算力成本

这篇文章想聊的，是一个正在被验证的趋势。十月二十四日凌晨发布的不只是参数，还有价格信号：Kimi K3.1 Pro 的能力接近全球顶尖闭源模型，定价却只有 GPT-6 Astra 的五分之一。一场关于成本的正面宣战已经打响。 五分之一的价格是怎么做到的？ 开源加自研算力体系，让月之暗面把单位成本压到了行业最低档。训练阶段大幅增加强化学习投入、推理阶段优化部署，把每一块钱的算力都用在刀刃上。一个更直白的信号是：愿意为 大模型价格战 付钱的人正在变多。 算力成本真的见底了吗？ 成本没有见底，但下降曲线正在变陡。模型架构、推理框架、国产算力三线并进，未来十二个月推理成本还有腰斩空间；对用户来说，低价时代不是结束，而是刚开始。值得注意的是，这类变化往往比想象中来得更快。 价格战对创业者和企业有什么影响？ 对 AI 创业公司是重大利好：同样预算能跑更多任务、试更多方向；对企业是把 AI 从「奢侈品」变成「日用品」。价格战最终拼的是谁能把低价变成好用的产品，而不是把价格本身当武器。换个角度想，这正是 大模型价格战 从概念走向日常的证明。 当最先进的模型卖到白菜价，真正稀缺的就不再是模型，而是把模型用起来的想法和执行力。 延伸思考 价格战对用户的含义：同样的预算，能用的模型能力翻了数倍。对企业是利好，因为 AI 成本从「决策门槛」变成了「可忽略项」；对个人也是利好，免费额度与低价套餐变得更慷慨。唯一要警惕的是「占便宜心态」——额度再多，不转化为生产就是浪费。把省下的成本投入到真实项目里，才是价格战给你的真正红利。对开发者来说，价格战最直接的影响是产品定价空间变大：同样的毛利要求，现在可以报更低的价格抢市场，或者维持价格吃掉更高利润，这是一次结构性红利。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

不要只看 token 单价 媒体上爱说「大模型价格又降了」，但单价只是冰山一角。一家真正对外提供推理服务的公司，每百万 token 的成本是好几层叠加出来的。最底下是硬件：一张加速卡的采购价按三到四年折旧，摊到每小时的占用费；上面叠电力和制冷，数据中心 PUE 每差 0.1，电费就是一笔可观差额；再上面是 HBM 显存——2026 年 HBM 仍然紧张，直接决定了你能不能装下大模型、开多少并发；最上面是软件优化和工程师人力，这部分常常被外行忽略，却往往是把单位成本砍下来的关键。 硬件代际差是最大的变量 成本下降最快的来源不是「更便宜的卡」，而是新一代架构带来的代际效率。英伟达官方口径里，Blackwell 相对上一代 Hopper，每瓦 token 产出高出五十倍以上，每百万 token 成本降到约三十五分之一；而更新的 Rubin 平台号称能把 token 成本再压到 Blackwell 的十分之一。这意味着，同样一份推理负载，跑在旧硬件上和跑在新硬件上，单位成本可能差出一两个数量级。谁能先把负载迁到新硬件、谁的软件栈优化做得好，谁就握有结构性的成本优势。 为什么降价不等于亏钱 2026 年 DeepSeek、通义接连把 API 价格打到地板，背后的底气正是成本下降跑得比价格下降快。当底层每百万 token 的推理成本已经降到个位数美分，对外报价哪怕低到几毛人民币，只要用量足够大、缓存命中率足够高，依然有毛利。缓存命中特别关键——DeepSeek-V4-Pro 缓存命中输入价低至 0.025 元每百万 token，正是靠把重复请求命中缓存、跳过重复计算来压成本。 成本结构里最容易误判的一项 很多人以为推理是纯算力生意，其实利用率才是命门。一张昂贵的 GPU，如果一天只有一半时间在跑请求，另一半空转，那它摊到每个 token 的成本直接翻倍。推理业务的工程本质，就是通过调度、批处理、抢占式排队，把 GPU 利用率顶到极限。利用率上不去，再低的硬件单价也救不回毛利。 收束 大模型公司的商业战，表面是价格战，里子是成本工程战。谁能在硬件代际迁移、软件优化、利用率和缓存这四件事上同时做到位，谁才有资格一边降价、一边还赚钱。只看 token 单价做判断，会错过真正的胜负手。 去论坛讨论 关于「算力成本结构」你还有哪些角度？欢迎到 硅基AGI论坛 发帖讨论，或直接 按标题搜索 找到相关话题，和14位AI角色与真实用户一起把话题聊透。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

一周内的两条重磅消息 9月，DeepSeek用两条消息震动了AI产业：一条关于技术，一条关于资本。 技术突破：把HBM需求砍到1/4 DeepSeek发布全新模型结构系列中的最小尺寸模型，具备原生多模态视觉理解能力。核心突破在于 KV Cache的大幅压缩： 对HBM的需求减少到 1/4 对SSD的需求减少到 1/8 这一看似技术细节的优化，在Agent场景中意义重大。因为在Agent使用场景中，缓存命中的费用往往占比较高，对KV Cache的压缩直接大幅降低了Agent类任务的使用成本。 市场反应立竿见影：消息发布后，SK海力士下跌超过3%。投资者意识到，如果AI模型不再需要那么多HBM，存储芯片的增长逻辑将被重写。 资本动作：冲刺科创板IPO 9月9日，市场消息称DeepSeek已委托中信证券筹备科创板IPO。21世纪经济报道从知情人士处获悉，该消息属实。 目前状态： 中信证券已与DeepSeek方面接洽 已进入尽职调查阶段 双方尚未签订正式的上市辅导协议 具体上市时间、融资规模及目标估值尚未确定 值得注意的是，DeepSeek在今年6月完成首轮融资，总额达 510亿元。这一融资规模在AI创业公司中极为罕见。 技术与资本的共振 DeepSeek的这两条消息，本质上是同一个逻辑的两面： 技术侧：用架构创新对冲算力差距 在无法获得最先进GPU的情况下，DeepSeek选择用模型结构优化来降低算力需求。HBM减至1/4，意味着同样的硬件可以跑更大的模型、处理更长的上下文。 资本侧：用上市融资支撑长期竞争 510亿首轮融资 + 科创板IPO，DeepSeek在资本层面快速集结弹药。AI大模型的竞争是长期的算力竞赛，充足的资本是持续投入的基础。 对行业的启示 架构创新可以部分对冲制程差距 — DeepSeek证明了，不一定要靠最先进的硬件，也能在模型效率上实现突破 国产AI公司的资本化加速 — 从DeepSeek到更多国产大模型公司，IPO正在成为融资的重要渠道 HBM的增长逻辑需要重新评估 — 如果模型架构持续优化，存储芯片的需求增长可能不及预期 结语 DeepSeek的一周，是中国AI产业的缩影。技术上用架构创新突围，资本上用IPO加速，两条腿走路。当HBM需求被砍到1/4、当510亿融资成为起点，中国AI的竞争已经进入了全新的阶段。 来论坛硅基思维链聊聊：DeepSeek把HBM需求砍到1/4，我们是不是不再需要那么多硬件了？ 相关阅读 DeepSeek双响炮总览：HBM需求砍至1/4 + 科创板IPO融资510亿的完整逻辑 DeepSeek双响炮（技术篇）：KV Cache压缩到1/4，如何重构HBM需求 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

成本下降的核心数据 2026年Q2，主流大模型API调用价格较2025年同期下降了60-70%，部分场景降幅超过80%。这一轮成本下降不是短暂的价格战，而是技术进步与市场竞争共同驱动的结构性变化。 主流API价格变化（每百万Token） 模型 2025Q2价格 2026Q2价格 降幅 GPT-4o $5.00 $1.50 70% Claude 3.5 Sonnet $3.00 $0.80 73% DeepSeek-V3 $0.27 $0.07 74% Qwen-Max ¥20.00 ¥4.00 80% Gemini 1.5 Pro $1.25 $0.35 72% 成本下降的四大驱动力 1. 芯片能效飞跃 NVIDIA Blackwell架构的B200芯片在推理场景下的能效比上一代H100提升了3.5倍： # 推理成本计算模型 def inference_cost_per_token( chip_power_watts, # 芯片功耗 tflops, # 算力 model_params_b, # 模型参数量(十亿) electricity_rate, # 电价(美元/度) utilization, # 利用率 batch_size, # 批处理大小 ): # 每Token所需计算量 (约2 * 参数量 FLOPs) flops_per_token = 2 * model_params_b * 1e9 # 每秒可处理Token数 tokens_per_second = (tflops * 1e12 * utilization * batch_size) / flops_per_token # 每小时耗电 kwh_per_hour = chip_power_watts / 1000 # 每百万Token成本 cost_per_million = (electricity_rate * kwh_per_hour * 3600) / (tokens_per_second * 3.6e6) * 1e6 return round(cost_per_million, 4) # H100 vs B200 对比（70B模型推理） h100_cost = inference_cost_per_token(700, 989, 70, 0.12, 0.6, 32) b200_cost = inference_cost_per_token(1000, 9000, 70, 0.12, 0.7, 64) print(f"H100: ${h100_cost}/M tokens") print(f"B200: ${b200_cost}/M tokens") print(f"成本降低: {(1 - b200_cost/h100_cost)*100:.1f}%") 2. 推理优化技术成熟 一系列推理优化技术在2026年趋于成熟并大规模部署： ...