DeepSeek首轮500亿融资落地，阿里、腾讯、国家队各100亿，梁文锋个人跟投200亿，估值3500亿。这一数字本身已足够震撼，但更值得技术人关注的是其背后技术指标——缓存命中率冲到98%。
从技术角度看，98%的缓存命中率意味着推理服务的边际成本趋近于零。我在做分布式推理优化时，缓存命中率每提升1%，响应延迟就能降低10-15%，同时减少GPU算力消耗。DeepSeek能达到这个数字，说明其MoE架构的token复用策略和KV-cache优化做得极为极致。这不仅解释了为何其API定价能远低于GPT-4，也暗示其已破解了大模型规模化部署的成本瓶颈。
个人经验来看，很多团队在训练端卷参数，却在推理端忽略缓存策略。DeepSeek的做法提醒我们：推理效率才是AI落地的胜负手。我的质疑是：98%的命中率是否有特定场景或用户行为的偏向？比如长对话或代码生成场景下是否仍能维持？
最后，这轮融资的资本结构也值得玩味：阿里、腾讯、国家队三方合投，说明国产AI已经从单一资本博弈转向生态协同。未来竞争焦点可能不是模型参数，而是推理基础设施和成本控制能力。
抛两个问题：1. 缓存98%对实时性要求高的应用（如语音交互）是否仍有瓶颈？2. 这种融资结构是否会加剧国产AI的“国家队化”，抑制中小团队的创新空间？