印度财长称AI不输中国，DeepSeek 0.75美元API改写基建规则

当"不落后"的宣言遇到0.75美元的价目表

印度财长西塔拉曼在CNBC采访中表示，印度在AI和前沿技术上"不再是落后者"，只是起步晚了一点，现在正全力推进。这番话在国家级镜头前说出，底气需要底牌支撑。而几乎同一时间，DeepSeek^广告将搜索API价格压到千次调用0.75美元，约合人民币5块出头，且请求失败、结果为空不收费。

两件事摆在一起，指向一个核心问题：AI竞赛的入场券，到底由谁定义？

据B站UP主琪琪的分析，一边是台上说"不落后"，一边是底下把基础设施价目表重新写了一遍。嘴上的功夫和手上的功夫，分量完全不同。

从"做不出大模型"到定义推理成本

算力受限下的另一条路

两三年前ChatGPT刚出现时，国内舆论场有一种声音：中国做不出自己的大模型，开源是死路，只能跟随美国技术栈。这种否定比技术困难更压抑——它说你连入场券都没有。

DeepSeek R1是在美国对高端芯片出口管制层层加码的背景下做出来的。硅谷的玩法是砸钱堆卡，几万张英伟达卡并用绝对算力训练。国内拿不到最先进芯片，只能换一条路：算法上抠效率，工程上榨性能，每一块能用的芯片都尽量压出计算量，每一层模型结构用更少参数达到接近效果。

分析结论一致：R1是在算力受限条件下靠算法和训练方式创新打出来的。这证明技术封锁可以拖慢你，但没法替你决定路径。不给最宽的跑道，就换一种跑法——一旦跑出速度，就有了重新定义规则的可能性。

0.75美元改变了什么

搞AI智能体开发的人清楚，过去接第三方搜索API，硅谷主流服务千次调用价格在几美元到十几美元区间。DeepSeek的0.75美元比市面主要服务商便宜了大概五到二十倍。

对一个跑任务的开发者来说，这意味着过去六成到八成的预算花在"获取信息"这个底层动作上，模型推理成本反而占小头。现在底层动作价格被砍掉一个数量级，同样预算能跑的测试轮次多了，能覆盖的场景宽了，试错空间大了。

这不是便宜一点的问题，是把一扇门从只有大公司推得开，变成小团队用肩膀也能顶进去。很多中小开发者不是没有想法，是跑不起——一个垂直领域智能体的思路，光搜索调用跑几百次实验就把预算烧完了。价格下来后，最先活过来的就是这批人。

API价格战传递的信号从来不只是数字，而是谁有资格留在牌桌上。搜索API、推理框架、芯片适配层这些底层设施才是AI产业真正的地基。谁定义地基的接口标准，谁决定地基的使用成本，谁就在事实上掌握整栋楼的租金水平。

关键区别在于：靠补贴烧出来的低价随时可以收回，靠工程效率把成本结构打穿之后爆出来的价，收不回去。

模型蒸馏是一种让小型模型学习大型模型输出行为的压缩技术：大模型（教师模型）在大量输入上生成回答，小模型（学生模型）以此为目标进行训练，从而用远少于教师的参数量逼近其能力。它大幅降低了部署成本，但也意味着学生模型的能力上限受制于教师模型，并未经历从零预训练所积累的数据与架构探索。开源社区判断一个模型是"自研基座"还是"蒸馏套壳"，常用方法包括检查权重分布特征、分词器设计、训练日志与消融实验的完整性。蒸馏本身是合规且常见的技术手段，争议点在于对外宣称的原创程度与实际工作量是否匹配。

开源昇腾组件：比0.75美元更深远的棋

DeepSeek在九月底开源了一整套面向华为昇腾算力平台的基础设施组件，包括编译工具、计算库、通信库，与之前面向英伟达平台开源的组件一一对应。

翻译成大白话：过去写AI程序，大量代码绑在英伟达CUDA生态上，换芯片等于重写，这是人家最深的墙。现在通往昇腾的路也修通了，代码不用从零再来，芯片可以切换使用。

这件事的长期影响比某个模型的跑分高低深远得多。它意味着中国AI做的不是在别人的地基上盖更高的楼，而是在同时修另一套地基，并把修地基的工具公开出来。修桥铺路的人和收过路费的人，在产业史里从来不是同一个角色。

CUDA（Compute Unified Device Architecture） 是英伟达自2006年起构建的并行计算平台与编程模型，开发者通过它调用GPU进行通用计算。十余年积累使其拥有成熟的编译器、数学库（cuBLAS、cuDNN）、通信库（NCCL）和海量现成代码，形成了极高的迁移成本壁垒。国产算力平台要真正可用，必须提供功能对等的替代层：编译工具负责把高层框架代码转换为芯片指令，计算库提供矩阵运算等基础算子，通信库支撑多卡分布式训练。昇腾的CANN即扮演这一角色，而DeepSeek开源对应组件，实质是降低了开发者在CUDA与昇腾之间切换的改造成本。

印度的AI底牌：算力、电力与模型真相

算力与电力的硬约束

印度政府公开计划显示，短期内要把AI算力GPU规模从38000张增长到58000张。58000张是什么概念？硅谷一家头部公司单次采购规模可能就不止这个数。

更关键的是电。数据中心是吃电巨兽，一个超大型数据中心耗电量抵得上一座中型城市。印度全国电网老化，区域供电稳定性差异很大，电力结构中化石能源仍是主力。有报道提到，去年夏天极端高温时，印度部分数据中心被迫用柴油发电机维持运营。连稳定的电都保证不了，谈前沿AI不落后，在工程上是不成立的。AI不是纯软件概念，它是能源和硬件密度的概念。

PUE（Power Usage Effectiveness，电能利用效率） 是衡量数据中心能效的核心指标，等于数据中心总耗电量除以IT设备耗电量，理想值为1.0，越接近1说明用于制冷、配电损耗的电越少。大型数据中心PUE通常在1.1至1.4之间，而印度部分设施受高温与电网波动影响，需额外制冷与柴油备份，实际能效与供电成本劣于行业先进水平。此外，训练一个大模型所需的电力不仅是瞬时功率问题，更是持续稳定供电问题——电压骤降或断电会导致训练中断、检查点丢失，重跑成本极高。这解释了为何电力基础设施是AI算力的前置条件，而非配套条件。

套壳微调与从零训练的差距

印度这两年确实出现了宣称自研的大模型，但开源社区拆开权重一看，底子是DeepSeek R1的蒸馏版本，或是在中国开源模型基础上二次微调。针对印度多语言环境做优化有价值，但套壳加微调和从零训练一个基座模型之间的差距，不是发布会跑分能填平的。

更值得玩味的是，印度自己的投资人也承认，消费科技初创企业大规模转向中国开源模型，是因为成本能降一个数量级。一边用着别人的底座跑产品，一边在台上说"不落后"，这个叙事本身就说明问题。

IT外包的老路撑不住AI时代的就业

印度IT产业过去几十年的核心优势是人力套利：培养大量能写标准化代码的工程师，用人力成本差承接欧美外包订单。这套模式在软件时代跑得通，因为项目需要人头。

AI时代的逻辑变了。AI编程工具能吃掉大量标准化编码和测试工作，企业对初级代码起手的需求在收缩，对能设计AI系统、能调优模型的人的需求在上升。印度每年培养的计算机毕业生达到企业就业标准的比例并不乐观，具备AI研发能力的人更是少数。这不是等等就会好的缺口，是结构性错位。

上桌的标准是什么

财长的话本质上是说给资本和国内选民听的，唯独不是在描述工程现实。印度需要外资、技术转移和全球AI叙事里的位置，才能吸引资本和注意力。谷歌宣布在印度建吉瓦级数据中心，亚马逊承诺数百亿美元投资——资本来不是因为印度AI技术追平了谁，是因为印度有市场、数据、廉价人力和语言资源。

这引出一个比"印度行不行"更重要的问题：AI牌桌上，什么才算上桌？

会调用API做应用，是上桌；拿开源模型微调本地版本，是上桌；能定义底层接口、决定推理成本、在算力被卡时换一条路把模型训出来，也是上桌。如果标准是前两个，很多国家都在桌上。如果标准是第三个，这张桌子上能坐的人很少。

中国AI过去两年在争取的恰恰是第三个位置的话语权。0.75美元的搜索API、昇腾组件的开源、受限算力下的模型突破，穿在一起指向同一个方向：不跟你在别人的规则里比谁跑得快，而是把规则本身变成可选项。