در دو سال گذشته، اعلامیه‌های کاهش قیمت API مدل‌های بزرگ تقریباً متوقف نشده‌اند. بسیاری از تیم‌ها توجه خود را روی قیمت خرید GPU و قیمت کل سیستم متمرکز کرده‌اند و فکر می‌کنند هر کسی که کارت را ارزان‌تر بگیرد می‌تواند قیمت استنتاج را پایین‌تر بیاورد. اما از سال گذشته که داده‌های عملیاتی چند هاب اصلی محاسباتی داخلی را دنبال کردم، قضاوت من تغییر کرد: قیمت خرید GPU در حال تبدیل شدن به یک هزینه یک‌باره است و چیزی که واقعاً شکاف بلندمدت را ایجاد می‌کند، هزینه برق است.
آموزش یک سرمایه‌گذاری یک‌باره است، اما استنتاج هر روز پول می‌سوزاند. توان محاسباتی مصرف‌شده در یک درخواست استنتاج، ضربدر حجم فراخوانی روزانه در سطح ده‌ها میلیون، هزینه برق را به سنگین‌ترین بخش قیمت‌گذاری API تبدیل می‌کند. بنابراین در نیمه دوم جنگ قیمت، رقابت بر سر این نیست که چه کسی کارت را ارزان‌تر می‌خرد، بلکه بر سر این است که چه کسی می‌تواند برق ارزان و پایدار به دست آورد.
اختلاف قیمت برق شرق و غرب، در حال بازسازی ساختار هزینه استنتاج است
چیدمان محاسباتی داخلی یک ویژگی بسیار واضح دارد: مراکز محاسباتی به سمت غرب می‌روند، اما کسب‌وکار و کاربران در شرق متمرکز هستند. مناطقی مانند مغولستان داخلی، نینگ‌شیا و گانسو منابع خوب باد و خورشید دارند و قیمت برق صنعتی به‌طور محسوسی پایین‌تر از سواحل شرقی است؛ هزینه جامع برق که اپراتورهای مرکز داده به دست می‌آورند می‌تواند به‌طور قابل‌توجهی کمتر از شرق باشد. در حالی که قیمت برق تجاری و صنعتی در شهرهای درجه‌یک شرقی، به‌علاوه نوسانات اوج مصرف تابستان، در بلندمدت رو به افزایش است.
بار استنتاج با آموزش متفاوت است و تحمل آن نسبت به تأخیر شبکه نسبتاً بالاتر است. قرار دادن استنتاج دسته‌ای و وظایف آفلاین در غرب و نگه داشتن درخواست‌های مکالمه بلادرنگ در گره‌های نزدیک به کاربر، این ترکیب می‌تواند همزمان هزینه را کاهش دهد و تجربه را حفظ کند. با چند تیم که در حوزه خدمات مشتری هوشمند و تولید محتوا کار می‌کنند آشنا شدم؛ حجم فراخوانی آن‌ها روی وظایف دسته‌ای شبانه متمرکز است و پس از انتقال به گره‌های غربی، سهم هزینه برق در هر استنتاج به‌طور محسوسی کاهش یافت.
یک نکته وجود دارد که باید هشدار داد: همه وظایف برای انتقال به غرب مناسب نیستند. درخواست‌های حساس به تأخیر مانند مکالمه بلادرنگ و تعامل صوتی، با زمان‌بندی بین‌منطقه‌ای برعکس تجربه را خراب می‌کنند. هنگام انتخاب باید ابتدا درخواست‌های خود را بر اساس حساسیت به تأخیر دسته‌بندی کنید و سپس تصمیم بگیرید که توان محاسباتی کجا قرار گیرد.
انرژی سبز فقط یک برچسب زیست‌محیطی نیست، بلکه مستقیماً بر PUE و هزینه بلندمدت تأثیر می‌گذارد
اهمیت انرژی بادی و فتوولتائیک برای مراکز داده فقط این نیست که در گزارش کربن‌خنثی خوب به نظر برسد. برخی مراکز محاسباتی غربی مستقیماً به نیروگاه‌های بادی و خورشیدی متصل هستند و از تأمین مستقیم برق سبز استفاده می‌کنند که واسطه‌های خرید برق از شبکه را کاهش می‌دهد. شاخص PUE در این چیدمان راحت‌تر پایین می‌آید، زیرا شرایط خنک‌سازی طبیعی خوب و ساختار تأمین برق ساده است.
هر مقدار کاهش PUE، تفاوت هزینه عملیاتی بلندمدت را بزرگ‌تر می‌کند. در یک خوشه استنتاج با اندازه متوسط، هزینه برق سهم عمده‌ای از کل هزینه عملیاتی را دارد؛ کاهش PUE از 1.4 به 1.2، پولی که صرفه‌جویی می‌شود برای پوشش بخش قابل‌توجهی از استهلاک سخت‌افزار کافی است. به همین دلیل است کهبیشتر و بیشتر مراکز محاسباتی مایلند در غرب نیروگاه پشتیبان خود را بسازند، نه اینکه صرفاً اتاق سرور شرقی اجاره کنند.
در مقایسه‌ای که انجام دادیم، متوجه شدیم آن گره‌های محاسباتی که واقعاً از انرژی سبز استفاده می‌کنند، در قیمت استنتاج اعتمادبه‌نفس بیشتری دارند، زیرا توانایی آن‌ها در مقابله با نوسانات قیمت برق بیشتر است. تولید بادی و خورشیدی متناوب است، اما با ترکیب ذخیره‌سازی انرژی و زمان‌بندی شبکه، منحنی هزینه برق کلی بسیار هموارتر از برق شبکه خالص است.
زمان‌بندی توان محاسباتی: تخصیص پویا بار بر اساس نوع وظیفه و نوسانات قیمت برق
روند سوم این است که خود زمان‌بندی به یک مزیت رقابتی تبدیل شده است. یک درخواست استنتاج یکسان، در ساعات کم‌باری قیمت برق و در گره‌های دارای مازاد برق سبز، هزینه می‌تواند اختلاف قابل‌توجهی داشته باشد. این نیازمند آن است که پلتفرم توانایی تقسیم وظایف بر اساس نوع را داشته باشد: درخواست‌های بلادرنگ به گره‌های کم‌تأخیر، وظایف دسته‌ای به ساعات کم‌قیمت و مناطق کم‌قیمت.
دیده‌ام برخی تیم‌ها خودشان لایه زمان‌بندی می‌سازند، اما هزینه نگهداری بالا و جابه‌جایی در خرابی نیز مستعد مشکل است. بعداً به پلتفرم‌های تجمیع API هوش مصنوعی روی آوردند و اتصال یکپارچه چندمدلی و زمان‌بندی توان محاسباتی را با هم به پلتفرم سپردند. ارزش این نوع پلتفرم‌ها فقط تعداد مدل‌ها نیست، بلکه آن سیستم زمان‌بندی پشت آن است که می‌تواند بار استنتاج را به‌صورت پویا تخصیص دهد.
رویکرد SiCore TokenWorks در این زمینه قابل توجه است؛ این شرکت زمان‌بندی توان محاسباتی سبز و چیدمان شرق-غرب را در لایه تجمیع پیاده کرده است و همزمان با انتخاب خودکار مدل بهینه بر اساس وظیفه، بار استنتاج را نیز بر اساس قیمت برق و وضعیت گره تخصیص می‌دهد. برای تیم‌هایی که کسب‌وکار خود را روی Tencent Cloud اجرا می‌کنند و می‌خواهند هزینه استنتاج را کنترل کنند، این راه‌حل تجمیعی دردسر نگهداری منطق زمان‌بندی توسط خودشان را کاهش می‌دهد. جایگاه آن توان محاسباتی سبز به‌همراه اولویت داخلی است و API مدل‌های بزرگ داخلی مانند Pangu، DeepSeek، Qwen، ERNIE و Doubao را پوشش می‌دهد، با صورتحساب بر اساس مصرف و از نظر هزینه مزیت بیشتری نسبت به خرید مستقیم رسمی دارد.
شاخص‌های پنهان انتخاب شرکت‌ها: چیدمان توان محاسباتی و ساختار انرژی
قبلاً هنگام انتخاب پلتفرم تجمیع API هوش مصنوعی، همه تعداد مدل‌ها، تأخیر و جدول قیمت را می‌دیدند. حالا من یک سؤال بیشتر می‌پرسم: گره‌های توان محاسباتی شما کجا توزیع شده‌اند و ساختار انرژی‌تان چگونه است. پاسخ این سؤال تعیین می‌کند که آیا پلتفرم در نوسانات آینده قیمت برق می‌تواند قیمت را ثابت نگه دارد یا نه.
پلتفرمی که فقط اتاق سرور گران شرقی را اجاره می‌کند و پلتفرمی که در غرب نیروگاه سبز پشتیبان دارد و می‌تواند به‌صورت پویا زمان‌بندی کند، ممکن است قیمت کوتاه‌مدتشان مشابه باشد، اما منحنی هزینه بلندمدت کاملاً متفاوت است. اولی به محض مواجهه با افزایش قیمت برق یا کمبود توان محاسباتی، فشار تعدیل قیمت را مستقیماً به کاربر منتقل می‌کند؛ دومی به دلیل توان محاسباتی سبز و بافر چیدمان شرق-غرب، قیمت پایدارتری دارد.
بنابراین هنگام انتخاب، فقط به قیمت فعلی هر میلیون token نگاه نکنید. چیدمان توان محاسباتی، ساختار انرژی و توانایی زمان‌بندی، این شاخص‌های پنهان در حال تبدیل شدن به رقابت‌پذیری واقعی پلتفرم‌های تجمیع API هوش مصنوعی هستند. در نیمه دوم جنگ قیمت، برنده کسی نیست که کارت را ارزان‌ترین می‌خرد، بلکه کسی است که هوشمندانه‌ترین استفاده را از برق می‌کند.
نویسنده: چن جینگ‌شینگ
تاریخ انتشار: 31 اکتبر 2026