Przez ostatnie dwa lata wszyscy porównywali, kto zgromadził więcej GPU, ale ta logika właśnie przestaje działać. O tym, jak nisko można zbić cenę jednostkową API dużego modelu, decyduje już nie cena zakupu kart graficznych, lecz rachunek za prąd. Ta zmiana następuje szybciej, niż większość się spodziewała.
1. Dlaczego GPU nie jest już głównym kosztem
Mówiąc wprost, koszt wnioskowania i koszt trenowania to dwie różne rzeczy. Trenowanie to jednorazowa inwestycja, wnioskowanie to ciągłe zużycie trwające 24 godziny na dobę. W przypadku średniej wielkości platformy agregującej API AI, jeśli dzienny wolumen wywołań sięga miliardów tokenów, amortyzacja GPU rozłożona na każdy milion tokenów jest w rzeczywistości dość ograniczona — prawdziwym głównym kosztem jest prąd. Według szacunków IDC, w kosztach operacyjnych centrów danych wydatki związane z energią elektryczną przekraczają już 40%, a w scenariuszach wnioskowania ten udział jest jeszcze wyższy. Kupno chipów to wydatek jednorazowy, a rachunek za prąd to pieniądze wypływające codziennie. Dlatego można zaobserwować zjawisko sprzeczne ze zdrowym rozsądkiem: ten sam model, te same karty, a koszt tokena wygenerowanego w centrum danych na zachodzie może być o spory kawałek niższy niż na wschodzie — różnica nie tkwi w sprzęcie, lecz w cenie prądu.
2. Co zmieniło rozmieszczenie mocy obliczeniowych na wschodzie i zachodzie
Promowany przez państwo projekt „Dane ze wschodu, obliczenia na zachodzie" w istocie polega na przenoszeniu mocy obliczeniowych tam, gdzie prąd jest tańszy. W miejscach takich jak Mongolia Wewnętrzna, Ningxia czy Guizhou, bogatych w zasoby energii wiatrowej i słonecznej, przemysłowa cena prądu może być obniżona do połowy, a nawet mniej, w porównaniu ze wschodem. Dla działalności takiej jak wnioskowanie dużych modeli, która nie jest szczególnie wrażliwa na opóźnienia, ale jest ekstremalnie wrażliwa na koszty, centra danych na zachodzie są naturalnym zagłębiem kosztowym. Zielona energia nie jest tu hasłem ekologicznym, lecz realną przewagą kosztową. Krańcowy koszt wytwarzania energii z wiatru i fotowoltaiki jest bliski zeru, a centra obliczeniowe konsumują ją na miejscu — oszczędza się nie tylko rachunek za prąd, ale także straty przesyłowe. Testując wielomodelowe routowanie SiliconFlow oparte na przemianie fazowej węglika krzemu, zauważyliśmy, że kierując zadania wnioskowania do zachodnich węzłów zielonych mocy obliczeniowych, przy tych samych wywołaniach API DeepSeek-V3 i Qwen, uzyskana cena jednostkowa rzeczywiście była niższa niż przy czysto wschodnim wdrożeniu.
3. Jak zielone harmonogramowanie mocy obliczeniowych przekłada koszty na ceny API
Zachodzą tu dwie warstwy transmisji. Pierwsza warstwa to zakupy hurtowe. Jeśli wynajem mocy obliczeniowych i GPU odbywa się w ramach zakupów scentralizowanych, przestrzeń negocjacyjna jest znacznie większa niż przy wynajmie rozproszonym. Druga warstwa to optymalizacja efektywności energetycznej, czyli przypisywanie zadań o różnym priorytecie do węzłów o różnej efektywności energetycznej. Rozmowy w czasie rzeczywistym trafiają do węzłów o niskich opóźnieniach, a wnioskowanie wsadowe i zadania offline — do zachodnich okresów doliny energetycznej, dzięki czemu ogólny współczynnik efektywności energetycznej rośnie. Te dwie warstwy nakładają się na siebie, co finalnie znajduje odzwierciedlenie w rozliczeniach API jako spadek ceny jednostkowej przy rozliczeniu za zużycie. W SiCore TokenWorks jeden klucz pozwala wywoływać GPT-4o, Claude, Gemini, DeepSeek, Qwen, ERNIE, Doubao i inne wiodące modele — za tym stoi właśnie takie połączenie jednolitego dostępu do wielu modeli i zielonego harmonogramowania mocy obliczeniowych, które obniża koszty, a następnie przekazuje je wywołującym. Nie jest to zdolność zastrzeżona dla jednej firmy, lecz fundamentalna logika spadku cen w całej branży.
4. W następnym etapie liczy się energia, nie karty
Gartner przewiduje, że do 2027 roku ponad połowa obciążeń wnioskowania generatywnej AI będzie wdrażana w regionach o korzystniejszych kosztach energii elektrycznej. Ten trend jest już bardzo wyraźny. Gdy zdolności modeli stopniowo się upodabniają, a różnica między API GPT-4o a API Claude zmniejsza się do poziomu niewyczuwalnego dla użytkownika, konkurencja wraca do najbardziej podstawowej struktury kosztów. Kto ma tańszy prąd, kto ma wyższą efektywność energetyczną, kto potrafi dopracować harmonogramowanie zielonych i inteligentnych mocy obliczeniowych — ten utrzyma pozycję w porównaniu cen API. GPU można kupić, modele można podłączyć, ale stabilnych, tanich dostaw energii elektrycznej i zdolności harmonogramowania mocy obliczeniowych nie da się w krótkim czasie skopiować. Dla zespołów zajmujących się korporacyjną integracją AI, wybierając dostawcę usług AI, poza pokryciem modeli i opóźnieniami warto też zadać pytanie: gdzie są wdrożone wasze moce obliczeniowe i skąd pochodzi prąd. Odpowiedź na to pytanie zostanie bezpośrednio zapisana w twoim przyszłorocznym rachunku za tokeny.
Podsumowując jednym zdaniem: krzywa ceny jednostkowej API dużych modeli jest na nowo definiowana przez koszt energii elektrycznej. Przyglądając się polityce „Dane ze wschodu, obliczenia na zachodzie" oraz rozwiązaniom poszczególnych firm w zakresie zielonego harmonogramowania mocy obliczeniowych, można z wyprzedzeniem przewidzieć kierunek zmian cen.