DeepSeek 1元百萬Token：AI創業迴歸產品

據 Woofun AI 消息，DeepSeek V4-Flash 正式版 API 於 7 月 31 日上線公測，這一動作直接重塑了 AI 應用創業者的成本結構與技術選型邏輯。對於長期受制於模型調用高額的團隊而言，這不僅是一次價格調整，更是底層生產資料屬性的根本性轉變。此前，高昂的 Token 費用迫使許多初創公司在產品功能與成本控制之間艱難平衡，而 V4-Flash 的出現，通過極低的單位成本，爲 AI 應用創業者提供了一張無需依賴資本輸血即可驗證商業模式的入場券，標誌着行業競爭焦點開始從上游模型能力的軍備競賽，向下遊產品體驗與場景落地的務實迴歸。

在具體的定價策略與技術參數上，V4-Flash 展現出了極具破壞力的性價比。其基礎定價爲每百萬輸入 token 1 元，每百萬輸出 token 2 元，而在緩存命中場景下，每百萬輸入 token 的成本進一步壓縮至僅 2 分錢。該模型支持高達 100 萬上下文長度，並全面兼容思考模式、工具調用以及 Responses API，單賬戶併發連接上限提升至 2500。

儘管 DeepSeek 計劃後續實施峯谷定價策略，即在高峯時段價格翻倍，但即便在此前提下，其絕對價格水平依然極具競爭力。根據官方換算標準，1 箇中文字符約消耗 0.6 個 token，這意味着 100 萬 token 可處理約 167 萬個中文字符。若僅計算輸入成本，處理如此規模的數據賬面價格僅爲 1 元。

這種價格體系直接擊穿了傳統大模型服務的成本認知，使得高頻、大規模的文本處理在經濟上變得可行，爲依賴大量上下文理解的複雜應用場景掃清了財務障礙。

深入剖析當前 AI 應用的商業模式，其本質往往被過度包裝，實則迴歸到最基礎的流通環節。在與 ChatGPT 的交互測試中，筆者指出現階段跑通的 AI 應用商業模式，核心邏輯即爲“倒賣 token”。

儘管 AI 助手傾向於使用“推理能力零售”或“智能服務封裝”等更爲體面的術語來修飾這一行爲，但商業實質並未改變：倒賣就是倒賣，難聽的表述並不掩蓋其準確性。AI 應用雖被視爲近年來的新興創業方向，但其底層運作遵循的是傳統的貿易邏輯——進貨、加工、定價，最終銷售。

這一邏輯鏈條中，進貨價即模型調用成本，加工即提示詞工程與流程編排，定價則取決於用戶感知的價值。值得注意的是，許多產業變革的初期，往往伴隨着進貨價的斷崖式下跌，從而釋放出巨大的利潤空間與商業可能性。當模型供應商的價格體系發生劇烈變動，下游應用層的商業結構必然隨之重構，那些原本因成本過高而無法成立的商業模式，如今可能迎來轉機。

傳統 SaaS 軟件與 AI 應用在成本分攤機制上存在根本性差異，這一差異決定了兩者截然不同的盈利曲線。在傳統軟件開發中，一旦代碼編寫完成，將其分發給 1000 人或 100 萬人，邊際成本極低。新增用戶雖會帶來帶寬、存儲及服務資源的消耗，但隨着規模擴大，這些固定成本會被迅速攤薄，形成典型的規模效應。

然而，AI 應用的成本結構與此截然不同。用戶每生成一張圖片、撰寫一份報告、編寫一段代碼，或讓 Agent 執行一個額外步驟，應用公司都必須重新調用上游模型，每一次用戶交互都對應着一次真實的資金支出。換言之，用戶每點擊一次按鈕，上游模型提供商就會收取一次費用。

這種按次付費的剛性成本，使得 AI 應用無法單純依靠用戶規模的線性增長來降低單位成本，除非通過極高的轉化率或附加價值來覆蓋持續的推理開銷。因此，理解這一成本結構的特殊性，是構建可持續 AI 業務的前提。

基於上述成本結構，大多數純軟件 AI 應用目前採用的基礎商業模式顯得簡單而直接：從模型公司採購 token，將通用模型能力封裝爲寫作、編程、設計、客服、視頻生成或 Agent 等具體產品，再透過會員訂閱、積分制或按次收費的方式向終端用戶銷售。以聚合平臺 Poe 爲例，其在推出 API 服務時明確表示，附加點數的定價目標完全對標底層模型供應商向其收取的價格。上游按模型類型和 Token 數量計費，Poe 則將其轉換爲平臺內部的點數，並結合統一入口、支付系統、模型切換功能及開發接口打包出售給用戶。

這種模式本質上是流量的中轉與價值的輕度封裝。另一些公司則宣稱其售賣的是“結果”而非 token。例如客服軟件公司 Intercom 爲其 AI 客服 Fin 設定的價格爲每完成一個結果收取 0.99 美元。這裏的“結果”定義爲：用戶確認問題已解決且未要求人工介入，或 Fin 成功執行一條預設工作流。

儘管計價單位從 token 變爲座席、任務或成功解決的問題，但這僅是表面形式的轉換。應用公司在後臺仍需調用模型，並精確計算完成單次交付所消耗的 Token 數量，其利潤空間依然依賴於對底層成本的精準控制與對用戶支付意願的合理引導。

Woofun AI 整理數據顯示，爲了更清晰地解構 AI 應用公司的利潤來源，可以將其歸納爲三筆差價，這一邏輯與南宋畫家李嵩在《市擔嬰戲圖》中描繪的貨郎生意有着異曲同工之妙。貨郎挑着擔子走村串巷，售賣鍋碗針線等雜貨，其利潤源於選貨、配貨與送貨的綜合能力。同理，AI 應用公司從模型廠商處“挑進”智能，將其適配到具體場景中，底層買入的是 token，最終賣出的是報告、設計圖或視頻服務。第一筆是採購差價：不同團隊因調用量規模、工程優化能力（如利用緩存、異步處理、峯谷調用及模型路由）的差異，實際成本各不相同。

若競爭對手需花費 1 元完成任務，而你通過優化僅花費 0.5 元，這 0.5 元即爲利潤，如同批發價與景區價的差異。第二筆是使用差價：類似健身房年卡或手機流量套餐，若用戶平均消耗低於套餐預估，未使用的額度便轉化爲利潤。但需注意，若公司簽署了固定年框，未消耗的 token 並非利潤，而是積壓庫存；用戶未用完的叫沉澱，公司賣不掉的叫壓貨。第三筆是產品差價：同樣消耗 1 萬 token，有的產品僅輸出需用戶大量修改的初稿，有的則完成了資料整理、內容生成、事實覈驗、格式調整及最終導出。底層成本相近，但用戶支付意願天差地別。採購差價決定生意能否成立，產品差價則決定生意的價值上限。

然而，AI 應用面臨的一個核心困境在於，持續的成本壓力往往反噬產品設計，導致功能受限。Manus 的案例典型地揭示了這一點。在其官方使用說明中，成本考量已直接塑造了產品交互邏輯：按任務複雜度和資源消耗扣除月度訂閱積分。官方建議簡單問題使用 Chat 模式，避免啓動完整的自主 Agent；複雜任務則需人工檢查中間結果，以防 Agent 沿錯誤方向執行浪費積分。這些建議雖出於效率考慮，卻暴露了 Agent 產品的致命弱點：模型越主動，成本越不可控。聊天機器人單次回應成本易算，而 Agent 會自動拆分任務、反覆搜索、調用工具，單次指令背後可能隱含幾十次模型調用。

這迫使產品設計者不得不教用戶如何“少用”AI，以防成本失控。久而久之，成本覈算取代了用戶需求，成爲功能上線的首要決策依據。模型能力雖強，應用層卻不敢全量釋放，導致一種詭異的倒置：用戶希望模型多思考、多執行，而應用公司爲了守住成本底線，迫使模型少讀、少想、少做。產品宣稱售賣智能，團隊最熟練的動作卻成了剋扣智能。一旦上游漲價，應用層即刻縮減額度；競爭對手獲低價，市場費率隨之下降；新廉價模型出現，原有路由與套餐體系需推倒重來。應用公司看似掌控產品，實則命脈攥在上游手中。

DeepSeek V4-Flash 的價值不僅在於低價，更在於其技術實力跨越了“夠用”的臨界點。它並非一款爲降價而犧牲性能的殘血模型，而是擁有 100 萬上下文支持、兼容思考模式與工具調用的完整架構。早在 4 月發佈預覽版時，DeepSeek 即聲稱其推理能力接近 V4-Pro，在簡單 Agent 任務上表現相當。7 月 31 日更新的正式版雖未改變模型結構與規模，但經過重新後訓練，多項 Agent 基準及代碼基準成績已超越 V4-Pro 預覽版。

這一技術進展至關重要，因爲歷史上廉價模型往往伴隨性能妥協，而 AI 應用真正需要的是在單位價格下保持穩定的智能輸出。從公佈的 benchmark 數據來看，V4-Flash 已滿足一批高頻任務的“夠用”標準，且低成本使得團隊敢於進行高頻調用。對於普通用戶而言，他們並不關心 benchmark 上的幾分之差，只在意任務能否順利完成。當模型已能讀材料、做推理、調工具、交結果時，繼續提升邊際能力是否值得數倍價格溢價，已成爲僞命題。DeepSeek 的出現，迫使高價模型必須向用戶解釋其額外價值的合理性，從而擊穿了智能的價格心智，正如拼多多曾擊穿日用品的品牌溢價與渠道成本一樣。

隨着底層模型價格心智的被擊穿，AI 應用行業的重心將發生實質性轉移。過去兩年，創業者雖不乏創意，但缺乏足夠強且足夠便宜、可放心嵌入產品的智能底座。DeepSeek 讓模型有望成爲一種相對穩定的生產資料，使團隊得以從每日追蹤模型榜單的焦慮中解脫，不再將“接入最新模型”作爲核心產品進展。模型穩定後，產品層再無藉口逃避真正的挑戰：將任務融入真實工作流，處理權限、數據、協作、審覈及失敗機制，讓用戶無需重複教導 AI。這些細節雖不性感、難登榜單，卻決定了用戶的留存率。AI 應用的價值不在於展示模型，而在於讓模型隱於工作之後。

當用戶無需選擇模型、研究提示詞或關心背後調用了多少輪推理時，應用纔算真正完成使命。此時，競爭焦點從“誰先拿到模型”轉向“誰更懂業務”，誰能將行業隱性規則轉化爲產品邏輯，誰便佔據優勢。API 可被通用接入，但被用戶接受的工作方式難以複製。這使得那些曾被視爲不夠宏大的細分生意重新具備可行性：只需解決外貿詢盤中的特定麻煩，或服務連鎖門店的單一流程。市場無需龐大，只要問題具體、交付穩定、價值高於價格，生意即可存續。過去高成本迫使團隊追求大規模融資與高客單價，如今小團隊可從小衆羣體起步，做透一事，步步爲營，如同百年老店般穩健生長。

西漢晁錯在《論貴粟疏》中曾言：“貴五穀而賤金玉。”過去幾年，大模型宛如金玉，參數宏大、榜單光鮮，被置於發佈會聚光燈下，人人可見其珍貴，卻鮮有人能將其融入日常勞作。應用層的使命，便是將金玉轉化爲五穀。DeepSeek 並未替創業者做好飯菜，它只是大幅降低了米價。至於誰能開起飯館，端出美味，則全憑各自的手藝。AI 應用終於從一場圍繞參數的模型競賽，迴歸爲一門講究實效的產品生意。在這場迴歸中，真正稀缺的資源將逐漸從模型本身，轉向對用戶、數據、流程及信任的深度理解。誰離真實工作場景更近，誰便擁有更大的勝算。