。

个人出资200亿的信号：募资总额中40%来自创始人个人。这不是因为缺这200亿，而是一个极端强烈的信号——创始人用自己的全部身家与所有外部投资人共担风险。在AGI这个长周期、高不确定性的事业中，创始人个人投入的深度，直接决定了资本对其长期承诺的可信度。

4.2 融资节奏：先控股，再融资

DeepSeek的融资节奏完全反向于 typical startup 路径：

• 典型路径：先融小钱、释放股权、做数据、再融大钱、持续稀释、最终IPO或被收购
• DeepSeek路径：先通过幻方量化积累足够资金→绝对控股→选择性引入战略资本→拒绝上市→保持私有

"只融资不上市"是一个关键决策。上市意味着季度财报压力、股东短期回报诉求、股价波动对团队心态的干扰。梁文锋显然认为，在AGI这场可能持续十年以上的马拉松中，上市公司的治理结构是一种负担而非助力。

4.3 人才留存：从"废纸"到"真金白银"

DeepSeek面临的最紧迫挑战不是算力，不是数据，而是人才流失。

2025年下半年，5名核心研发人员离职，被字节跳动、小米等公司高薪挖走。在AI人才市场上，顶级研究员的年薪报价已达千万级别，创业公司很难与巨头的薪酬包竞争。

500亿美元估值彻底改变了这个等式：

• 一名核心员工持有0.1%的期权 = 5000万美元
• 一名资深工程师持有0.01%的期权 = 500万美元
• 即使持有0.001%的期权 = 500万美元

在首轮融资之前，这些期权几乎是"废纸"——没有公允价值、没有流动性、没有退出路径。500亿美元估值赋予了期权明确的公允定价：员工可以清楚地知道自己手中的期权值多少钱，公司也可以据此设计有竞争力的薪酬包。

这是DeepSeek融资最务实的目的：不是买算力，是买人。在AGI竞赛中，算力可以花钱买，但顶级的算法人才和工程人才是无法通过市场购买的稀缺资源。

---

5. 行业影响：DeepSeek正在改写什么

5.1 估值范式革命：从商业化能力到AGI战略价值

DeepSeek的500亿估值宣告了一种全新估值范式的确立：

• 旧范式：公司价值 = 未来现金流折现 = 商业化能力 × 盈利能力
• 新范式：公司价值 = AGI到达概率 × AGI到达后的影响力 × 战略不可替代性

在这个新范式下，"短期不赚钱"不仅不是减分项，反而可能是加分项——因为它意味着公司没有为了短期营收而偏离长期AGI目标。资本愿意为"纯粹性"支付溢价，因为纯粹性在AGI竞赛中是一种战略资产。

5.2 开源商业模式重构：免费是最贵的商业模式

DeepSeek的开源策略正在重写AI商业规则：

第一层：免费获取用户和开发者
MIT开源 + 近乎免费的API，使得全球开发者和企业零成本接入DeepSeek生态。用户获取成本（CAC）趋近于零。

第二层：成为事实标准
当全球数百万开发者基于DeepSeek构建应用时，DeepSeek的模型架构、API接口、权重格式就成为事实上的行业标准。标准即垄断。

第三层：生态霸权
围绕DeepSeek形成一个庞大的应用层、工具层、服务层生态。这个生态的参与者越多，DeepSeek作为底层基础设施的价值就越大。

第四层：利润回流
长期来看，利润通过以下路径回流：

• 私有化部署和企业服务
• 算力云服务（DeepSeek可自营或与云厂商分成）
• 高级功能和垂直领域模型
• 数据资产的价值积累

这与Android的路径高度相似：Android系统免费开源→成为全球移动操作系统霸主→Google通过GMS、Play Store、广告获得数千亿美元回报。

5.3 中国AI产业的战略意义

DeepSeek的崛起标志着中国AI产业从"应用跟随"向"底层模型引领"的战略转型：

• 技术层面：在基座模型架构（LMoE）、训练效率、推理优化等核心领域达到或超越国际一流水平
• 生态层面：通过开源策略建立全球开发者生态，打破OpenAI/Anthropic的闭源垄断
• 资本层面：证明中国一级市场有能力为AGI理想主义提供充足、耐心的资本支持
• 国家战略层面：国家大基金的入局，代表举国体制与市场资本形成了双轮驱动

DeepSeek的存在本身，就是中国AI主权的一张关键底牌。

---

6. 风险与挑战

6.1 技术风险

AGI突破的不确定性

当前所有AI公司，包括OpenAI、DeepSeek、Anthropic，都没有明确的AGI实现路径图。AGI是一个"知道存在但不知道如何到达"的目标。如果未来5-10年内AGI没有实质性突破，资本耐心将耗尽，估值将大幅回调。

核心人才持续流失

虽然500亿估值大幅提升了期权价值，但字节、小米等巨头仍在以更高现金薪酬挖人。AI人才市场的竞争是零和博弈，DeepSeek需要在"理想主义感召"和"物质回报"之间维持精妙的平衡。

模型迭代速度

OpenAI、Google、Meta的算力投入规模远超DeepSeek。如果模型迭代速度跟不上巨头，技术领先优势可能迅速丧失。

6.2 商业风险

"不商业化"宣言 vs 巨额融资的可持续性

DeepSeek明确声明不追求商业变现，但年算力成本高达50-100亿美元。幻方量化年营收约50亿元，即使全部投入也远远不够。这意味着DeepSeek对后续融资有极强的依赖性。

如果AGI突破延迟，或者资本市场环境恶化，DeepSeek可能面临"融资断裂"风险。届时，要么被迫商业化，要么被迫接受更苛刻的融资条款。

期权变现的流动性困境

员工期权虽然有了公允定价，但DeepSeek不上市，没有公开市场退出路径。期权变现依赖于公司回购或老股转让，流动性仍然受限。如果员工无法实际兑现期权价值，"500万美元期权"仍然是纸面财富。

6.3 地缘政治风险

美国监管压力

美国国会曾对DeepSeek提出质疑，担忧其技术可能被用于"不符合美国利益"的场景。未来美国可能扩大对AI技术的出口管制范围，或者对使用DeepSeek模型的企业施加次级制裁。

高端GPU供应限制

在美国对华高端GPU出口管制的背景下，DeepSeek的算力扩张面临物理天花板。虽然DeepSeek已在适配华为昇腾芯片，但昇腾的生态成熟度和软件栈完善度与NVIDIA仍有显著差距。算力自主可控是一个必须解决但尚未完全解决的问题。

---

7. 对开发者和企业的启示

7.1 基于DeepSeek开源模型构建产品的窗口期

DeepSeek全系列MIT开源 + API近乎免费，为开发者和企业提供了一个前所未有的低门槛入场窗口：

• 创业团队：可以零成本获得与GPT-4竞争水平的基础模型能力，将资源集中在产品创新和用户获取上
• 企业用户：可以私有化部署DeepSeek模型，避免数据上传到闭源服务商的安全风险
• 开发者：可以在DeepSeek基础上进行领域微调、构建垂直应用，无需从头训练基座模型

这个窗口期不会永远存在。当DeepSeek建立足够的生态霸权后，其商业变现策略可能逐步收紧。当前阶段是最佳的"搭车"时机。

7.2 自研 vs 基于开源模型的决策框架

对于有条件进行大模型自研的企业，需要在"自研"和"基于DeepSeek开源"之间做出战略选择：

维度	自研基座模型	基于DeepSeek开源
前期投入	数亿至数十亿元	接近零
技术风险	高（可能做不出竞争力）	低（已有验证的基座）
差异化空间	完全自主定义	在应用层/领域层差异化
数据安全	完全自主可控	私有化部署可实现同等安全
长期成本	持续的算力和人才投入	可控的服务/授权成本
迭代速度	依赖自身研发能力	享受DeepSeek社区迭代红利

对于大多数企业，"基于DeepSeek开源 + 领域微调 + 应用创新"是更理性的选择。只有极少数拥有独特数据资产和长期AI战略的超大型企业，才值得考虑自研基座模型。

7.3 技术决策的底层逻辑

DeepSeek的案例揭示了一个更深层的趋势：在AGI时代，技术决策的本质是主权决策。

选择闭源模型，意味着将你的技术栈建立在别人控制的地基之上。选择开源模型，意味着获得技术主权，但也意味着你需要自己承担更多的工程和运营责任。

DeepSeek的500亿估值，本质上是市场对"AI主权"这个概念的定价。对于每一个技术决策者而言，这个定价传递的信号是：在AGI这个级别的技术竞争中，没有中立地带。要么拥有主权，要么依附于他国/他公司的技术霸权。

---

结语

DeepSeek的估值故事，是AGI理想主义与资本规则的一次正面碰撞。梁文锋用84.29%的绝对控股权宣告了"资本不能指挥AGI"的原则，用200亿个人出资证明了这不是一场套现游戏，用MIT全开源挑战了闭源商业模式的合法性。

500亿美元不是终点。如果DeepSeek率先突破AGI，这个估值将被证明是极其便宜的。如果AGI长期未至，这个估值将面临残酷的修正。

但无论结果如何，DeepSeek已经在做一件事：它正在重写AI时代的资本规则，证明在这个时代，纯粹的技术理想主义可以与强大的资本力量共存——前提是，你从一开始就知道自己想要什么，并且绝不妥协。

"我们融资不是为了赚钱，是为了给AGI买一个不被打扰的明天。"——这句话如果出自别人之口，可能是包装。但当说话者已经押上了200亿个人资产和100%的表决权时，市场选择相信。

---

本文所有财务数据、股权比例、技术参数均来自公开披露信息，包括开润股份公告、《金融时报》报道、DeepSeek官方技术文档及公开报道。估值数据随市场变化可能实时调整，仅供参考。