DeepSeek ได้ทำสิ่งที่ห้องทดลอง AI ไม่กี่แห่งทำได้สำเร็จ: เปลี่ยนตัวเลือกด้านสถาปัตยกรรมเชิงเทคนิคให้กลายเป็นการปั่นป่วนตลาดครั้งใหญ่ นักพัฒนา AI สัญชาติจีนรายนี้เปิดตัวโมเดลรุ่นใหม่ที่มีต้นทุนการทำงานเพียงเศษเสี้ยวของสิ่งที่ OpenAI, Anthropic หรือ Google นำเสนออยู่ในปัจจุบัน และช่องว่างด้านต้นทุนยังคงกว้างขึ้นเรื่อย ๆ ในแต่ละรุ่น การทำความเข้าใจราคาของ DeepSeek AI จึงกลายเป็นเรื่องสำคัญที่ไกลเกินกว่านักพัฒนาซอฟต์แวร์ — มันกำลังกำหนดความคาดหวังใหม่ให้กับผู้ผลิตชิป, ผู้ให้บริการคลาวด์ และแม้แต่เครือข่ายคอมพิวต์แบบกระจายศูนย์ที่เชื่อมโยงกับคริปโต
Summary
ประเด็นสำคัญ
- โมเดล R1 ของ DeepSeek เปิดตัวในเดือนมกราคม 2025 ที่ราว $0.14 ต่อโทเคนหนึ่งล้านโทเคน เมื่อเทียบกับ $7.50 สำหรับข้อเสนอที่ใกล้เคียงกันของ OpenAI ในเวลานั้น — ช่องว่างด้านราคาถึง 98%.
- โมเดล V4-Pro รุ่นใหม่กว่า ซึ่งเปิดตัวในเดือนเมษายน 2026 มีค่าใช้จ่าย $0.87 ต่อโทเคนขาออกหนึ่งล้านโทเคน และ $0.435 ต่อโทเคนขาเข้า หนึ่งล้านโทเคน โดยมีการล็อกราคาแบบถาวรตั้งแต่ปลายเดือนพฤษภาคม 2026.
- รุ่น V4-Flash ที่เน้นความประหยัดมีต้นทุนราว $0.14 ต่อโทเคนหนึ่งล้านโทเคน.
- บริษัทวิจัย Artificial Analysis พบว่า V4-Flash มีต้นทุนเฉลี่ยเพียง $0.03 ต่อการทดสอบ benchmark หนึ่งครั้ง ต่ำกว่าคู่แข่งอย่าง Kimi K3 ของ Moonshot (~$0.86), GPT-5.6 Sol ของ OpenAI (~$1.86) และ Claude Fable 5 ของ Anthropic (~$3.15) อย่างมาก.
- โมเดลของ DeepSeek อาศัยสถาปัตยกรรม Mixture-of-Experts และถูกปล่อยภายใต้ไลเซนส์โอเพ่นซอร์ส MIT โดยมีรายงานว่าโมเดล V3 ใช้ค่าเช่า GPU เพื่อฝึกเพียง $5.576 ล้านเท่านั้น.
DeepSeek ปฏิวัติการตั้งราคา AI ด้วยโมเดลต้นทุนต่ำเป็นพิเศษ
ข้ออ้างหลักของ DeepSeek นั้นตรงไปตรงมา: โมเดลของบริษัทให้ประสิทธิภาพที่แข่งขันได้ ในขณะที่มีต้นทุนการทำงานต่ำกว่าสิ่งใด ๆ จากห้องทดลองรายใหญ่ในสหรัฐอย่างมาก ข้ออ้างนี้ยังคงเป็นจริงตลอดหลายรอบผลิตภัณฑ์ที่ผ่านมา และเป็นรากฐานของกลยุทธ์ทั้งหมดของบริษัท
โมเดล R1 เปิดตัวที่ $0.14 ต่อโทเคนหนึ่งล้านโทเคน
เมื่อโมเดล R1 ของ DeepSeek เปิดตัวในเดือนมกราคม 2025 มันมีต้นทุนการทำงานราว $0.14 ต่อโทเคนหนึ่งล้านโทเคน ข้อเสนอที่ใกล้เคียงกันของ OpenAI ในเวลานั้นมีราคา $7.50 ต่อโทเคนหนึ่งล้านโทเคน — ต่างกันราว 98% ช่องว่างด้านราคาเพียงครั้งเดียวนั้นทำให้เกิดการเทขายหุ้นเทคโนโลยีในวงกว้าง เนื่องจากนักลงทุนเริ่มตั้งคำถามว่าบริษัท AI ชั้นนำของสหรัฐกำลังใช้จ่ายเกินความจำเป็นกับโครงสร้างพื้นฐานที่คู่แข่งสามารถทำได้ในต้นทุนเพียงเศษเสี้ยวหรือไม่
V4-Pro และ V4-Flash กดต้นทุนให้ต่ำลงไปอีก
บริษัทไม่ได้ชะลอตัวลงเลย โมเดล V4-Pro ซึ่งเปิดตัวในเดือนเมษายน 2026 ตั้งราคาขาออกที่ $0.87 ต่อโทเคนหนึ่งล้านโทเคน และขาเข้าที่ $0.435 ต่อโทเคนหนึ่งล้านโทเคน — การลดต้นทุนที่บริษัทอธิบายว่าถูกกว่าคู่แข่งชั้นนำถึง 34 เท่า DeepSeek ได้ล็อกราคา V4-Pro เหล่านี้แบบถาวรตั้งแต่ปลายเดือนพฤษภาคม 2026 ทำให้นักพัฒนามีความแน่นอนด้านราคาซึ่งหาได้ยากในตลาดที่ผู้ให้บริการ AI มักปรับอัตราค่าบริการอยู่เสมอ
ต่ำกว่า V4-Pro ลงมาคือ V4-Flash ซึ่งมุ่งเป้าไปที่งานโหลดที่เน้นงบประมาณโดยเฉพาะ ที่ราว $0.14 ต่อโทเคนหนึ่งล้านโทเคน — ตัวเลขที่ DeepSeek อ้างว่าถูกกว่า GPT-5.5 ทางเลือกอื่นถึง 35 เท่า ในฝั่งพรีเมียมของไลน์ผลิตภัณฑ์ โมเดล V4-Pro Max มีต้นทุนราว $2.17 ต่อโทเคนหนึ่งล้านโทเคน ซึ่งยังต่ำกว่าสิ่งที่โมเดลเรือธงที่เทียบเคียงได้จากห้องทดลองในสหรัฐเรียกเก็บอยู่มาก
Artificial Analysis ซึ่งเป็นบริษัทวิจัยที่ทำ benchmark ระบบ AI ตามภารกิจงานแทนที่จะดูจากราคาโทเคนดิบ ๆ ได้วัดต้นทุนเฉลี่ยของ V4-Flash ต่อการทดสอบ benchmark ไว้เพียง $0.03 เพื่อเปรียบเทียบ บริษัทประเมินว่า Kimi K3 ของ Moonshot AI มีต้นทุนราว $0.86 ต่อการทดสอบ GPT-5.6 Sol ของ OpenAI ราว $1.86 และ Claude Fable 5 ของ Anthropic อยู่ที่ $3.15 การวัดแบบอิง benchmark นี้มีความสำคัญเพราะมันคำนึงถึงปริมาณการคำนวณที่โมเดลต้องใช้จริงในการทำภารกิจให้เสร็จ ไม่ใช่แค่ป้ายราคาต่อโทเคน — และเมื่อมองด้วยมุมนี้ ความได้เปรียบของ DeepSeek ดูยิ่งใหญ่กว่าตัวเลขพาดหัวข่าวเสียอีก
ในด้านประสิทธิภาพ การแลกเปลี่ยนมีให้เห็นแต่ไม่รุนแรงนัก Artificial Analysis ให้คะแนน V4-Flash ที่ 50 จาก 100 บน Intelligence Index ของบริษัท ซึ่งเท่ากับ Gemini 3.6 Flash ของ Google แต่ยังตามหลัง Kimi K3 ของ Moonshot ที่ได้ 57 คะแนน Claude Opus 5 และ Claude Fable 5 ของ Anthropic รวมถึง GPT-5.6 ของ OpenAI ต่างก็ได้คะแนนสูงกว่าขั้นต่ำเก้าคะแนน ขณะเดียวกัน โมเดล V4-Pro ที่ทรงพลังยิ่งกว่าของ DeepSeek ทำคะแนน benchmark ได้ใกล้เคียงกับ Claude Opus 4.6 และ GPT-5.5 ซึ่งเป็นสองในบรรดาโมเดลที่ทรงความสามารถที่สุดในตลาดปัจจุบัน
เทคโนโลยีเบื้องหลังความได้เปรียบด้านต้นทุนของ DeepSeek
การตั้งราคาของ DeepSeek ไม่ใช่การอุดหนุนชั่วคราว — แต่มาจากตัวเลือกด้านสถาปัตยกรรมที่เปลี่ยนปริมาณพลังประมวลผลที่แต่ละคำถามต้องใช้จริง ๆ
สถาปัตยกรรม Mixture-of-Experts ลดการใช้ compute ต่อคำถาม
บริษัทสร้างโมเดลของตนบนแนวทาง Mixture-of-Experts หรือ MoE แทนที่จะเปิดใช้งานพารามิเตอร์ทุกตัวในโมเดลสำหรับทุกคำขอ สถาปัตยกรรม MoE จะส่งคำถามแต่ละคำไปยังเฉพาะชุดย่อยของความเชี่ยวชาญในโมเดลที่เกี่ยวข้องมากที่สุด การใช้ compute น้อยลงต่อคำถามจึงแปลงเป็นต้นทุนที่ต่ำลงต่อคำถามโดยตรง — กลไกเบื้องหลังการลดราคาทุกครั้งที่ DeepSeek ประกาศ
ต้นทุนการฝึกและการให้ไลเซนส์แบบโอเพ่นซอร์ส
การประหยัดต้นทุนไม่ได้จำกัดแค่ตอนรันโมเดล โมเดล V3 รุ่นก่อนหน้าของ DeepSeek มีรายงานว่ามีค่าเช่า GPU เพื่อฝึกประมาณ $5.576 ล้าน ซึ่งเป็นตัวเลขที่เล็กน้อยเมื่อเทียบกับเงินหลายร้อยล้าน — หรือบางครั้งเป็นพันล้าน — ที่ห้องทดลองในสหรัฐทุ่มให้กับการฝึกแต่ละรอบ นอกจากนี้ DeepSeek ยังปล่อยโมเดลของตนเป็นโอเพ่นซอร์สเต็มรูปแบบภายใต้ไลเซนส์ MIT หมายความว่านักพัฒนาสามารถนำไปใช้งาน ปรับแต่ง หรือสร้างต่อยอดได้โดยไม่ต้องจ่ายค่าไลเซนส์เลย
การผสมผสาน — สถาปัตยกรรมที่ถูกกว่า การฝึกที่ถูกกว่า และการให้ไลเซนส์ฟรี — คือเหตุผลที่แนวทางของ DeepSeek ต่อต้นทุน AI แบบกระจายศูนย์ ยังคงดึงดูดความสนใจจากนักพัฒนาที่ก่อนหน้านี้ไม่สามารถทดลองกับโมเดลระดับแนวหน้าด้านความสามารถได้
ผลกระทบต่อตลาดและอุตสาหกรรมจาก AI ต้นทุนต่ำของ DeepSeek
แรงสั่นสะเทือนที่เห็นได้ชัดที่สุดเกิดขึ้นในตลาดฮาร์ดแวร์ ย้อนกลับไปในเดือนมกราคม 2025 หุ้นของ Nvidia ปรับตัวลดลงอย่างมีนัยสำคัญเมื่อบรรดานักลงทุนปรับความคาดหวังใหม่ต่ออุปสงค์ในฮาร์ดแวร์คอมพิวต์ประสิทธิภาพสูง โดยให้เหตุผลว่าหากโมเดลที่มีต้นทุนถูกขนาดนี้สามารถเทียบเคียงข้อเสนอจากตะวันตกได้ อุตสาหกรรมอาจต้องการชิปที่มีราคาสูงน้อยกว่าที่เคยคิดกันไว้มาก
เหตุใดเรื่องนี้จึงสำคัญต่ออุปสงค์ชิปและโครงสร้างพื้นฐาน AI
ปฏิกิริยานั้นสะท้อนให้เห็นถึงความตึงเครียดที่กว้างขึ้นซึ่งกำลังกำหนดรูปทรงของอุตสาหกรรม AI ในตอนนี้: โมเดลที่ถูกลงไม่ได้แปลว่าความต้องการ compute โดยรวมจะลดลงเสมอไป แต่บังคับให้ต้องคิดใหม่ว่าผู้ซื้อยินดีจ่ายเงินเพิ่มสำหรับฮาร์ดแวร์ระดับพรีเมียมเพื่อแลกกับประสิทธิภาพที่ดีขึ้นเพียงเล็กน้อยมากน้อยเพียงใด นี่คือพลวัตที่ยังคงส่งผลกระทบต่อผู้ผลิตชิปและผู้ให้บริการคลาวด์ทุกครั้งที่มีโมเดลต้นทุนต่ำรุ่นใหม่ออกสู่ตลาด
AI ที่ถูกลงหมายถึงอะไรสำหรับคอมพิวต์แบบกระจายศูนย์และคริปโต
สำหรับภาคคริปโต การเปลี่ยนแปลงด้านเศรษฐศาสตร์อาจมีความสำคัญมากกว่าปฏิกิริยาในตลาดหุ้นเสียอีก โปรเจกต์ AI แบบกระจายศูนย์มักเผชิญปัญหาในการแข่งขันกับผู้ให้บริการคลาวด์แบบรวมศูนย์ในด้านต้นทุนการ inference เมื่อการรันโมเดลมีค่าใช้จ่าย $7.50 ต่อโทเคนหนึ่งล้านโทเคน เครือข่ายแบบกระจายศูนย์แทบไม่สามารถเทียบกับประสิทธิภาพด้านขนาดของผู้ให้บริการคลาวด์รายใหญ่ได้เลย แต่ที่ $0.14 ต่อโทเคนหนึ่งล้านโทเคน สมการนั้นเปลี่ยนไปอย่างมาก
เครือข่าย DePIN ที่มุ่งเน้นโครงสร้างพื้นฐานGPU compute crypto — โปรเจกต์อย่าง Render, Akash และ io.net — อาจเห็นข้อเสนอคุณค่าของตนเปลี่ยนไปตามนั้น AI ที่ถูกลงลดเบี้ยประกันที่ผู้ใช้ยินดีจ่ายสำหรับ compute ดิบ แต่ก็ยัง
เพิ่มขอบเขตของลูกค้าที่เป็นไปได้ด้วยการเปิดโอกาสให้แอปพลิเคชันที่ขับเคลื่อนด้วยปัญญาประดิษฐ์สามารถให้บริการสเปกตรัมของแอปพลิเคชันที่กว้างขึ้นอย่างมีนัยสำคัญ
กว่าที่เคย กล่าวอีกนัยหนึ่ง ราคาที่ต่ำลงอาจบีบส่วนต่างกำไรของงาน compute แต่ละงาน ในขณะเดียวกันก็ขยายขนาดของอุปสงค์โดยรวมที่เครือข่ายเหล่านี้สามารถให้บริการได้
DeepSeek เองก็ไม่ได้ดำเนินงานอยู่ในสุญญากาศเช่นกัน บริษัทกำลังเผชิญการแข่งขันที่เพิ่มขึ้นจากนักพัฒนา AI สัญชาติจีนรายอื่น ๆ รวมถึง Moonshot AI, MiniMax และ Z.AI ที่ต่างเร่งดึงดูดธุรกิจที่มองหาโซลูชัน AI ราคาย่อมเยาที่สามารถปรับใช้ในระดับใหญ่ได้ แรงกดดันด้านการแข่งขันนี้มีแนวโน้มจะผลักดันราคาให้ลดลงทั่วทั้งอุตสาหกรรม ซึ่งยิ่งตอกย้ำแนวโน้มที่กำลังกำหนดรูปแบบใหม่ให้กับจุดตัดระหว่าง AI, คริปโต และคอมพิวต์แบบกระจายศูนย์
คำถามที่พบบ่อย
DeepSeek ทำอย่างไรจึงทำให้ต้นทุนการรันโมเดล AI ต่ำกว่าคู่แข่งมาก?
DeepSeek ใช้สถาปัตยกรรม Mixture-of-Experts ที่เปิดใช้งานเฉพาะชุดย่อยของพารามิเตอร์ในโมเดลที่เกี่ยวข้องกับแต่ละคำถาม ช่วยลด compute ที่ต้องใช้และลดต้นทุนต่อคำขอลง
การตั้งราคาของ DeepSeek ส่งผลอย่างไรต่อตลาดฮาร์ดแวร์ AI?
หุ้นของ Nvidia ปรับตัวลดลงอย่างเห็นได้ชัดหลังจากการเปิดตัวโมเดลต้นทุนต่ำของ DeepSeek ในเดือนมกราคม 2025 เนื่องจากข่าวดังกล่าวทำให้นักลงทุนต้องปรับความคาดหวังใหม่ต่ออุปสงค์ในฮาร์ดแวร์คอมพิวต์ประสิทธิภาพสูง
เหตุใดไลเซนส์โอเพ่นซอร์สของ DeepSeek จึงมีความสำคัญ?
โมเดลของ DeepSeek ถูกปล่อยภายใต้ไลเซนส์ MIT ทำให้สามารถนำไปใช้งานและปรับแต่งได้ฟรีโดยไม่ต้องเสียค่าไลเซนส์ ซึ่งช่วยส่งเสริมการยอมรับและนวัตกรรมที่กว้างขึ้นในหมู่นักพัฒนา
การตั้งราคาของ DeepSeek อาจส่งผลต่อโปรเจกต์ AI แบบกระจายศูนย์และคริปโตอย่างไร?
ต้นทุนการ inference ของ AI ที่ต่ำลงช่วยเพิ่มความเป็นไปได้ทางเศรษฐศาสตร์ของเครือข่าย GPU compute แบบกระจายศูนย์ ทำให้การสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI บนบล็อกเชนและแพลตฟอร์ม DePIN อย่าง Render, Akash และ io.net เป็นเรื่องที่ทำได้จริงมากขึ้น
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”DeepSeek ทำอย่างไรจึงทำให้ต้นทุนการรันโมเดล AI ต่ำกว่าคู่แข่งมาก?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”DeepSeek ใช้สถาปัตยกรรม Mixture-of-Experts ที่เปิดใช้งานเฉพาะชุดย่อยของพารามิเตอร์ในโมเดลที่เกี่ยวข้องกับแต่ละคำถาม ช่วยลด compute ที่ต้องใช้และลดต้นทุนต่อคำขอลง.”}},{“@type”:”Question”,”name”:”การตั้งราคาของ DeepSeek ส่งผลอย่างไรต่อตลาดฮาร์ดแวร์ AI?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”หุ้นของ Nvidia ปรับตัวลดลงอย่างเห็นได้ชัดหลังจากการเปิดตัวโมเดลต้นทุนต่ำของ DeepSeek ในเดือนมกราคม 2025 เนื่องจากข่าวดังกล่าวทำให้นักลงทุนต้องปรับความคาดหวังใหม่ต่ออุปสงค์ในฮาร์ดแวร์คอมพิวต์ประสิทธิภาพสูง.”}},{“@type”:”Question”,”name”:”เหตุใดไลเซนส์โอเพ่นซอร์สของ DeepSeek จึงมีความสำคัญ?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”โมเดลของ DeepSeek ถูกปล่อยภายใต้ไลเซนส์ MIT ทำให้สามารถนำไปใช้งานและปรับแต่งได้ฟรีโดยไม่ต้องเสียค่าไลเซนส์ ซึ่งช่วยส่งเสริมการยอมรับและนวัตกรรมที่กว้างขึ้นในหมู่นักพัฒนา.”}},{“@type”:”Question”,”name”:”การตั้งราคาของ DeepSeek อาจส่งผลต่อโปรเจกต์ AI แบบกระจายศูนย์และคริปโตอย่างไร?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”ต้นทุนการ inference ของ AI ที่ต่ำลงช่วยเพิ่มความเป็นไปได้ทางเศรษฐศาสตร์ของเครือข่าย GPU compute แบบกระจายศูนย์ ทำให้การสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI บนบล็อกเชนและแพลตฟอร์ม DePIN อย่าง Render, Akash และ io.net เป็นเรื่องที่ทำได้จริงมากขึ้น.”}}]}
บทความนี้จัดทำขึ้นด้วยความช่วยเหลือจากปัญญาประดิษฐ์และผ่านการตรวจทานโดยทีมบรรณาธิการแล้ว
