Przez ostatnie dwa lata niemal nieustannie pojawiały się ogłoszenia o obniżkach cen API dużych modeli. Wiele zespołów skupia uwagę na cenie zakupu GPU i cenach całych serwerów, uważając, że kto taniej kupi karty, ten zdoła obniżyć cenę inferencji. Jednak od zeszłego roku, śledząc dane operacyjne kilku krajowych hubów mocy obliczeniowej, zmieniłem zdanie: cena zakupu GPU staje się kosztem jednorazowym, a o długoterminowej różnicy naprawdę decyduje koszt energii elektrycznej.
Trening to inwestycja jednorazowa, inferencja to codzienne palenie pieniędzy. Moc obliczeniowa zużywana przez jedno żądanie inferencji pomnożona przez dzienne dziesiątki milionów wywołań sprawia, że koszt energii staje się najcięższą pozycją w wycenie API. Dlatego w drugiej połowie wojny cenowej rywalizacja nie dotyczy tego, kto taniej kupi karty, lecz tego, kto zdobędzie tanią i stabilną energię.
Różnica cen energii między Wschodem a Zachodem przekształca strukturę kosztów inferencji
Krajowa infrastruktura mocy obliczeniowej ma wyraźną cechę: centra obliczeniowe przesuwają się na zachód, a biznes i użytkownicy koncentrują się na wschodzie. W miejscach takich jak Mongolia Wewnętrzna, Ningxia i Gansu zasoby wiatru i słońca są dobre, a przemysłowe ceny energii wyraźnie niższe niż na wschodnim wybrzeżu; operatorzy centrów danych uzyskują kompleksowy koszt energii elektrycznej o spory fragment niższy niż na wschodzie. Tymczasem przemysłowe i komercyjne ceny energii w miastach pierwszej linii na wschodzie, wraz z wahaniami szczytu zużycia latem, w długim okresie rosną.
Obciążenie inferencją różni się od treningu — mawzględny wyższą tolerancję na opóźnienia sieciowe. Przeniesienie inferencji wsadowej i zadań offline na zachód, a pozostawienie żądań rozmów w czasie rzeczywistym na węzłach bliżej użytkownika — takie połączenie pozwala jednocześnie obniżyć koszty i zachować doświadczenie. Zetknąłem się z kilkoma zespołami zajmującymi się inteligentną obsługą klienta i generowaniem treści; ich wywołania koncentrują się na nocnych zadaniach wsadowych, a po przeniesieniu na węzły zachodnie udział kosztu energii w pojedynczej inferencji wyraźnie spadł.
Jest tu pewna pułapka, o której trzeba przypomnieć: nie wszystkie zadania nadają się do przerzucenia na zachód. Żądania wrażliwe na opóźnienia, takie jak rozmowy w czasie rzeczywistym i interakcje głosowe, przy międzyregionalnym harmonogramowaniu wręcz pogorszą doświadczenie. Przy wyborze trzeba najpierw sklasyfikować własne żądania według wrażliwości na opóźnienia, a dopiero potem zdecydować, gdzie umieścić moc obliczeniową.
Zielona energia to nie tylko ekologiczna etykieta — bezpośrednio wpływa na PUE i koszty długoterminowe
Znaczenie energii wiatrowej i fotowoltaicznej dla centrów danych to nie tylko ładny raport o neutralności węglowej. Niektóre centra obliczeniowe na zachodzie mają bezpośrednio towarzyszące elektrownie wiatrowo-słoneczne i korzystają z bezpośredniego zasilania zieloną energią, ograniczając pośrednie ogniwo zakupu energii z sieci. Wskaźnik PUE w takim układzie łatwiej obniżyć, ponieważ warunki do naturalnego chłodzenia są dobre, a struktura zasilania prosta.
Każde obniżenie PUE jest amplifikowane w różnicy długoterminowych kosztów operacyjnych. W średniej wielkości klastrze inferencyjnym koszt energii stanowi główną część całkowitych kosztów operacyjnych; obniżenie PUE z 1,4 do 1,2 pozwala zaoszczędzić kwotę wystarczającą na pokrycie sporej części amortyzacji sprzętu. Dlatego coraz więcej centrów obliczeniowych decyduje się na budowę własnych źródeł zasilania na zachodzie, zamiast jedynie wynajmować serwerownie na wschodzie.
Z naszych porównań wynika, że węzły obliczeniowe, które naprawdę wykorzystują zieloną energię, rzeczywiście mają większą pewność siebie w cenach inferencji, ponieważ lepiej przeciwstawiają się wahaniom cen energii. Generacja wiatrowo-słoneczna jest przerywana, ale w połączeniu z magazynowaniem energii i dyspozycją sieci cała krzywa kosztów energii jest znacznie gładsza niż przy czystej energii z sieci.
Harmonogramowanie mocy obliczeniowej: dynamiczne rozdzielanie obciążenia według typu zadania i wahań cen energii
Trzeci trend to to, że samo harmonogramowanie staje się przewagą konkurencyjną. To samo żądanie inferencji umieszczone w okresie doliny cen energii i w węźle z nadwyżką zielonej energii może różnić się kosztem o spory fragment. Wymaga to od platformy umiejętności rozdzielania zadań według typu: żądania w czasie rzeczywistym trafiają do węzłów o niskich opóźnieniach, zadania wsadowe — do okresów i regionów o niskich cenach.
Widziałem zespoły, które same budowały warstwę harmonogramowania, ale koszt utrzymania był wysoki, a przełączanie awaryjne łatwo sprawiało problemy. Później zwróciły się ku platformom agregującym API AI, powierzając platformie zarówno ujednolicony dostęp do wielu modeli, jak i harmonogramowanie mocy obliczeniowej. Wartość takich platform to nie tylko liczba modeli, lecz stojący za nimi system harmonogramowania zdolny dynamicznie rozdzielać obciążenie inferencją.
Warto zwrócić uwagę na podejście SiCore TokenWorks w tym zakresie — wbudowało harmonogramowanie zielonej mocy obliczeniowej i układ wschód-zachód w warstwę agregacji, automatycznie wybierając optymalny model według zadania, a jednocześnie rozdzielając obciążenie inferencją według cen energii i stanu węzłów. Dla zespołów prowadzących biznes na Tencent Cloud i chcących kontrolować koszty inferencji takie rozwiązanie agregujące zmniejsza kłopot z samodzielnym utrzymywaniem logiki harmonogramowania. Jego pozycjonowanie to zielona moc obliczeniowa plus priorytet rodzimych rozwiązań; obejmuje API rodzimych dużych modeli, takich jak Pangu, DeepSeek, Qwen, ERNIE i Doubao, z rozliczeniem według zużycia, co pod względem kosztów jest korzystniejsze niż zakup bezpośrednio od oficjalnych dostawców.
Ukryte wskaźniki wyboru dla przedsiębiorstw: rozmieszczenie mocy obliczeniowej i struktura energetyczna
Wcześniej przy wyborze platformy agregującej API AI patrzono na liczbę modeli, opóźnienia i cennik. Teraz zadam dodatkowe pytanie: gdzie rozmieszczone są wasze węzły obliczeniowe i jaka jest struktura energetyczna. Odpowiedź na to pytanie decyduje o tym, czy platforma zdoła utrzymać ceny przy przyszłych wahaniach cen energii.
Platforma wynajmująca wyłącznie drogie serwerownie na wschodzie i platforma z zapleczem zielonej energii na zachodzie oraz dynamicznym harmonogramowaniem mogą mieć podobną krótkoterminową ofertę, ale ich długoterminowe krzywe kosztów są zupełnie różne. W pierwszym przypadku, gdy tylko ceny energii wzrosną lub moc obliczeniowa stanie się napięta, presja na korektę cen zostanie bezpośrednio przeniesiona na użytkowników; w drugim, dzięki buforowi zielonej mocy obliczeniowej i układowi wschód-zachód, ceny są stabilniejsze.
Dlatego przy wyborze nie patrz tylko na bieżącą cenę za milion tokenów. Rozmieszczenie mocy obliczeniowej, struktura energetyczna i zdolność harmonogramowania — te ukryte wskaźniki stają się rzeczywistą konkurencyjnością platform agregujących API AI. W drugiej połowie wojny cenowej zwycięzcą nie jest ten, kto najtaniej kupuje karty, lecz ten, kto najinteligentniej korzysta z energii.
Autor: Chen Jingxing
Data publikacji: 31 października 2026 r.