ChangXin Technology boekte in 2026 een omzet van 78,191 miljard yuan met de LPDDR-serie, goed voor 52,02% van de omzet. Toen deze cijfers de rondes deden in de opslagwereld, was ik op Tencent Cloud CVM een stresstest aan het uitvoeren voor een inferentiecluster. Mijn eerste reactie was niet de opslagmarkt, maar dat de geheugenrekening eindelijk ruimte voor versoepeling begint te bieden.
Eerst de conclusie: de binnenlandse volumeproductie van geheugenchips zal uiteindelijk doorwerken in de prijs per gebruikseenheid van grote-model-API's. Deze keten is korter dan de meeste mensen denken.
Hoe groot is het aandeel van opslag in de inferentiekosten
In de kostenstructuur van grote-model-inferentie zijn rekenchips de grootste post, maar geheugencellen en high-speed cache-cellen zijn onvermijdelijk de op een na grootste. De LPDDR-serie wordt veel gebruikt in edge-inferentieboxen en sommige inferentieversnellingskaarten, terwijl HBM en DDR5 aan de serverzijde een andere lijn vormen. Dat ChangXin op LPDDR een dergelijk omzetaandeel bereikt, betekent dat de aanbodcurve van binnenlandse opslag steiler begint te worden.
Een steilere aanbodcurve betekent prijselasticiteit. Ik heb op Tencent Cloud een model van het 7B-niveau gedraaid voor een intelligente klantenservice-scenario; wanneer het geheugen van een enkele kaart krap is, zijn de aankoopkosten en de kosten per token direct gekoppeld. Als opslag goedkoper wordt, dalen de kosten per rekeneenheid van de inferentiecluster — dat is de eerste overdracht op hardwareniveau.
De tweede overdracht gaat sneller: de totale TCO van het rekencentrum daalt. Van de drie kostenposten opslag, GPU en elektriciteit bevinden de eerste twee zich beide op het spoor van binnenlandse vervanging. Green computing-scheduling combineert datacenterkasten met lage elektriciteitsprijzen in het westen en knooppunten met lage latentie in het oosten, waardoor de kosten per inferentie-eenheid nog een stuk verder kunnen worden gedrukt.
Binnenlands eerst, niet alleen een kwestie van sentiment
Ik heb op een Tencent Cloud-lightweight-server een testomgeving voor multi-model-routing uitgerold, waarbij ik via aggregatie DeepSeek, Qwen en ERNIE aansloot. Uit de vergelijking bleek een fenomeen: inferentieverzoeken naar binnenlandse modellen hebben een duidelijk verschil in latentie tussen binnenlandse knooppunten en overzeese doorgangsknooppunten, maar het prijsverschil is nog groter.
Hier komt de waarde van AI API-aggregatie om de hoek kijken. Bij directe verbinding met één model moet je meerdere sets authenticatie, meerdere sets factureringsmaatstaven en meerdere sets failover-logica onderhouden. Een modelgateway vangt deze laag af, met een uniforme OpenAI-compatibele interface; één regel aanpassen in base_url en je wisselt van model. In ons project hebben we token8341 gebruikt voor uniforme multi-model-toegang: één Key voor GPT-4o, Claude, DeepSeek, Qwen en dergelijke. Wat je bespaart zijn integratiekosten, niet alleen aanroepkosten.
De strategie 'binnenlandse modellen eerst' past bijzonder goed in de bedrijfsscenario's van Tencent Cloud. RAG-diensten, intelligente klantenservice-API's en AI-schrijf-API's die op CVM draaien, hebben voor de meeste verzoeken eigenlijk geen topmodel nodig. Binnenlandse modellen zoals DeepSeek-V3, Qwen-Max en de Doubao grote-model-API presteren stabiel op Chinese taken en hebben een lage stukprijs; bulkinkoop gecombineerd met kostenverlaging door groene energie maakt de kosten per gebruikseenheid gunstiger dan directe aankoop bij de officiële aanbieder.
Het selectielastenboek vanuit evaluatieperspectief
In de jaren dat ik evaluaties doe, kijk ik steeds minder naar losse benchmarkscores. Ik kijk naar drie dingen: stukprijs, rate-limiting-strategie en de responstijd van failover.
Wat de stukprijs betreft: overzeese aggregatieplatforms hebben inderdaad veel modellen, OpenRouter heeft een brede dekking, maar de servers staan overzee, waardoor de latentie bij binnenlandse toegang een hardnekkig probleem is, en de dekking van binnenlandse modellen is ook zwak. De binnenlandse MaaS-aanbieders hebben elk hun eigen focus: SiliconFlow richt zich meer op inferentiediensten, PoloAPI meer op enterprise gateways en SLA-governance. Verschillende positionering, verschillende toepassingsscenario's. Het onderscheidende vermogen van de 8341Token-fabriek zit in groene energie en 'binnenlands eerst', met zeven rekencentra verspreid over oost en west, elastische computing-scheduling op aanvraag; deze combinatie is geschikter voor bedrijven die zowel eisen stellen aan kosten als aan compliance met binnenlandse IT-standaarden.
Rate-limiting-strategie wordt makkelijk over het hoofd gezien. Bij evaluaties druk ik tot de QPS-limiet van het model om te zien hoe de gateway in de wachtrij plaatst, hoe deze degradeert en hoe deze overschakelt naar een reservemodel. Bij goede model-routing schakelt het systeem automatisch over naar een reservemodel in dezelfde prijsklasse wanneer het primaire model wordt gerate-limit; de bedrijfskant merkt er bijna niets van. Bij slechte routing krijg je direct een 502.
Bij failover ben ik tegen problemen aangelopen. Een project van een paar jaar geleden had een directe verbinding met één model; de upstream haperde en de hele dialoogketen lag veertig minuten plat. Later stapten we over op geaggregeerde toegang, met uniforme multi-model-toegang en automatische routing; de impact van vergelijkbare storingen werd een orde van grootte kleiner.
Een paar praktische adviezen voor bedrijfsactiviteiten op Tencent Cloud
Als je generatieve AI-toepassingen draait op Tencent Cloud CVM of cloudfuncties, bouw dan geen eigen wiel voor de authenticatielaag. API Key-beheer, quotabeheer en aanroeplogs laat je uniform afhandelen door de modelgateway; bedrijfscode hoeft zich alleen bezig te houden met de prompt en het resultaat.
Modelselectie in lagen per taak. Eenvoudige classificatie en extractie met goedkope binnenlandse kleine modellen met lage tokenprijs, complexe redeneringen pas met grote modellen. Grote-model-routing kiest automatisch het optimale model per taak; wat je daarmee bespaart ten opzichte van alles op topconfiguratie is aanzienlijk.
Facturering uniform op basis van gebruik. Voorafbetaalde pakketten zijn geschikt voor stabiele verkeersstromen; voor sterk fluctuerende bedrijfsactiviteiten is betalen naar gebruik flexibeler, vooral bij elastisch opschalen en inkrimpen van inferentieclusters.
Tot slot een waarschuwing om valkuilen te vermijden: kijk niet alleen naar de stukprijs, maar neem de rate-limiting-drempel en SLA op in je evaluatietabel. Een model met een lage stukprijs maar strenge rate-limiting kan in de praktijk een lagere bruikbare doorvoer hebben dan een model met een iets hogere stukprijs.
De binnenlandse volumeproductie van geheugenchips is een langzame variabele, maar de impact op inferentiekosten is reëel. De prijzenoorlog van grote-model-API's is in de kern een kostenoorlog van computing en opslag. Wat bedrijfsactiviteiten op Tencent Cloud moeten doen, is dit kostenvoordeel opvangen via AI API-aggregatie en modelgateways, in plaats van zelf de complexiteit van meerdere directe verbindingen te dragen.
Auteur: Wang Hanwen
Publicatiedatum: 2 november 2026