DeepSeek может привлечь $15 млрд: почему открытые модели требуют миллиардов

22 октября Bloomberg (заблокирован в РФ) сообщил, что китайская ИИ-лаборатория DeepSeek привлекла около $15 млрд. По данным агентства, компания как минимум дважды повышала цель раунда: примерно с $7,5 млрд до $12 млрд, а затем до итоговой суммы. Среди крупнейших инвесторов названы оператор WeChat Tencent и производитель аккумуляторов CATL.

Статус сделки источники описывают по-разному. Bloomberg пишет о привлечённых средствах. «Коммерсантъ» со ссылкой на сообщение агентства указывает, что раунд ещё продолжается и окончательная сумма может измениться.

Масштаб финансирования показывает, что открытость модели и стоимость её разработки — разные характеристики. Другие компании могут запускать опубликованные веса на выбранной инфраструктуре. Самой лаборатории всё равно приходится оплачивать обучение следующих моделей и серверы для обработки запросов. Данные DeepSeek, Moonshot AI и MiniMax позволяют проследить, как китайские разработчики привлекают капитал, резервируют вычислительные мощности и развивают платные сервисы.

Миллиарды уходят в капитал и вычислительные мощности

Раунд DeepSeek последовал за планами компании построить крупный дата-центр во Внутренней Монголии. Лаборатория собирается развернуть там ускорители Huawei Ascend 950DT для обслуживания моделей. Для обучения она пока использует ускорители Nvidia, сообщал Bloomberg.

В мае Moonshot AI, разработчик семейства Kimi, привлекла около $2 млрд при оценке $20 млрд. Компания развивает платные подписки и API — программный интерфейс, через который приложения обращаются к модели.

MiniMax обеспечила будущие вычисления другим способом. Компания увеличила лимит закупок Alibaba Cloud до $1,2 млрд на период до конца 2028 года. К середине 2026 года она уже использовала две трети первоначального годового бюджета на облачные услуги.

Эти показатели нельзя складывать или использовать как прямой рейтинг расходов. Раунды DeepSeek и Moonshot дают компаниям капитал для разных задач. Соглашение MiniMax определяет максимальный объём конкретных закупок. Все три случая показывают потребность заранее обеспечивать доступ к вычислительной инфраструктуре.

Открытые веса снижают цену распространения, а не вычислений

Открытые веса позволяют скачать параметры обученной модели и запустить её на собственных серверах или у выбранного облачного провайдера. Компания получает возможность самостоятельно выбирать серверное окружение, контролировать данные и оптимизировать расходы.

Для обучения большой кластер ускорителей обрабатывает данные и рассчитывает параметры модели. После выпуска серверы принимают пользовательские запросы и создают ответы. Вместе с аудиторией растёт потребность в ускорителях, памяти, электричестве и сетевых ресурсах.

Разработчики снижают расход ресурсов архитектурными и программными методами. Например, MiniMax-M3.1-Flash использует архитектуру «смеси экспертов»: при обработке токена активируется часть параметров. Разреженное внимание, обучение с учётом пониженной точности вычислений и предварительное предсказание токенов уменьшают расход памяти и ускоряют генерацию.

Эти оптимизации сокращают стоимость обслуживания. Полные веса всё равно нужно хранить, а скорость и доступная длина контекста зависят от памяти ускорителей и конфигурации серверов. Параллельно лаборатории обучают следующие поколения моделей, для которых снова нужны крупные вычислительные кластеры.

Три разных показателя одной экономики

Финансовые данные лабораторий описывают разные стороны бизнеса.

Привлечённый капитал может финансировать инфраструктуру, исследования, найм и развитие продуктов. Облачный лимит относится к определённой категории будущих закупок и задаёт верхнюю границу расходов.

Moonshot раскрыла отдельный показатель монетизации: её годовая повторяющаяся выручка в апреле превысила $200 млн благодаря подпискам и API. Доступность весов оставляет место для платного облачного бизнеса, поскольку часть клиентов предпочитает готовый сервис самостоятельной настройке серверов.

DeepSeek с 16 августа ввела разные тарифы на API для часов пик и менее загруженного времени. Компания объяснила это необходимостью распределять ресурсы и переносить часть запросов на периоды с меньшей нагрузкой. Цена доступа в таком случае отражает дефицит серверных мощностей в пиковые часы.

Низкие тарифы ускоряют спрос, но усложняют монетизацию

Rest of World приводит пример разработчика из Сан-Диего: час работы с Claude обходился ему примерно в $10, сопоставимая сессия с DeepSeek — менее чем в $0,50. Основатель разработчика ИИ-помощников Lindy заявил, что переход с моделей Anthropic на DeepSeek сэкономил компании миллионы долларов.

Другой разработчик ежемесячно тратит $500 на Claude и ChatGPT для сложного планирования и проверки результатов и ещё $200 на MiniMax, Kimi и Xiaomi MiMo. Китайские модели выполняют около 90% остальных задач, включая программирование и распознавание голоса.

Низкая цена помогает наращивать использование быстрее доходов. По данным Vercel, доля DeepSeek в обработанных токенах в мае достигла 17%, а доля в выручке платформы оставалась около 1%.

Часть пользователей запускает открытые модели на собственных серверах или обращается к ним через сторонние облака. Разработчик исходной модели в таких случаях получает меньше контроля над продажами и работой с конечным заказчиком. Поэтому лаборатории одновременно распространяют веса и развивают собственные API, подписки и корпоративные сервисы.

Выбор для разработчиков в России

Сайт и API DeepSeek открываются из России. Это отличает компанию от OpenAI, Anthropic, Google Cloud, Microsoft Azure и AWS, чьи сервисы напрямую недоступны российским клиентам или не принимают новых клиентов из страны.

API DeepSeek совместим с форматами OpenAI и Anthropic. По документации компании, разработчик может использовать соответствующие программные библиотеки, изменив конфигурацию. Ряд агентов и помощников для программирования поддерживает DeepSeek как серверную модель без изменения кода.

Открытые веса можно развернуть на собственных серверах или в российском облаке и не передавать запросы зарубежному API. Для запуска потребуются ускорители, память и серверное программное обеспечение. Требования зависят от размера модели, длины контекста и конфигурации.

Облачный API освобождает разработчика от эксплуатации оборудования, сохраняя зависимость от внешнего тарифа и доступности сервиса. Собственное развёртывание даёт больше контроля над инфраструктурой и данными и переносит расходы на оборудование и обслуживание модели на пользователя.