DeepSeek牵手宇树：当智能便宜到可以被浪费的时候

文｜Sleepy

技术真正开始改变世界，往往发生在它便宜到可以被浪费的时候。

最近，连外媒都开始学会了一个很中国互联网的词，斩杀线。

7 月 31 日，DeepSeek V4 Flash 更新。在 Artificial Analysis 那张同时比较模型智能水平和使用成本的坐标图里，纵轴越往上，模型越聪明；横轴越往右，调用成本越高。V4 Flash 的智能指数到了 50 分，已经贴着全球第一梯队，一轮测试的平均成本却只有 3 美分。那个点几乎被推到了坐标系的左上角。比它便宜的模型，能力大多不如它；比它聪明的模型，又普遍贵出一大截。

现在一个模型如果没有比 DeepSeek 强出足够多，就越来越难解释自己为什么要贵几十倍。中文互联网把这条边界叫作「斩杀线」。几天以后，彭博讨论中国模型对美国 AI 公司的价格压力，标题里也直接用了「Death Zone」。

从 2024 年的 V2 开始，DeepSeek 就在不停地往下压机器「想一次」要花的钱。模型能够完成的任务越来越复杂，价格却始终没跟着能力一起往上飞涨。过去两年，大模型行业习惯用更大的参数、更长的上下文和更高的 Benchmark 讲进步，DeepSeek 一直还在追另一个标准，同样的智能，能不能少花点钱。

杭州另一边，王兴兴做了十几年另一件相似的事。

他读研究生时做 XDog，从一开始就没有多少钱可以烧。贵的液压系统用不起，就研究低成本的电机；成熟的方案买不起，就自己画驱动板、写程序、搭控制系统。很多今天已经变成宇树产品标准件的技术选择，最早都带着一种很朴素的工程习惯，先别问行业里通常怎么做，先看看有没有更便宜的办法。

王兴兴后来回忆，2010 年做双足机器人时，机械部分加起来只花了两百块钱。多年以后有人问宇树还能不能继续降成本，他回答：「不要跟我们比降成本，我们可以继续降低很多。」

一家公司在降低思考的价格，一家公司在降低行动的价格。很长一段时间里，他们虽然都在杭州，但还是在各走各的路。

直到 8 月 6 日。

宇树科技公布科创板 IPO 战略配售结果，DeepSeek 拿出 1.408 亿元认购宇树新股。双方披露的合作安排也相当直接，宇树需要模型训练服务和技术方案时优先考虑 DeepSeek，DeepSeek 需要机器人、探索具身智能应用时优先考虑宇树。

这笔钱放到今天的 AI 行业里并不算惊人。真正有意思的是，两个十几年来一直想把昂贵技术往白菜价上做的人，第一次把自己的成本曲线接到了一起。于是一个比「大模型终于给机器人接上身体」更值得追问的问题冒了出来：

如果机器思考的成本和机器行动的成本同时继续下降，AI 最后会变成什么样？

答案可能不只是「更多人用得起」。

更大的变化，是我们开始不用那么珍惜它。

两个价格屠夫

梁文锋和王兴兴身上最像的地方，是他们都不太相信靠补贴换来的便宜。价格表当然可以一夜改掉，但羊毛出在羊身上，这种低价通常撑不了多久。东西真想长期卖得便宜，最后还得回到工程里，把那些原本理所当然存在的成本一层层拆掉。

DeepSeek-V2 是最典型的一次。2024 年模型发布以后，国内大模型行业很快被拖进价格战，外界最容易看到的是 API 报价，而真正能支撑住降价的东西藏在模型结构里。V2 总参数达到 2360 亿，每处理一个 Token，实际只激活其中 210 亿；相较上一代，训练成本减少 42.5%，KV Cache 减少 93.3%，最大生成吞吐提高到 5.76 倍。

到了 V3，这个思路继续往前推。模型变得更大，正式训练用掉 278.8 万 H800 GPU 小时，DeepSeek 又通过混合专家、低精度训练、通信优化去优化效率。

这种成本观后来甚至开始反过来定义产品。

今年 5 月，DeepSeek 把 V4-Pro 原本 75% 的促销折扣直接改成永久价格，旗舰档也继续往下压。梁文锋此前解释过他们的定价原则，根据真实成本定价，不长期贴钱，也不追求暴利。

王兴兴对机器人的理解几乎一样。

2025 年接受《晚点》采访时被问到，H1 当初卖 9 万美元，后来更灵活的 G1 低配版起售价只剩 9.9 万元人民币，这样还赚不赚钱。

王兴兴回答：「商业行为肯定要有合理的商业利润。成本一直是我们做所有东西的 KPI，核心就是要赚钱。」

他随后谈的也很少是那句最常见的「规模起来供应商自然会降价」。真正决定机器人价格下限的，是电机怎么选、减速器怎么做，一个关节要用多少零件，整机还能不能再轻一点，哪些部件必须攥在自己手里。

这种降本方式有一种很强的工业时代质感，一分钱掰成两半花。

一块电路板少几厘米，一个关节少两个零件，一根线束换一种走法，单拎出来都算不上什么伟大突破，可几十个这样的变化叠在一起，最后会直接影响售价。

宇树过去几年的价格变化正是如此。2023 年，第一代全尺寸人形机器人 H1 上市，当年只卖出 5 台，平均售价 59.34 万元；2024 年，更小的 G1 进入市场，销量提高到 410 台，平均售价降到 26.07 万元；到 2025 年前九个月，人形机器人销量达到 3551 台，平均售价又降到 16.76 万元。

价格每往下降一节，机器人的买家也会迎来新的一批。五六十万元的设备，需要实验室立项、写预算、解释买回来到底准备研究什么；十几万元已经可以进入更多高校、开发团队和企业。

很多技术真正跨过普及的临界点，就是在这种变化里完成的。从专项预算变成部门预算，再从部门预算变成普通采购，最后某一天，人们懒得再为每一次使用算账。

贵的技术天然只配解决贵的问题，价格跌下来以后，那些过去根本不值得技术出场的小事，才会开始进入它的世界。

两条成本曲线终于相交

宇树自己已经在做世界模型和 VLA，所以 DeepSeek 的价值并不只是给机器人「接一个大脑」。真正能把两家公司咬合起来的，是具身智能目前最昂贵的那个训练循环。

这个循环一半发生在现实世界。机器人真的伸手、走路、拿东西，人类或者其他系统不断给它示范，产生成功和失败的轨迹。

另一半发生在计算中，数据被清洗、标注，送进模型训练新的策略，再经过推理和验证重新部署回机器人。机器出去接着试，带回来新的数据，模型再学一遍。这套循环转得越快，机器人接触到的世界越多。

问题是，它两头都贵。真机贵，团队就很难让几百台机器人一天到晚在实验室里摔跟头；训练和推理贵，那些采回来一眼看不出价值的数据，也很难被反复训练和验证。

于是过去做机器人实验总是很珍贵的。机器只有几台，今天采什么数据要提前想清楚；算力就那么多，一批轨迹值不值得再跑一遍，也得掰着指头算。资源越贵，研究人员越倾向于挑那些看起来最有价值、成功概率最高的问题。

可现实世界偏偏不是这样的。

杯子放在桌边三厘米和五厘米有什么区别，毛巾湿了一半以后该从哪里抓，抽屉卡住时是接着用力还是先往回退一点，塑料袋里装一个苹果和三个苹果时手臂要怎么调整。这些事单拎出来，没有任何一个值得开一场发布会，甚至很难值得一个实验室专门立项。可机器人一旦进入家庭、餐厅、仓库、办公室，它每天面对的世界恰恰由这些琐碎到令人厌烦的问题组成。

这时候再看 DeepSeek 和宇树的合作，逻辑会清楚很多。

宇树把前半段的成本往下压，让更多真机进入实验室、开发团队和真实场景；DeepSeek 长期解决的是后半段的问题，让模型训练、推理和验证越来越便宜。

多数轨迹最后不会进入产品，多数实验也不会产生新闻，有些机器人会连续一百次抓错杯子，一批昂贵的数据跑完，也可能只证明了最初的思路根本不成立。

资源贵的时候，这些叫打水漂；成本足够低，它们才有资格被叫作经验。

手机便宜一点，意味着更多人可以买；机器人便宜一点，还意味着它自己可以拥有更多没有产出的时间，在实验室里练一个下午，做一些最后根本用不上的动作，走进更多奇怪的环境，遇见更多工程师提前没想到的情况。

当身体和智能同时变便宜，具身智能最先得到的，就是更多犯错的资格。

人类是怎么学会浪费技术的

这种事在人类技术史上已经发生过很多次。

1865 年，英国经济学家 William Stanley Jevons 研究蒸汽机和煤炭时发现了一件反直觉的事。蒸汽机效率越来越高，每完成一项工作要烧掉的煤越来越少，英国消耗的煤却没有跟着下降，反而增加了。因为蒸汽动力一旦变便宜，过去舍不得用它干的事也开始使用它，效率省下来的煤，很快又被更多新的需求吃掉。

后来人们把这个现象叫作「杰文斯悖论」。

过去两年用 AI 的人，其实多少已经体会到了反过来的那个阶段。模型还贵的时候，我们先学会了一门怎么省智能。创业团队嘴上讨论用户体验，产品经理心里还得记着一张 Token 价格表，一个功能技术上做得到，最后也可能因为「每个用户多跑五次模型太贵了」被砍掉。

可技术真正进入生活，往往要过另一道坎，它便宜到我们开始用它做一些并不那么重要的事。

今天没人会在打开客厅的灯之前先算这一小时的照明创造了多少经济价值，也没人因为手机后台多发了几个网络请求就觉得自己挥霍了伟大的互联网基础设施。

电和网络都有成本，只是这笔成本已经低到不值得为每一次使用做决策。人在这些事上早就变得大手大脚，而且毫无愧疚。

智能如果有一天来到这里，我们和 AI 的关系也会跟着改变。会议结束顺手让模型整理一下，文章写完让几个模型分别挑毛病，一个 Agent 没做成就换几条路径接着试，有枣没枣先打三杆子。机器人收拾桌子，第一次把杯子碰倒，第二次手伸歪，第三次动作太慢，那就来第四次。

一项技术真正普及以后，人们不会越来越认真地计算它的使用效率，人甚至会忘记自己正在使用它。

等我们不再算这笔账

1911 年，英国数学家和哲学家怀特海在《数学入门》里写过一句话：

「文明的进步，在于不断扩大那些我们无需思考就能完成的重要操作。」

今天的 AI 显然还没走到这里。我们仍然在讨论哪个任务值得用最贵的模型，开发者还会因为每百万 Token 差几块钱换供应商；机器人公司还得在展厅、实验室和工厂之间，找那个最容易算过账的场景。这个行业依然有一种很重的柴米油盐感。

而这笔 1.408 亿元的投资真正链接到一起的，是一张过去很少出现在行业讨论里的账单。机器犯一次错，到底多少钱？

今天这个答案还不够便宜，所以每一条真实世界的数据都要认真采集，每一轮训练都要挑挑拣拣，每一台机器人最好尽快找到一份能算出产出的工作。

等到智能真正普及的那一天，可能不会有一场发布会宣布新时代到来。我们只是慢慢发现，一台机器人在仓库角落里练了一下午抓箱子，失败三百次，已经没人专门过问；一个 Agent 为了找答案自己试了几十条路径，也没人盯着 Token 账单心疼；实验室里多放几台机器人，不再需要为每一台写一份采购理由。

所以 AI 未来真正重要的价格，可能不是一百万 Token 究竟多少钱，也不是一台人形机器人究竟多少钱，而是我们什么时候终于懒得再算这些数字。

当机器多想几遍、多走几步、多犯几次错，都已经不值得人心疼的时候，智能才算真正从一种昂贵的能力变成基础设施。

技术真正开始改变世界，往往发生在它便宜到可以被浪费的时候。

DeepSeek 正在让思考接近这个价格，宇树正在让身体接近这个价格。剩下的事，是让机器拥有足够便宜的一生。

便宜到可以反复尝试，便宜到可以不断犯错，便宜到那些今天看起来毫无意义的失败，终于多到足够组成智能。