DeepSeekは「高度なAIモデルを約560万ドルで学習できた」と注目されました。では、なぜ同じ企業が約120億ドル規模の資金を集めようとしているのでしょうか。
この2つの数字は、工場を動かす1工程の費用と、企業全体が集める投資資金を比べるようなものです。557.6万ドルはDeepSeek-V3の最終学習に使ったGPU時間を、仮定の単価で換算したもの。119.3億ドル超は2026年10月6日にReutersが報じた進行中の企業全体の資金調達です。調達完了や、全額がGPU費用という意味ではありません。
モデルを1回学習するためのGPU計算費用と、企業が研究・推論・製品開発・次の投資に必要とする資金は別の数字です。「安く学習できる」ことと「企業全体で巨額の資金を集める」ことは矛盾しません。投資家は、どの工程が安くなり、利用量がどう変わるかを見る必要があります。
557.6万ドルは何の費用なのか
DeepSeek-V3の技術報告では、学習に使った計算量を278.8万H800 GPU時間としています。
内訳は事前学習266.4万GPU時間、コンテキスト拡張11.9万GPU時間、事後学習0.5万GPU時間です。合計278.8万GPU時間×仮定の2ドル=557.6万ドル。GPU時間の単価は実際にDeepSeekが支払ったレンタル代と同じとは限りません。研究者の人件費、設備購入費、データ整備、失敗した試行などを合算した総開発費の実測値ではありません。
しかし、技術報告には大事な注意書きがあります。この数字に含まれるのはDeepSeek-V3の公式学習だけで、アーキテクチャ、アルゴリズム、データについて、それ以前に行った研究やアブレーション実験の費用は含まれない、と明記されています。
つまり557.6万ドルは、「DeepSeekという会社がV3を生み出すまでに使った総額」ではありません。
560万ドルと120億ドルは、比較している範囲が違う
数字の大きさより、まず「何を測った数字か」をそろえる
| 数字 | 何の数字か | 注意点 |
|---|---|---|
| 557.6万ドル | V3の公式学習工程のGPU費用試算 | H800を2ドル/GPU時間と仮定。事前研究・アブレーション実験などは除外 |
| 119.3億ドル超 | 2026年10月に報じられた会社全体の資金調達 | 調達は完了前。全額が学習やGPUへ使われると公表されたわけではない |
最終学習の効率化は、会社全体の安さを意味しない
ここがこの記事で一番重要なところです。
AI企業のコストを、ひとまとめに「モデルを学習する費用」と考えると混乱します。
実際には、少なくとも研究 → 最終学習 → 推論 → 次のモデル開発 → 製品・配布に分けて考える必要があります。
AIのコストは、モデルを1回学習して終わりではない
効率化が進むほど、次のボトルネックが重要になる
| 工程 | 何にお金がかかるか | DeepSeekから見えること |
|---|---|---|
| 研究・実験 | 新アーキテクチャ、データ、失敗実験、人材 | V3の557.6万ドルには事前研究やアブレーションが含まれない |
| 最終学習 | GPU時間、クラスタ運用 | V3は278.8万H800 GPU時間まで効率化 |
| 推論 | 利用者へ毎日回答するためのGPU・メモリ・ストレージ | 効率化しても、利用量が増えれば継続的な計算資源が必要 |
| 次世代モデル | より大きい実験、強化学習、計算資源の確保 | V4.1でも高速化・高スループット・大型化を同時に追求 |
| 製品・配布 | API、アプリ、開発者対応、顧客獲得、エコシステム | 「良いモデル」だけで利用者との接点を独占できるわけではない |
DeepSeekの強さは、まさに最終学習と推論を効率化する技術にあります。
9月に発表したV4.1-Flashでも、5520億パラメータのMoEモデルでありながら、入力時に有効化するのは80億、出力時は160億パラメータとしています。さらに、前世代比でKVキャッシュが必要とするHBMを4分の1、SSDストレージを8分の1へ減らしたと説明しています。
これは「AIは安くならない」という話ではありません。むしろ逆です。1回の処理を安くする技術は、実際に進歩しています。
ただし1回当たりの費用が下がっても、会社全体の計算資源や支出が必ず減るとは限りません。例えば1回10円の処理を100万回使えば1000万円。1回5円へ半減しても、利用が300万回へ増えれば総額は1500万円です。これは仮定であり、DeepSeekの実績ではありません。
1回の処理が安くなると、利用回数が増えるかもしれない
たとえば、自動車の燃費が2倍になったとします。
同じ距離だけ走るなら、燃料費は下がります。
しかし、移動コストが下がったことで走行距離が増えたり、車の台数が増えたりすれば、社会全体の燃料消費は単純には半分になりません。
AIでも似たことが起こり得ます。
1トークンあたりの推論コストが下がれば、企業はより多くのユーザーへ、より長い文脈で、より多くのエージェント処理を提供しやすくなります。モデルの学習効率が上がれば、同じ予算でより大きなモデル、より多くの実験、より大規模な強化学習へ進む余地も生まれます。
DeepSeek自身の2025年2月の24時間スナップショットでは、V3/R1のオンライン推論サービスは平均226.75ノード、1ノード8枚のH800を使用し、H800を1時間2ドルで借りると仮定したGPU費用は1日8万7072ドルと試算されていました。
これは現在の費用でも、会社全体の推論コストでもありません。ですが、重要なのはモデルを一度学習した後も、利用される限り推論コストが継続するという構造です。
希少性はモデル以外のインフラや顧客接点にもある
ここからは産業構造として考えます。
もし高性能モデルを作るコストが下がり、複数の企業が十分に良いモデルを持てるようになるなら、モデルそのものの希少性は以前より下がります。
そのとき価値が移りやすいのは、簡単に増やせない層です。
1. 大規模な推論を安定して動かす計算資源
2. GPU・メモリ・ストレージを最適化するインフラ設計
3. アプリ、API、企業導入などの利用者との接点
4. 次世代モデルを作り続ける研究組織と資本
Reutersによると、DeepSeekはHuaweiと、Ascend AIチップ向けに最適化したプログラミングツールを開発する提携も進めています。
これは、AI競争が「どのモデルが賢いか」だけでなく、モデルと半導体、ソフトウェア、推論基盤をどう組み合わせるかへ広がっていることを示す材料です。
一方、今回の資金調達ではTencentとCATLが大口のコミットメントをしているとBloombergが報じ、Reutersもその内容を伝えています。
ただし、出資したことだけから「Tencentの配布網をDeepSeekが使える」「CATLとAI事業で連携する」とまでは言えません。ここは事実と推測を分ける必要があります。
119.3億ドル超は完了前の調達見通し
ここで反対側の材料も確認します。
今回の資金調達額をそのまま「DeepSeekには120億ドルのGPU費用が必要」と読むのは誤りです。Reutersが報じたのは、800億元(約119.3億ドル)超を目指す資金調達への投資家のコミットメントです。報道時点では資金が全て払い込まれたという会社の公式発表ではなく、企業の売上高とも違います。Reuters(2026年10月6日)
Reutersは、DeepSeekが国内IPOを見据えて資金の厚みを増していると報じています。資金調達には、将来投資だけでなく、IPO前の財務余力や戦略上の選択肢を増やす目的もあり得ます。
さらに、調達額は「必要最低限のコスト」と同じではありません。人気企業なら、必要額を超えて資金を確保することもできます。
したがって今回のニュースから確実に言えるのは、「AIは120億ドルないと作れない」ではなく、「効率化で最終学習費が下がっても、DeepSeekは会社全体として巨額資本を集める価値があると投資家から評価されている」ということまでです。
投資家は「1回当たり費用×利用回数」を分けて見る
AI投資を考えるとき、「AIのコストは下がっている」という一文だけでは不十分です。
モデル学習が安くなれば、GPU需要が必ず減るわけではありません。推論需要が増え、モデル開発回数が増えれば、計算資源の総需要はむしろ増える可能性があります。
反対に、推論効率まで急速に改善し、利用量の伸びより1回あたりコストの低下の方が速ければ、必要な計算資源は想定より減るかもしれません。
つまり確認すべきなのは、「AIは安くなったか」ではなく、「学習・推論・半導体・電力・配布のどこが安くなり、どこが次の希少資源になったか」です。
どの事実が出れば、この見方を変える?
今回の分析が弱くなるのは、次のような場合です。
1つ目。 DeepSeekの次世代モデルで、学習だけでなく推論の総計算需要も大幅に減り、利用増加を上回るペースで必要GPU量が減ること。
2つ目。 今回の資金調達の使途が明らかになり、研究開発や計算資源ではなく、主としてIPO前の財務戦略に使われること。
3つ目。 モデルだけでなく推論インフラや配布まで標準化・低価格化し、現在のボトルネックが一気に解消すること。
この3点が進めば、「AIは依然として巨額資本を必要とする」という見方は弱くなります。
結論:AIの1工程が安くなっても、投資総額は別
DeepSeek-V3の557.6万ドルは、本当に重要な数字です。
それは、優れた設計によって最終学習工程を大幅に効率化できることを示しました。
しかし、その数字はDeepSeekという会社の総開発費でも、推論コストでも、次世代モデルまで含む総投資額でもありません。
そして2026年10月、同社は800億元、119.3億ドルを超える資金を集める見通しだと報じられています。
この2つは矛盾していません。
AIのコストは消えたのではなく、効率化によって「どこに資本を使うか」が変わっている。
モデルを1回学習する費用だけを見る時代から、研究・推論・ハードウェア・配布まで含めたAIの価値連鎖全体を見る時代へ移っている。
DeepSeekの120億ドル調達は、その変化を非常に分かりやすく示すニュースです。
主なデータ出典
Reuters(2026年10月6日、Investing.com転載) — DeepSeekが800億元(119.3億ドル)超を調達する見通し、当初目標500億元、国内IPO準備、Huaweiとの協業など。
DeepSeek-V3 Technical Report / GitHub — 278.8万H800 GPU時間、H800を2ドル/GPU時間と仮定した557.6万ドルの公式学習費用と、その範囲に事前研究・アブレーション実験が含まれないこと。
DeepSeek — V4.1-Flash(2026年9月10日) — 552B MoE、入力8B・出力16Bの有効化、KVキャッシュのHBM・SSD削減、推論効率化。
DeepSeek Open Infra Index(2025年2月) — 24時間のV3/R1推論サービスのGPU利用状況と、2ドル/H800 GPU時間を仮定した1日8万7072ドルの費用試算。
※本記事は公開情報を基にした産業・市場分析であり、有価証券の売買を推奨するものではありません。報道されている資金調達は完了前で、DeepSeek自身による最終的な調達額・使途の公表ではありません。