根据9月9日发布的消息，梁文锋创办的深度求索已正式委任中信证券作为上市顾问，为科创板IPO做准备。这位创始人目前掌握公司约78%的股份。按照既定规划，一旦公司估值跨越1万亿元人民币这道关口，梁文锋的个人财富规模将达到7800亿元，足以超越目前排名第一的首富、字节跳动掌舵人张一鸣（其身家约5429亿元），从而登上中国富豪榜首。
这顶「首富」王冠的真正价值，既要看资本市场如何评估其技术方案，也要看中国用户对这套国内最先进AI大模型的认可度有多高。
字节跳动的商业模式是依赖流量变现和广告投放，而深度求索走的却是条充满变数的道路：一方面，英伟达的GPU芯片每年更新一轮、性能突飞猛进；另一方面，美国已然关闭了先进芯片向中国的大门。在这样的夹击之下，深度求索靠「压榨硬件、优化算法」的打法，是否真的能在越来越大的芯片鸿沟中保持领先地位？这个问号很大。
用户在DeepSeek手机客户端上提问/新华社记者黄宗治摄
美方态度坚决。9月8日贝森特财政部长的讲话很绝对：”中国无论如何也追不上美国的AI技术。”就在同一天，美国三大情报和安全部门（NSA、CISA、FBI）联合发声，对6家中国公司进行「蒸馏」美国先进模型的指控。仅隔两天，AI领域的美国巨头Anthropic也加入指控行列，声称有7家中国企业在「掏空」Claude的技术能力。
短期内地缘政治的对立很难有缓和余地，此外中美两国大模型企业在资本规模上的悬殊也触目惊心。想上市的Anthropic估值直指2万亿美元，OpenAI则瞄准了1万亿美元，SpaceX旗下的AI部门估值也已达2500亿美元。相比之下，即便深度求索作为「国产大模型的天花板」成功上市，若市值达到理想的1.5万亿元人民币（折合2000亿美元），也只相当于Anthropic的零头。
这就是深度求索摆脱不掉的困局：在一个悬殊10倍的估值对比中，打一场不对等的竞争。
01
本来说好不融资
成立之初的2023年，梁文锋为深度求索定下了三条不可动摇的原则：拒绝对外融资、不进行商业开发、不做任何路演活动。
到了2026年，这三条准则彻底被打破。深度求索的态度来了个180度转变，从「坚定的自给自足」变成了「快速冲刺上市」。
具体来看，公司在今年春夏之交（4-6月）完成了第一轮外融，融资规模达510亿元。这一轮引入了国家级AI产业基金、腾讯和宁德时代等大型机构，融资后公司估值被推升至约4000亿元。第一轮资金刚到位一个月，第二轮融资马上跟进，融资规模500亿元，融资前估值提升至约5000亿元。进入9月后，公司与中信证券的上市合作关系得到确认，计划在今年内向科创板递交IPO申请。
今年6月，深度求索完成首轮外部融资
支撑这家杭州AI企业的核心资金方是梁文锋旗下的「幻方量化」。这家私募基金创立于2015年，在2017年就率先将投资决策纳入了AI系统的管理，位居中国最早一批采纳AI的顶级私募之列，目前管理的资产已超700亿元。从2021年到2025年这五年间，幻方的平均年度回报率高达114.35%，这份傲人的成绩单，正是梁文锋当年能够底气十足地宣布「永远不融资」的原因所在。
转折点出现在2025年初。深度求索推出的R1推理模型一经问世，就以「便宜又好用」的特点在全球引发轰动。在各类推理能力的测试中，它表现得丝毫不逊于当时被认为是「天花板」级别的OpenAI o1模型。但关键差异在于成本：深度求索只花了557万美元就达成了OpenAI用了1亿美元才实现的效果。
深度求索的技术发展轨迹可以分为三个重要阶段来看待。
第一阶段（2025年上半年）：它率先采用强化学习驱动的长链思考体系，打破了业界长期以来依赖大规模有监督微调的惯例，从而开创了算法与硬件配合的新思路。第二阶段（2025年底至2026年中）：陆续推出V3.2、VL2和V4等系列，融入稀疏注意力等新机制，将多模态能力和冷启动长思考的缺陷逐步补齐。第三阶段（最近）：9月10日发布的V4.1 Flash版本进一步轻量化设计，提升了单位时间内的处理能力，并针对Agent应用做了专项优化。
DeepSeek-V4和DeepSeek-V3.2的计算量和显存容量随上下文长度的变化
在竞争策略上，深度求索采纳了非对称对抗的方案。面对美国玩家在模型参数量和训练数据规模上的压倒性优势，它别辟蹊径：通过重新设计模型的数据流转过程、最大化挖掘硬件潜能，从「效率革新」这个维度实现了与美国大模型能力的平衡。
深度求索本应凭借成本优势稳步前行。可是到了8月，一轮提价让它在国内遭遇了竞争对手的「狙击」——不少预算紧张的开发者和小企业纷纷转向智谱、阿里等厂商。所幸V4.1 Flash新版本再次大幅压低了算力消耗，公司决定「以新压旧」，在9月10日启动了大范围降价，与提价之间仅隔20多天。
Deepseek 8月提价（上），9月降价（下）
这些年来的低价策略有成效吗？数据说话：2026年头七个月的收入已经达到4.75亿元，比去年整年翻了十倍，但同期亏损也达7.15亿元（上年全年的亏损是9.35亿元）。为了维持技术领先，公司今年在基建上的开支达110亿元。计划在内蒙古乌兰察布地区兴建一个功率为1吉瓦的超级数据中心，其中将装配16万颗华为自研的昇腾950DT处理器。
由此可见，正是基础设施投入的急剧增加，再加上人才队伍扩张带来的用人成本上升（人员流动也比较频繁），逼得深度求索不得不放弃「自力更生」的原则，投身融资潮。
02
战局已然白热化
就在深度求索准备冲刺IPO的时候，国内其他大模型玩家也在忙着融资和敲钟。
政策的东风已经吹起。港交所的18C章做得风生水起，A股科创板的上市规则也在第五章为AI大模型企业开了「绿灯」，国内各家大模型企业由此开启了一场融资和估值的比拼竞赛。
智谱和MiniMax两家企业今年上半年先后在香港挂牌，而到了九月初，月之暗面也悄悄向港交所提交了上市申请。
智谱AI页面
按照估值从高到低列个排行榜的话：深度求索以约740亿美元遥遥领先，月之暗面以500亿美元紧追其后，智谱AI用495亿美元位居第三，MiniMax则以131亿美元排在第四。
其余三家企业的估值都没有冲破30亿美元的整数关。具体而言，阶跃星辰在25亿美元左右，零一万物和百川智能则都徘徊在15到20亿美元的区间。
值得留意的是，这七家公司上半年财报中的ARR（按年度计算的常规性收入）排名和它们的估值排名并不对应。为什么大模型企业更看重ARR这个指标而不是利润或总收？原因很直白：这些企业多数陷于亏损状态，传统财务指标根本反映不出潜在价值。但ARR在「指数级扩张」的高速增长中，最能提前预示企业的发展势头。
具体数据如下：自诩为「国产Anthropic」的智谱因API生意火爆，ARR达到16亿美元；月之暗面则靠Kimi K3系列打开局面，正在与微软、谷歌、亚马逊进行幕后谈判，想在它们的海外云平台上部署，并期待获得最多三成的收入分账，目前ARR约为10亿美元；MiniMax把重心放在出海和B端解决方案上，ARR规模在8亿美元；深度求索虽然API毛利率高达83%，但ARR只有约5亿美元。
MiniMax中期业绩公告
而阶跃星辰、零一万物、百川智能这三家的ARR都在4千到6千万美元的规模，它们目前都在赔钱。
不过说句实话，前面的四家企业也没谁赚到钱，只是亏的规模不同罢了。2026年上半年的数据显示，MiniMax的亏损在25亿元，智谱AI亏了20.72亿元，深度求索亏了7.15亿元，至于月之暗面则没公开这个数字。
需要说明的是，阿里（通义千问）、腾讯（混元）、字节（豆包）、百度（文心一言）这些互联网巨头的大模型业务没有独立上市，无法与专业的大模型企业进行直接对标。
美国这边由Anthropic和OpenAI两大巨头撑起了（除去中国之外）全球AI领域的想象空间。为了彰显大模型的超强实力，两家都在那些悬而未决的数学难题上动起了「暴力」：短短几天内连续破解了多个长期困扰学界的难题，引得好几位菲尔兹奖得主出面反对。虽然反对有其道理，但从另一个角度看，这恰恰印证了一个事实：当AI真正全力输出时，靠大脑吃饭的人类可能就要面临失业了。
Anthropic的Claude的实验版本刷新了「黎曼猜想」的数据
具体估值上，OpenAI最近一轮被估至8520亿美元，上市时目标定在1万亿美元；Anthropic则被估到9650亿美元，上市野心更大，瞄准2万亿美元。两家在上半年的收入都超过了130亿美元，但经营成果差异明显：OpenAI还在亏着210亿美元，Anthropic却实现了5.59亿美元的利润，历史性地扭亏为盈。
虽然中美两国的大模型企业所处的市场生态和融资规模有所不同，但业界头部参与者早已形成共识：要想真正盈利，就非得从B端（企业客户）而不是C端（消费者）挣钱不可。
为什么普遍亏损？说白了就是为了竞争力，企业们都在砸钱买芯片、扩展机柜、修建数据中心，而市场上的内存价格又在涨。总而言之，AI产业已经演变成高度依赖资本投入的重资产生意，没有融资上市这样的「输血」就很难维继。
03
AI的「涌现」能否拯救现状？
但上市这条路还是有些慢。
美联储在9月16日提高加息预期后，Anthropic和OpenAI都打算把上市计划往后推到2027年。
到9月13日止，浙江证监局的网站上还看不到深度求索上市辅导的备案公告。如果按照不少于3个月的辅导周期来推算，深度求索最早也要等到2027年的第一季度才可能敲钟。
不过比起上市的流程，深度求索真正的考验要艰巨得多。最关键的疑问是：深度求索所依赖的「效率突破」策略能否在硬件一直处于劣势的前提下，让自己的大模型继续保持竞争优势？
眼下，深度求索之所以还能维持「物廉价美」的优势，靠的是两个法宝。第一个是「非均衡异构」方案对算力限制的突破——新发布的V4.1 Flash版本中，输入端激活8B参数、输出端激活16B参数的设计，让它处理超长文本时的算力需求大幅降低。第二个是在显存（HBM）层面的创新——通过将KV缓存压缩437倍，让公司即使依赖国产芯片也能实现83%这样的超高API利润率。
与初代模型相比，Deepseek KV Cache缩小了437倍
然而优化再聪明也有天花板。一旦硬件上的代差扩大到了某个量级，单靠软件的精妙设计已经弥补不了。
比如说，当代大模型在做实时推理时常常需要调度2万亿个参数（光是这些参数就占用至少1TB的显存），英伟达芯片能一秒钟读写1TB的显存数据，只需两三块就够用。但换成3纳米以下工艺、显存带宽只有2.0到4.0TB/秒的芯片，仅仅通过优化就根本满足不了这个需求。
华尔街和OpenAI在分析长期竞争时总爱讲一个理论，叫做「暴力美学」——意思是当算力规模突破了某条分界线，模型就会突然展现出之前算法设计完全没预料到的新能力。基于这个理论，美方企业干脆不惜代价把全世界最先进的硬件都搜罗来，赌注全押在AI的这种「突现能力」上。
AI的竞争前沿已经挺进了参数规模数万亿、原生支持多模态、实时推理无延迟这样的深度竞技场。对国内的大模型厂商来讲，算法革新只占一半的决胜因素，最终能跑多远，还看另一半——国产芯片产业（包括光刻、先进封装、HBM显存等技术）能否在「现有硬件即将触及物理天花板」的这个时间窗口里，实现真正的突破和自主化。
一旦这一步实现了，目前那个「十倍估值鸿沟」就不会再是什么大问题了。
