DeepSeek牽手宇樹：當智能便宜到可以被浪費的時候

原文標題：《DeepSeek牽手宇樹：當智能便宜到可以被浪費的時候》
原文作者：動察Beating

技術真正開始改變世界，往往發生在它便宜到可以被浪費的時候。

最近，連外媒都開始學會了一個很中國互聯網的詞，斬殺線。

7 月 31 日，DeepSeek V4 Flash 更新。在 Artificial Analysis 那張同時比較模型智能水平和使用成本的坐標圖裡，縱軸越往上，模型越聰明；橫軸越往右，調用成本越高。V4 Flash 的智能指數到了 50 分，已經貼著全球第一梯隊，一輪測試的平均成本卻只有 3 美分。那個點幾乎被推到了坐標系的左上角。比它便宜的模型，能力大多不如它；比它聰明的模型，又普遍貴出一大截。

現在一個模型如果沒有比 DeepSeek 強出足夠多，就越來越難解釋自己為什麼要貴幾十倍。中文互聯網把這條邊界叫作「斬殺線」。幾天以後，彭博討論中國模型對美國 AI 公司的價格壓力，標題裡也直接用了「Death Zone」。

從 2024 年的 V2 開始，DeepSeek 就在不停地往下壓機器「想一次」要花的錢。模型能夠完成的任務越來越複雜，價格卻始終沒跟著能力一起往上飛漲。過去兩年，大模型行業習慣用更大的參數、更長的上下文和更高的 Benchmark 講進步，DeepSeek 一直還在追另一個標準，同樣的智能，能不能少花點錢。

杭州另一邊，王興興做了十幾年另一件相似的事。

他讀研究生時做 XDog，從一開始就沒有多少錢可以燒。貴的液壓系統用不起，就研究低成本的電機；成熟的方案買不起，就自己畫驅動板、寫程式、搭控制系統。很多今天已經變成宇樹產品標準件的技術選擇，最早都帶著一種很樸素的工程習慣，先別問行業裡通常怎麼做，先看看有沒有更便宜的辦法。

王興興後來回憶，2010 年做雙足機器人時，機械部分加起來只花了兩百塊錢。多年以後有人問宇樹還能不能繼續降成本，他回答：「不要跟我們比降成本，我們可以繼續降低很多。」

一家公司在降低思考的價格，一家公司在降低行動的價格。很長一段時間裡，他們雖然都在杭州，但還是在各走各的路。

直到 8 月 6 日。

宇樹科技公佈科創板 IPO 戰略配售結果，DeepSeek 拿出 1.408 億元認購宇樹新股。雙方披露的合作安排也相當直接，宇樹需要模型訓練服務和技術方案時優先考慮 DeepSeek，DeepSeek 需要機器人、探索具身智能應用時優先考慮宇樹。

這筆錢放到今天的 AI 行業裡並不算驚人。真正有趣的是，兩個十幾年來一直想把昂貴技術往白菜價上做的人，第一次把自己的成本曲線接到了一起。於是一個比「大模型終於給機器人接上身體」更值得追問的問題冒了出來：

如果機器思考的成本和機器行動的成本同時繼續下降，AI 最後會變成什麼樣？

答案可能不只是「更多人用得起」。

更大的變化，是我們開始不用那麼珍惜它。

兩個價格屠夫

梁文鋒和王興興身上最像的地方，是他們都不太相信靠補貼換來的便宜。價格表當然可以一夜改掉，但羊毛出在羊身上，這種低價通常撐不了多久。東西真想長期賣得便宜，最後還得回到工程裡，把那些原本理所當然存在的成本一層層拆掉。

DeepSeek-V2 是最典型的一次。2024 年模型發布以後，國內大模型行業很快被拖進價格戰，外界最容易看到的是 API 報價，而真正能支撐低價的東西藏在模型結構裡。V2 總參數達到 2360 億，每處理一個 Token，實際只啟動其中 210 億；相較上一代，訓練成本減少 42.5%，KV Cache 減少 93.3%，最大生成吞吐提高到 5.76 倍。

到了 V3，這個思路繼續往前推。模型變得更大，正式訓練用掉 278.8 萬 H800 GPU 小時，DeepSeek 又通過混合專家、低精度訓練、通信優化去優化效率。

這種成本觀後來甚至開始反過來定義產品。

今年 5 月，DeepSeek 把 V4-Pro 原本 75% 的促銷折扣直接改成永久價格，旗艦檔也繼續往下壓。梁文鋒此前解釋過他們的定價原則，根據真實成本定價，不長期貼錢，也不追求暴利。

王興興對機器人的理解幾乎一樣。

2025 年接受《晚點》採訪時被問到，H1 當初賣 9 萬美元，後來更靈活的 G1 低配版起售價只剩 9.9 萬元人民幣，這樣還賺不賺錢。

王興興回答：「商業行為肯定要有合理的商業利潤。成本一直是我們做所有事情的 KPI，核心就是要賺錢。」

他隨後談的也很少是那句最常見的「規模起來供應商自然會降價」。真正決定機器人價格下限的，是電機怎麼選、減速器怎麼做，一個關節要用多少零件，整機還能不能再輕一點，哪些部件必須攥在自己手裡。

這種降本方式有一種很強的工業時代質感，一分錢掰成兩半花。

一塊電路板少幾厘米，一個關節少兩個零件，一根線束換一種走法，單拎出來都算不上什麼偉大突破，可幾十個這樣的變化疊在一起，最後會直接影響售價。

宇樹過去幾年的價格變化正是如此。2023 年，第一代全尺寸人形機器人 H1 上市，當年只賣出 5 台，平均售價 59.34 萬元；2024 年，更小的 G1 進入市場，銷量提高到 410 台，平均售價降到 26.07 萬元；到 2025 年前九個月，人形機器人銷量達到 3551 台，平均售價又降到 16.76 萬元。

價格每往下降一節，機器人的買家也會迎來新的一批。五六十萬元的設備，需要實驗室立項、寫預算、解釋買回來到底準備研究什麼；十幾萬元已經可以進入更多高校、開發團隊和企業。

很多技術真正跨過普及的臨界點，就是在這種變化裡完成的。從專項預算變成部門預算，再從部門預算變成普通採購，最後某一天，人們懶得再為每一次使用算賬。

貴的技術天然只配解決貴的問題，價格跌下來以後，那些過去根本不值得技術出場的小事，才會開始進入它的世界。

兩條成本曲線終於相交

宇樹自己已經在做世界模型和 VLA，所以 DeepSeek 的價值並不只是給機器人「接一個大腦」。真正能把兩家公司咬合起來的，是具身智能目前最昂貴的那個訓練循環。

這個循環一半發生在現實世界。機器人真的伸手、走路、拿東西，人類或者其他系統不斷給它示範，產生成功和失敗的軌跡。

另一半發生在運算中，數據被清潔、標註，送進模型訓練新的策略，再經過推理和驗證重新部署回機器人。機器出去接著試，帶回來新的數據，模型再學一遍。這套循環轉得越快，機器人接觸到的世界越多。

問題是，它兩頭都貴。真機貴，團隊就很難讓幾百台機器人一天到晚在實驗室裡摔跟頭；訓練和推理貴，那些采回來一眼看不出價值的數據，也很難被反覆訓練和驗證。

於是過去做機器人實驗總是很珍貴的。機器只有幾台，今天采什麼數據要提前想清楚；算力就那麼多，一批軌跡值不值得再跑一遍，也得掰著指頭算。資源越貴，研究人員越傾向於挑那些看起來最有價值、成功機率最高的問題。

可現實世界偏偏不是這樣的。

杯子放在桌邊 3 厘米和 5 厘米有什麼區別，毛巾濕了一半以後該從哪裡抓，抽屜卡住時是接著用力還是先往回退一點，塑料袋裡裝一個蘋果和三個蘋果時手臂要怎麼調整。這些事單拎出來，沒有任何一個值得開一場發布會，甚至很難值得一個實驗室專門立項。可機器人一旦進入家庭、餐廳、倉庫、辦公室，它每天面對的世界恰恰由這些瑣碎到令人厭煩的問題組成。

這時候再看 DeepSeek 和宇樹的合作，邏輯會清楚很多。

宇樹把前半段的成本往下壓，讓更多真機進入實驗室、開發團隊和真實場景；DeepSeek 長期解決的是後半段的問題，讓模型訓練、推理和驗證越來越便宜。

多數軌跡最後不會進入產品，多數實驗也不會產生新聞，有些機器人會連續一百次抓錯杯子，一批昂貴的數據跑完，也可能只證明了最初的思路根本不成立。

資源貴的時候，這些叫打水漂；成本足夠低，它們才有資格被叫作經驗。

手機便宜一點，意味著更多人可以買；機器人便宜一點，還意味著它自己可以擁有更多沒有產出的時間，在實驗室裡練一個下午，做一些最後根本用不上的動作，走進更多奇怪的環境，遇見更多工程師提前沒想到的情況。

當身體和智能同時變便宜，具身智能最先得到的，就是更多犯錯的資格。

人類是怎麼學會浪費技術的

這種事在人類技術史上已經發生過很多次。

1865 年，英國經濟學家 William Stanley Jevons 研究蒸汽機和煤炭時發現了一件反直覺的事。蒸汽機效率越來越高，每完成一項工作要燒掉的煤越來越少，英國消耗的煤卻沒有跟著下降，反而增加了。因為蒸汽動力一旦變便宜，過去捨不得用它幹的事也開始使用它，效率省下來的煤，很快又被更多新的需求吃掉。

後來人們把這個現象叫作「杰文斯悖論」。

過去兩年用 AI 的人，其實多少已經體會到了反過來的那個階段。模型還貴的時候，我們先學會了一門怎麼省智能。創業團隊嘴上討論用戶體驗，產品經理心裡還得記著一張 Token 價格表，一個功能技術上做得到，最後也可能因為「每個用戶多跑五次模型太貴了」被砍掉。

可技術真正進入生活，往往要過另一道坎，它便宜到我們開始用它做一些並不那麼重要的事。

今天沒人會在打開客廳的燈之前先算這一小時的照明創造了多少經濟價值，也沒人因為手機後臺多發了幾個網路請求就覺得自己揮霍了偉大的互聯網基礎設施。

電和網路都有成本，只是這筆成本已經低到不值得為每一次使用做決策。人在這些事上早就變得大手大腳，而且毫無愧疚。

智能如果有一天來到這裡，我們和 AI 的關係也會跟著改變。會議結束順手讓模型整理一下，文章寫完讓幾個模型分別挑毛病，一個 Agent 沒做成就換幾條路徑接著試，有棗沒棗先打三杆子。機器人收拾桌子，第一次把杯子碰倒，第二次手伸歪，第三次動作太慢，那就來第四次。

一項技術真正普及以後，人們不會越來越認真地計算它的使用效率，人甚至會忘記自己正在使用它。

等我們不再算這筆賬

1911 年，英國數學家和哲學家怀特海在《數學入門》裡寫過一句話：

「文明的進步，在於不斷擴大那些我們無需思考就能完成的重要操作。」

今天的 AI 显然還沒走到這裡。我們仍然在討論哪個任務值得用最貴的模型，開發者還會因為每百萬 Token 差幾塊錢換供應商；機器人公司還得在展廳、實驗室和工廠之間，找那個最容易算過賬的場景。這個行業依然有一種很重的柴米油鹽感。

而這筆 14.08 億元的投資真正鏈接到一起的，是一張過去很少出現在行業討論裡的帳單。機器犯一次錯，到底多少錢？

今天這個答案還不夠便宜，所以每一條真實世界的數據都要認真采集，每一輪訓練都要挑挑揀揀，每一台機器人最好盡快找到一份能算出產出的工作。

等到智能真正普及的那一天，可能不會有一場發布會宣布新時代到來。我們只是慢慢發現，一台機器人在倉庫角落裡練了一下午抓箱子，失敗三百次，已經沒人專門過問；一個 Agent 為了找答案自己試了幾十條路徑，也沒人盯著 Token 帳單心疼；實驗室裡多放幾台機器人，不再需要為每一台寫一份採購理由。

所以 AI 未來真正重要的價格，可能不是一百萬 Token 究竟多少錢，也不是一台人形機器人究竟多少錢，而是我們什麼時候終於懶得再算這些數字。

當機器多想幾遍、多走幾步、多犯幾次錯，都已經不值得人心疼的時候，智能才算真正從一種昂貴的能力變成基礎設施。

技術真正開始改變世界，往往發生在它便宜到可以被浪費的時候。

DeepSeek 正在讓思考接近這個價格，宇樹正在讓身體接近這個價格。剩下的事，是讓機器擁有足夠便宜的一生。

便宜到可以反覆嘗試，便宜到可以不斷犯錯，便宜到那些今天看起來毫無意義的失敗，終於多到足夠組成智能。

原文連結

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia