（圖片來源：ChatGPT）
2025年01月20日，DeepSeek-R1橫空出世，除了在多項基準測試中取得優異甚至媲美OpenAI-o1的表現之外，更令人震驚的是，DeepSeek-R1宣稱其僅用了兩個月訓練時間，且其預訓練成本僅為OpenAI-o1的不到1%。這一消息迅速激起市場對AI模型訓練所需鉅額資本投入的必要性及合理性的質疑，使得DeepSeek-R1的發布不僅在技術層面上引起轟動，更在金融市場激起了強烈反應，造成當日美國晶片類股大幅下跌，其中NVIDIA更創下美股歷史上單日最大跌幅17%，市值一度蒸發6,000億美元，恐慌情緒一度蔓延。
LLM公司商業模式
然而DeepSeek的說法究竟是否合理？或許可以從AI服務的商業模式進行分析。目前，開發大型語言模型（LLM）的公司主要依賴以下幾種商業模式：
- API 訂閱（AIaaS）：LLM提供商將模型封裝成API，讓企業或開發者透過API存取相應的AI服務，如OpenAI提供ChatGPT API讓使用者存取GPT-4、GPT-4-turbo；Google Gemini透過Google Cloud Vertex AI 讓企業付費使用AI服務。
- 企業授權：LLM提供商向企業提供專屬AI服務，如Meta推出供企業內部使用的Metameta、OpenAI和微軟合作將GPT模型整合至Office 365，推出名為「Copilot」的全新AI功能。
- 數據經濟與廣告變現：利用數據與流量變現，如Google用AI強化搜尋體驗以推動廣告收入。
LLM主要收入以訂閱費為大宗，OpenAI、Anthropic等皆是採用API訂閱收費的模式，通常以使用量（Token-based）計費。而本次DeepSeek-R1震撼市場的其中一點即為其Token收費較OpenAI-o1便宜27倍，且號稱其產出可取得與o1相似的成果，對於需要大量API調用的企業用戶而言，無疑是一個極具吸引力的競爭優勢。由此可知Token對於LLM公司之商業模式、收入成本結構息息相關。
（圖一、DeepSeek-R1與OpenAI-o1收費比較；資料來源：TIMETOACT Group）
何為Token
LLM模型以Token（符元）作為理解和處理文字訊息的基本單位。由於不同語言及模型採用的符元化方法（Tokenization）各不相同，一般而言，100個Token約等於75個英文單字。由於處理的Token數量越多，所需計算資源就越高，因此Token數量直接關係到模型的運算成本，LLM公司也多以此為訂價依據。
估值模型
接著我們來看看如何用估值模型概念評估LLM價值。
1.收益法
收益法是基於對未來收益與成本的預測，主要計算LLM產品在扣除運行成本後能夠產生的淨收入。由於LLM的收費模式及成本均與使用的Token數量密切相關，因此可以將估值公式簡化為：
估值=P x Q
其中，P為每單位Token的收入（或成本），Q為使用的Token數量。這是一個可以很好評估產品收支的方法，然而目前公開可收集的資料中，較難取得LLM運行所需成本，且由於目前AI模型都尚處早期發展階段，更有可能的情況是現行收入並不足以支應實際運行模型所需之成本。
但如要估算收入，根據OpenRouter網站記錄，2025年02月09日GPT-4o共處理了37.8億個Token，假設輸入與輸出比為10:1（常見的RAG系統檢索與生成工作負載比例），按照OpenAI官網公布的Input / Output Token價格，可推估在當天GPT-4o創造12,000美元的收入。
表1：GPT-4o單日收入推估
2.市場法
市場法的核心精神即參考市場上其他相似產品之價值，在公司估值時，會參考與受評標的業務結構相似之可類比公司，於此亦然，可查找與受評LLM相似之其他LLM作為可類比對象。
由於LLM種類繁多，每種LLM有其擅長領域，因此可以透過篩選在基準測試中與受評LLM表現相近的LLM，並參考各家公司的Token定價，來估算受評LLM的市場價值是否合理。這種方法依賴於市場上已有的公開數據和比較模型，能夠較直觀地反映市場預期。
（圖二、LLM Benchmarks-December 2024，資料來源：TIMETOACT Group）
3.成本法
由於AI技術更新迅速，且LLM 模型頻繁升級，使得難以精確劃分新舊模型的投入成本。僅計算新模型的投入，往往無法全面反映公司長期累計的技術研發與原始投入，因此成本法在評估此類產品時可能存在較大局限性，不太適合作為主要估值方法。
這也是市場上目前懷疑DeepSeek成本有低估之虞的原因，根據Semianalysis的分析，DeepSeek-R1宣稱的600萬美元僅代表AI服務中的預訓練成本，只占模型總投入的一部分，並不涵蓋其他如研發、硬體採購及公司營運支出的成本。由於各LLM開發公司均未公開其成本的具體數額及占比，市場上出現了資訊不對稱，故進一步激發了對AI模型訓練成本結構的討論與疑慮。
儘管短期內市場出現了劇烈波動，但從長遠看，隨著AI技術不斷成熟與運營數據的透明化，未來對AI服務產品的估值將更趨科學和合理。企業在選擇合作夥伴或投資標的時，也必須綜合考量技術實力、成本結構及市場前景，才能在這個高速發展的領域中取得先機。
延伸閱讀：淺談ChatGPT－如何評價科技股價值
