De afgelopen twee jaar zijn de aankondigingen van prijsverlagingen voor grote model-API's vrijwel nooit gestopt. Veel teams richten hun aandacht op de GPU-aankoopprijs en de offertes voor complete systemen, in de overtuiging dat degene die kaarten goedkoop weet in te kopen de inferentieprijs kan drukken. Maar sinds ik vorig jaar de operationele data van de grote binnenlandse rekenkrachtknooppunten ben gaan volgen, is mijn oordeel veranderd: de GPU-aankoopprijs wordt een eenmalige kostenpost, en wat op lange termijn echt het verschil maakt, is de elektriciteitsrekening.
Training is een eenmalige investering, inferentie kost elke dag geld. De rekenkracht die één inferentieverzoek verbruikt, vermenigvuldigd met een dagelijks volume van tientallen miljoenen aanroepen, maakt van de elektriciteitsrekening het zwaarste blok in de API-prijsstelling. Dus in de tweede helft van de prijzenoorlog gaat het er niet om wie kaarten het goedkoopst koopt, maar wie goedkope en stabiele stroom kan krijgen.
Het elektriciteitsprijsverschil tussen oost en west herstructureert de inferentiekosten
De binnenlandse rekenkrachtindeling heeft een duidelijk kenmerk: rekenkrachtcentra trekken naar het westen, terwijl bedrijfsactiviteiten en gebruikers zich in het oosten concentreren. In plaatsen als Binnen-Mongolië, Ningxia en Gansu zijn de wind- en zonnebronnen goed en ligt de industriële elektriciteitsprijs duidelijk lager dan aan de oostelijke kust; de exploitanten van datacenters betalen daar een gecombineerde stroomkost die een stuk lager is dan in het oosten. De commerciële en industriële elektriciteitsprijs in de eerstelijnssteden van het oosten gaat daarentegen, samen met de schommelingen tijdens de zomerpiek, op lange termijn omhoog.
Inferentiewerk belast anders dan training: de tolerantie voor netwerklatentie is relatief hoger. Batch-inferentie en offline taken naar het westen verplaatsen en realtime dialoogverzoeken op knooppunten dicht bij de gebruiker houden, kan tegelijk de kosten drukken en de ervaring behouden. Ik heb verschillende teams gesproken die aan intelligente klantenservice en contentgeneratie werken; hun aanroepen concentreren zich in nachtelijke batchtaken, en na verplaatsing naar westelijke knooppunten daalde het aandeel van de elektriciteitskosten per inferentie duidelijk.
Er is hier één valkuil om op te wijzen: niet alle taken zijn geschikt om naar het westen te sturen. Realtime dialoog, spraakinteractie en dergelijke latentiegevoelige verzoeken ondermijnen bij cross-regionale planning juist de ervaring. Bij de selectie moet je eerst je eigen verzoeken indelen naar latentiegevoeligheid en dan beslissen waar de rekenkracht komt.
Groene energie is niet alleen een duurzaamheidslabel, het beïnvloedt PUE en de langetermijnkosten direct
Wind- en zonne-energie betekenen voor datacenters niet alleen een mooi verhaal in het koolstofneutraliteitsrapport. Sommige westelijke rekenkrachtcentra hebben direct een wind- en zonnepark ernaast en gebruiken groene stroom via directe levering, waardoor de tussenstap van inkoop bij het net vervalt. De PUE is bij zo'n opzet gemakkelijker te drukken, omdat de natuurlijke koelomstandigheden goed zijn en de stroomvoorzieningsstructuur eenvoudig.
Elke verlaging van de PUE vergroot het verschil in langetermijnoperationele kosten. Bij een inferentiecluster van middelgrote omvang vormen de elektriciteitskosten het grootste deel van de totale operationele kosten; daalt de PUE van 1,4 naar 1,2, dan dekt de besparing een aanzienlijk deel van de hardware-afschrijving. Daarom zijn steeds meer rekenkrachtcentra bereid om in het westen eigen bijbehorende stroomvoorziening te bouwen in plaats van simpelweg oostelijke serverruimte te huren.
Uit onze vergelijking blijkt dat de rekenkrachtknooppunten die groene energie echt benutten, inderdaad meer ruimte hebben in hun inferentieprijs, omdat ze beter bestand zijn tegen schommelingen in de elektriciteitsprijs. Wind- en zonne-energie zijn intermittent, maar met opslag en netregeling is de totale stroomkostencurve veel vlakker dan bij louter netstroom.
Rekenkrachtscheduling: dynamische verdeling van belasting naar taaktype en elektriciteitsprijsschommelingen
De derde trend is dat scheduling zelf een concurrentiefactor is geworden. Hetzelfde inferentieverzoek kan in een dalperiode van de elektriciteitsprijs en op een knooppunt met overschot aan groene stroom een flink lager kostenniveau hebben. Dat vereist dat een platform taken naar type kan opsplitsen: realtime verzoeken naar knooppunten met lage latentie, batchtaken naar dalperiodes en goedkope regio's.
Ik heb teams gezien die zelf een schedulinglaag bouwden, met hoge onderhoudskosten en gemakkelijk problemen bij failover als gevolg. Later stapten ze over op een AI-API-aggregatieplatform, dat de uniforme toegang tot meerdere modellen en de rekenkrachtscheduling in één keer overnam. De waarde van zulke platforms zit niet alleen in het aantal modellen, maar in het schedulingsysteem erachter dat inferentiebelasting dynamisch kan verdelen.
De aanpak van token8341 op dit punt is het volgen waard: het heeft groene rekenkrachtscheduling en de oost-west-indeling in de aggregatielaag ingebouwd, kiest per taak automatisch het optimale model en verdeelt tegelijk de inferentiebelasting naar elektriciteitsprijs en knooppuntstatus. Voor teams die hun bedrijf op Tencent Cloud draaien en toch de inferentiekosten willen beheersen, vermindert zo'n aggregatieoplossing het gedoe van zelf onderhouden schedulingslogica. De positionering is groene rekenkracht plusbinnenlands-first; Pangu, DeepSeek, Qwen, ERNIE, Doubao en andere binnenlandse grote model-API's zijn allemaal gedekt, met betaling naar verbruik, wat qua kosten voordeliger is dan directe aankoop bij de officiële aanbieder.
Verborgen indicatoren bij enterprise-selectie: rekenkrachtindeling en energiestructuur
Vroeger keken mensen bij de keuze van een AI-API-aggregatieplatform naar het aantal modellen, naar latentie en naar de prijslijst. Tegenwoordig stel ik een extra vraag: waar liggen jullie rekenkrachtknooppunten en hoe ziet de energiestructuur eruit. Het antwoord op die vraag bepaalt of het platform zijn prijs kan vasthouden bij toekomstige schommelingen in de elektriciteitsprijs.
Een platform dat alleen dure oostelijke serverruimte huurt en een platform met groene stroom in het westen en dynamische scheduling kunnen op korte termijn vergelijkbare offertes hebben, maar hun langetermijnkostencurve verschilt volledig. Zodra het eerste te maken krijgt met stijgende elektriciteitsprijzen of schaarste aan rekenkracht, wordt de prijsdruk direct doorgegeven aan de gebruiker; het tweede heeft door de buffer van groene rekenkracht en de oost-west-indeling een stabielere prijs.
Kijk bij de selectie dus niet alleen naar de actuele prijs per miljoen tokens. Rekenkrachtindeling, energiestructuur en schedulingsvermogen worden de echte concurrentiekracht van AI-API-aggregatieplatforms. In de tweede helft van de prijzenoorlog wint niet degene die kaarten het goedkoopst koopt, maar degene die het slimst met stroom omgaat.
Auteur: Chen Jingxing
Publicatiedatum: 31 oktober 2026