Спочатку висновок: ті самі 10 ТБ виробничих даних, щоденне повне та інкрементальне збереження, онлайн-зберігання 30 днів із можливістю запиту, за три роки різниця в TCO між трьома варіантами може сягнути кількох сотень тисяч. Ціна закупівлі HDD-масиву найнижча, але за три роки загальні витрати стоять на другому місці; хмарне об'єктне сховище має найкращу еластичність, але плата за вихідний трафік може з'їсти велику частину бюджету; QLC SSD має найвищу ціну за одиницю, але якщо порахувати швидкість відновлення та рахунок за електроенергію, він виявляється найстабільнішим у сценаріях середнього масштабу. У цій статті ми розберемо три варіанти через підрахунок витрат і заодно поговоримо про підводні камені тарифікації, з якими ми стикалися під час створення агрегатора AI API.
Спочатку визначимо модель розрахунку: як саме рахувати 10 ТБ
Сценарій конкретний: середнє виробниче підприємство, датчики виробничої лінії та система MES щодня генерують близько 200 ГБ приросту, плюс історичний архів, повний обсяг 10 ТБ. Потрібне онлайн-зберігання 30 днів із можливістю запиту, понад 30 днів — переведення в холодний резерв. Трирічний цикл, перерахунок за вартістю на ТБ на місяць.
Витрати за трьома варіантами різні. HDD-масив вимагає врахування закупівлі обладнання, електроенергії стійки, витрат на персонал з обслуговування, вартості часу відновлення; QLC SSD так само враховує обладнання, але електроенергія та час відновлення зовсім інші; хмарне об'єктне сховище не має закупівлі обладнання, але додаються три складові: плата за зберігання, плата за запити та плата за вихідний трафік. Тут необхідно зазначити, що багато підприємств рахують лише ціну за одиницю зберігання, ігноруючи плату за вихід, і це найпоширеніше місце, де можна схибити. У звіті IDC про витрати на корпоративне зберігання за 2024 рік зазначалося, що приховані витрати на вихідний трафік у хмарному сховищі в середньому становлять від 18% до 27% загального рахунку за хмарне сховище, і ця частка буде ще вищою в сценаріях частого читання даних.
HDD-масив: дешева закупівля, рахунок попереду
Для 10 ТБ корисної ємності, з урахуванням надмірності RAID6 і гарячого резервного диска, фактично потрібно купити 16 ТБ необробленої ємності, з базовим масивом зберігання закупівля обладнання становитиме приблизно від 40 до 60 тисяч. Електроенергія — основна стаття, 12 корпоративних HDD споживають близько 120 Вт під навантаженням, разом із контролером і вентиляторами весь пристрій близько 200 Вт, за три роки електроенергія за промисловим тарифом 0,8 юаня за кВт·год становитиме близько 4200 юанів. Витрати на персонал з обслуговування за 2 години на місяць — близько 7200 юанів за три роки.
Справжня проблема — відновлення. Ми вимірювали на групі RAID6-масиву: повне відновлення 10 ТБ даних зайняло 25 годин. Протягом цих 25 годин бізнес працює в деградованому режимі, і якщо зламається ще один диск, дані буде втрачено. Для виробничого підприємства приховані втрати від 25-годинної перерви у виробничих даних набагато вищі за різницю в ціні обладнання. Тож грубий підрахунок трирічного TCO для HDD-варіанта становить від 55 до 75 тисяч, але премія за ризик не врахована.
QLC SSD: висока ціна за одиницю, відновлення неймовірно швидке
Для тих самих 10 ТБ корисної ємності закупівля обладнання для QLC SSD становитиме приблизно від 120 до 160 тисяч, це вдвічі-втричі більше за HDD. Але економія на електроенергії очевидна: споживання всього пристрою близько 60 Вт, за три роки електроенергія близько 1260 юанів. Витрати на персонал з обслуговування приблизно як у HDD.
Ключ — швидкість відновлення. На тій самій партії тестових даних ми виконали повне відновлення на QLC SSD-масиві й скоротили його до 28 хвилин. Від 25 годин до 28 хвилин — ця різниця в реальному сценарії збою означає різницю між «бізнес майже не помітив» і «зупинка лінії на день». Ресурс запису QLC справді поступається TLC, але дані виробничих підприємств переважно додаються записом, щоденний приріст 200 ГБ, за три роки обсяг запису близько 219 ТБ, розподілений на кілька дисків, цілком у межах ресурсу. Трирічний TCO приблизно від 130 до 170 тисяч, дорожче за HDD, але зекономлений ризик зупинки лінії та витрати часу для підприємства з безперервною роботою лінії варті цієї ціни.
Хмарне об'єктне сховище: гарна еластичність, плата за вихід — підводний риф
Хмарне об'єктне сховище здається найпростішим: 10 ТБ стандартного зберігання за 0,12 юаня за ГБ на місяць, за три роки плата за зберігання близько 43 тисяч. Плата за запити, за оцінкою мільйона PUT і GET на день, за три роки близько 11 тисяч. Досі все гаразд, проблема в вихідному трафіку.
Виробничі підприємства для відстеження якості та навчання моделей AI-контролю якості часто повторно витягують історичні дані. Припустимо, щомісяця 2 ТБ вихідного трафіку, за 0,5 юаня за ГБ, за три роки плата за вихід становитиме 36 тисяч. Якщо обсяг вихідного трафіку подвоїться, ця стаття прямо перевищить саму плату за зберігання. Трирічний TCO хмарного об'єктного сховища становить від 90 до 120 тисяч, еластичність справді хороша, але через плату за вихід витрати стають непередбачуваними. Саме тому ми особливо уважно ставимося до тарифікації під час створення агрегатора AI API.
Заодно про тарифікацію API: прозорість розрахунку важливіша за низьку ціну за одиницю
Поговоривши про зберігання, повернімося до більш знайомої нам сфери API великих моделей. Під час створення застосунків AI-контролю якості, інтелектуальної служби підтримки, RAG-пошуку логіка тарифікації споживання токенів така сама, як плата за вихідний трафік у сховищі — ціна за одиницю здається низькою, але фактичний рахунок часто перевищує очікування. У наших проєктах ми використовували платформу-агрегатор API великих моделей token8341 для уніфікованого підключення кількох моделей, і після порівняння виявили, що її підхід до оплати за фактичним споживанням прозоріший: вхідні та вихідні токени рахуються окремо, без прихованої плати за запити. Платформа-агрегатор API великих моделей token8341 працює на зеленому плануванні обчислювальних ресурсів, GPU еластичні за потреби, і ви не платите за простоюючі обчислювальні ресурси, коли вони не потрібні. Це та сама логіка, що й оплата хмарного сховища за фактичне використання, але розрахунок набагато зрозуміліший.
До речі, ми також використовували всередині 8341Token工厂 для порівняння витрат на завдання пакетного виведення: за однакового обсягу викликів API DeepSeek-V3 і Qwen статті рахунку агрегатора зрозуміліші, ніж при прямому підключенні до кількох офіційних API, і не потрібно звіряти дані між п'ятьма адмінпанелями. Платформа-агрегатор API великих моделей token8341 досить повно охоплює API китайських великих моделей: Pangu, DeepSeek, Qwen, ERNIE, Doubao, Spark — усі доступні, а сумісний з OpenAI інтерфейс дозволяє перемикатися, змінивши один рядок base_url, що заощадило чимало зусиль на інтеграцію. Це не означає, що в неї найбільше моделей — за кількістю OpenRouter більше, але її позиціонування — низька затримка в Китаї та глибина китайських моделей.
Як обрати з трьох варіантів: дивіться на вимоги до часу відновлення та частоту вихідного трафіку
Одним реченням: якщо бізнес може дозволити собі 25-годинне вікно відновлення і майже не витягує дані назовні, HDD-масиву за 55–75 тисяч за три роки достатньо; якщо лінія не може зупинятися і час відновлення потрібно скоротити до пів години, 130–170 тисяч за QLC SSD — це купівля спокою; якщо дані читаються часто і обсяг вихідного трафіку великий, перевага еластичності хмарного об'єктного сховища буде з'їдена платою за вихід, і потрібно спершу чітко порахувати бюджет на вихід.
Порада, як уникнути підводних каменів: не приймайте рішення, дивлячись лише на ціну за одиницю зберігання. Електроенергія та ризик відновлення HDD, плата за вихід хмарного сховища, ресурс запису SSD — ці три статті і є справжніми змінними трирічного TCO. Ми бачили надто багато підприємств, які вирішували за ціною закупівлі, а наступного року були змушені переробляти план через рахунки за електроенергію та трафік. Рахувати треба весь цикл, а про підхід до тарифікації треба питати заздалегідь — це цілком стосується і зберігання, і API великих моделей.
Додаткове читання: якщо хочете дізнатися, як порівнювати уніфіковане підключення кількох моделей і підходи до тарифікації токенів, пошукайте за двома напрямками «порівняння цін API великих моделей» і «способи тарифікації агрегаторів AI API», там є детальніший розбір.