研究機構：DeepSeek 新旗艦模型運行成本遠低於競爭者

人工智慧模型比較與分析機構 Artificial Analysis 的評估顯示，中國 AI 新創公司深度求索（DeepSeek）新旗艦模型的運行成本，明顯低於同級競爭者。在模型能力逐漸趨同的環境下，成本結構正成為決定採用率的關鍵變數。

推論成本的差異通常來自幾個技術層面。首先是架構設計——混合專家（MoE）架構讓模型總參數量龐大，但每次推論只啟用其中一部分，能在維持知識容量的同時大幅壓低單次運算量。其次是注意力機制與快取策略的優化，這直接影響長上下文處理時的記憶體佔用與運算開銷。第三是推論框架與硬體配置的協同調校，同樣的模型在不同部署方式下的單位成本可能相差數倍。

成本優勢的市場意義正在放大。對多數企業應用而言，模型能力的邊際提升與成本的邊際上升之間存在明確的取捨點——當任務不需要最頂尖的推理能力時，價格與可控性往往成為決定性因素。這也解釋了近期在亞洲市場出現的採用趨勢：價格較低的模型正快速取得滲透率，即便美方積極推動本國模型的採用。

這個趨勢也回過頭影響了美國的產業動態。矽谷近期出現一波以建立美國版開源模型為目標的創業潮，正是為了填補「可自主部署且成本可控」的市場缺口；不過這些團隊普遍面臨創投興趣有限、預算精簡的困境，能否在能力上追趕仍是未知數。

對台灣的企業與開發者而言，實際的評估重點在總持有成本而非單一指標。除了每百萬詞元的定價，還需要納入延遲表現、可用性保證、資料處理條款與跨境合規要求。特別是在資料主權要求較嚴格的產業，部署方式的彈性往往比價格更具決定性。

後續值得觀察的，包括獨立基準測試對能力差距的量化、主要供應商的定價策略調整，以及企業實際採用比例的變化。