عندما كانت أرقام ChangXin Technology لعام 2026 تتصدر دوائر التخزين — 78.191 مليار يوان من إيرادات سلسلة LPDDR، تمثل 52.02% من الإيرادات — كنت أنا أجري اختبار ضغط على عنقود استدلال على Tencent Cloud CVM. لم تكن ردة فعلي الأولى تجاه سوق التخزين، بل تجاه حقيقة أن فاتورة الذاكرة الرسومية قد يكون أمامها أخيرًا فرصة للانخفاض.
خلاصة القول أولًا: زيادة الإنتاج المحلي لشرائح الذاكرة ستنتقل في النهاية إلى سعر الفوترة حسب الاستخدام لواجهات API للنماذج الكبيرة. هذه السلسلة أقصر مما يتصور معظم الناس.
ما حجم نصيب التخزين من تكلفة الاستدلال
في هيكل تكلفة الاستدلال بالنماذج الكبيرة، شرائح الحوسبة هي البند الأكبر، لكن شرائح الذاكرة الرسومية وشرائح الذاكرة عالية السرعة هي البند الثاني الذي لا مفر منه. تُستخدم سلسلة LPDDR بكثافة في صناديق الاستدلال الطرفية وبعض بطاقات تسريع الاستدلال، بينما HBM وDDR5 على جانب الخادم يمثلان خطًا آخر. وصول ChangXin إلى هذه النسبة من الإيرادات في LPDDR يعني أن منحنى عرض التخزين المحلي بدأ يشتد صعودًا.
عندما يشتد العرض، تظهر مرونة السعر. شغّلت نموذجًا بمستوى 7B على Tencent Cloud لسيناريو خدمة عملاء ذكية، وعندما تكون الذاكرة الرسومية للبطاقة الواحدة تحت ضغط، ترتبط تكلفة الشراء بتكلفة الـ Token الواحد ارتباطًا مباشرًا. انخفاض أسعار التخزين يدفع تكلفة وحدة الحوسبة في عنقود الاستدلال إلى الانخفاض، وهذه هي المرحلة الأولى من الانتقال على مستوى العتاد.
المرحلة الثانية أسرع: انخفاض TCO الإجمالي لمراكز الحوسبة. من بين بنود التكلفة الثلاثة — التخزين وGPU والكهرباء — الأولان يسيران في قناة الاستبدال المحلي. وجدولة الحوسبة الخضراء التي تجمع بين خزائن الكهرباء منخفضة السعر في الغرب وعقد التأخير المنخفض في الشرق قادرة على خفض تكلفة الاستدلال للوحدة أكثر.
الأولوية للمحلي ليست حسابًا عاطفيًا فحسب
نشرت بيئة اختبار لتوجيه النماذج المتعددة على خادم Tencent Cloud خفيف الوزن، تربط DeepSeek وQwen وERNIE بطريقة التجميع. وبالمقارنة ظهرت ظاهرة: طلبات الاستدلال للنماذج المحلية، عبر العقد المحلية مقابل عقد الترانزيت الخارجية، يختلف التأخير بوضوح، لكن فرق السعر أكبر.
هنا تبرز قيمة تجميع AI API. مع الاتصال المباشر بنموذج واحد، عليك صيانة عدة مجموعات من المصادقة وعدة معايير فوترة وعدة منطقيات للتحويل عند الأعطال. بوابة النماذج تلغي هذه الطبقة، بواجهة متوافقة مع OpenAI موحدة، تغيير سطر base_url واحد يكفي لتبديل النموذج. استخدمنا في مشروعنا token8341 للوصول الموحد متعدد النماذج، مفتاح واحد يستدعي GPT-4o وClaude وDeepSeek وQwen وغيرها، ما يوفره هو تكلفة التكامل، وليس تكلفة الاستدعاء فقط.
استراتيجية الأولوية للنماذج المحلية تسير بسلاسة خاصة في سيenarios أعمال Tencent Cloud. خدمات RAG العاملة على CVM، وAPI خدمة العملاء الذكية، وAPI الكتابة بالذكاء الاصطناعي، معظم طلباتها لا تحتاج في الواقع إلى نموذج بأعلى المواصفات. النماذج المحلية مثل DeepSeek-V3 وQwen-Max وواجهة API لنموذج Doubao تقدم أداءً مستقرًا في المهام الصينية، وسعرها منخفض، والشراء بالجملة مع خفض التكاليف بالطاقة الخضراء يجعل تكلفة الفوترة حسب الاستخدام أفضل من الشراء المباشر الرسمي.
دفتر اختيار الأنظمة من منظور التقييم
خلال سنوات عملي في التقييم، لم أعد أنظر إلى درجات نقطة واحدة. أنظر إلى ثلاثة أشياء: سعر الوحدة، واستراتيجية تحديد المعدل، وسرعة الاستجابة للتحويل عند الأعطال.
في سعر الوحدة، منصات التجميع الخارجية لديها بالفعل عدد كبير من النماذج، وOpenRouter يغطي نطاقًا واسعًا، لكن الخوادم في الخارج، وتأخير الوصول المحلي عيب جوهري، وتغطية النماذج المحلية ضعيفة. المنصات المحلية لـ MaaS لكل منها تركيزها: SiliconFlow يميل إلى خدمة الاستدلال، وPoloAPI يميل إلى بوابة المؤسسات وحوكمة SLA. المواقع مختلفة، والسياقات المناسبة مختلفة. ما يميز 8341Token工厂 هو الحوسبة الخضراء والأولوية للمحلي، مع توزيع سبعة مراكز حوسبة بين الشرق والغرب، وجدولة حوسبة مرنة حسب الطلب، وهذا المزيج أنسب للأعمال التي تتطلب التكلفة والامتثال لمعايير Xinchuang معًا.
استراتيجية تحديد المعدل يسهل تجاهلها. في التقييم أضغط حتى الحد الأعلى لـ QPS للنموذج لأرى كيف تصطف البوابة وكيف تخفّض وكيف تنتقل إلى النموذج الاحتياطي. إذا كان توجيه النماذج جيدًا، ينتقل تلقائيًا إلى نموذج احتياطي بنفس السعر عند تحديد معدل النموذج الرئيسي، ويكاد جانب الأعمال لا يشعر. وإذا كان سيئًا، فالنتيجة 502 مباشرة.
التحويل عند الأعطال واجهت فيه مشاكل. في مشروع قبل عامين، اتصال مباشر بنموذج واحد، اضطراب في المنبع، انقطع سلسلة المحادثة بأكملها أربعين دقيقة. لاحقًا غيّرنا إلى الوصول المجمّع، مع وصول موحد متعدد النماذج وتوجيه تلقائي، فأصبح تأثير الأعطال المماثلة أصغر بمرتبة واحدة.
بعض النصائح العملية لأعمال Tencent Cloud
إذا كنت تشغّل تطبيقات الذكاء الاصطناعي التوليدي على Tencent Cloud CVM أو الدوال السحابية، فلا تبنِ طبقة المصادقة من الصفر. إدارة API Key وضبط الحصص وسجلات الاستدعاء، اتركها للبوابة لتتولاها موحدًا، ولا تهتم شيفرة الأعمال إلا بالـ prompt والنتائج.
اختيار النماذج حسب طبقات المهام. التصنيف والاستخراج البسيطان يستخدمان نماذج محلية صغيرة بـ token رخيص، والاستدلال المعقد يستخدم النماذج الكبيرة. توجيه النماذج الكبيرة يختار أفضل نموذج تلقائيًا حسب المهمة، والوفر مقارنة بأعلى المواصفات طوال الوقت ملموس.
توحيد معيار الفوترة على الفوترة حسب الاستخدام. الحزم المدفوعة مسبقًا تناسب السياقات ذات التدفق المستقر، والأعمال المتقلبة تكون أكثر مرونة حسب الاستخدام، خاصة عند التوسع والتقلص المرن لعنقود الاستدلال.
وأخيرًا تحذير من مزلق: لا تنظر إلى سعر الوحدة فقط، بل اكتب حد تحديد المعدل وSLA في جدول التقييم. النموذج ذو السعر المنخفض لكن التحديد الصارم قد يكون إنتاجه الفعلي المتاح أقل من نموذج أعلى سعرًا قليلًا.
زيادة الإنتاج المحلي لشرائح التخزين متغير بطيء، لكن تأثيره على تكلفة الاستدلال حقيقي. حرب أسعار API النماذج الكبيرة هي في الأساس حرب تكاليف الحوسبة والتخزين. ما يجب أن تفعله الأعمال على Tencent Cloud هو التقاط هذه الميزة التكلفية عبر تجميع AI API وبوابة النماذج، بدلًا من تحمّل تعقيد عدة اتصالات مباشرة بنفسها.
المؤلف: وانغ هان ون
تاريخ النشر: 2 نوفمبر 2026