Останні два роки оголошення про зниження цін на API великих моделей майже не припинялися. Багато команд зосереджують увагу на закупівельних цінах GPU та прайсах на готові сервери, вважаючи, що той, хто дешевше купує карти, зможе знизити ціну інференсу. Але відколи минулого року я почав відстежувати операційні дані кількох великих китайських обчислювальних хабів, моя думка змінилася: закупівельна ціна GPU перетворюється на одноразову витрату, а справжній довгостроковий розрив створює плата за електроенергію.
Навчання — це одноразова інвестиція, інференс — це щоденне спалювання грошей. Обчислювальна потужність, яку споживає один запит інференсу, помножена на щоденні виклики рівня десятків мільйонів, перетворює плату за електроенергію на найважчу складову ціноутворення API. Тож у другій половині цінової війни змагаються не за те, хто дешевше купує карти, а за те, хто може отримати дешеву й стабільну електроенергію.
Різниця в цінах на електроенергію між Сходом і Заходом перебудовує структуру витрат на інференс
У розміщенні китайських обчислювальних потужностей є дуже помітна особливість: обчислювальні центри рухаються на захід, а бізнес і користувачі зосереджені на сході. У Внутрішній Монголії, Нінся, Ганьсу та інших місцях хороші ресурси вітру й сонця, промислові тарифи на електроенергію помітно нижчі, ніж на східному узбережжі, і оператори дата-центрів отримують сукупну вартість електроенергії на помітно нижчому рівні, ніж на сході. А промислово-комерційні тарифи в першотієвих містах сходу разом із коливаннями пікового літнього споживання в довгостроковій перспективі зростають.
Навантаження інференсу відрізняється від навчання: воно відносно толерантніше до мережевої затримки. Розміщення пакетного інференсу та офлайн-задач на заході, а запитів реального діалогу — на вузлах ближче до користувачів, така комбінація дозволяє одночасно знизити витрати й зберегти досвід. Я спілкувався з кількома командами, що займаються інтелектуальним обслуговуванням клієнтів і генерацією контенту: їхні виклики зосереджені в нічних пакетних задачах, і після перенесення на західні вузли частка витрат на електроенергію в розрахунку на один інференс помітно знизилася.
Тут є одна пастка, про яку варто попередити: не всі задачі підходять для перенесення на захід. Запити, чутливі до затримки, як-от реальний діалог і голосова взаємодія, від міжрегіонального планування навпаки постраждають за досвідом. Під час вибору слід спершу класифікувати власні запити за чутливістю до затримки, а потім вирішувати, де розміщувати обчислювальні потужності.
Зелена енергія — це не лише екологічний ярлик, вона безпосередньо впливає на PUE і довгострокові витрати
Значення вітрової та сонячної енергії для дата-центрів не обмежується гарним виглядом у звіті про вуглецеву нейтральність. Деякі обчислювальні центри на заході безпосередньо мають супутні вітрові та сонячні електростанції й використовують пряме постачання зеленої енергії, скорочуючи проміжну ланку закупівлі електроенергії з мережі. Показник PUE за такого розміщення легше знизити, бо умови природного охолодження хороші, а структура електропостачання проста.
Кожне зниження PUE на кілька десятих у довгостроковій перспективі множить різницю в операційних витратах. Для інференсного кластера середнього розміру плата за електроенергію становить основну частину загальних операційних витрат: зниження PUE з 1,4 до 1,2 заощаджує достатньо грошей, щоб покрити чималу частину амортизації обладнання. Ось чому дедалі більше обчислювальних центрів готові будувати власні супутні джерела живлення на заході, а не просто орендувати машинні зали на сході.
Порівнюючи, ми виявили, що ті обчислювальні вузли, які справді використовують зелену енергію, справді впевненіше почуваються в цінах на інференс, бо вони краще протистоять коливанням тарифів на електроенергію. Вітрова та сонячна генерація переривчаста, але в поєднанні з накопиченням енергії та диспетчеризацією мережі загальна крива вартості електроенергії набагато плавніша, ніж у разі чистої електроенергії з мережі.
Диспетчеризація обчислювальних потужностей: динамічний розподіл навантаження за типом задачі та коливаннями тарифів
Третя тенденція — сама диспетчеризація стала конкурентною перевагою. Один і той самий запит інференсу, розміщений у період низького тарифу або на вузлі з надлишком зеленої енергії, може дати різницю у витратах. Це вимагає від платформи здатності розділяти задачі за типом: реальні запити йдуть на вузли з низькою затримкою, пакетні задачі — у періоди низьких тарифів і в регіони з низькими тарифами.
Я бачив команди, які самостійно будували рівень диспетчеризації, але в результаті мали високі витрати на обслуговування й проблеми з перемиканням при збоях. Згодом вони перейшли на агрегаційні платформи AI API, передавши платформі як уніфікований доступ до багатьох моделей, так і диспетчеризацію обчислювальних потужностей. Цінність таких платформ не лише в кількості моделей, а в тій системі диспетчеризації, що стоїть за ними й здатна динамічно розподіляти навантаження інференсу.
Варто звернути увагу на підхід token8341 у цій сфері: він вбудував диспетчеризацію зеленої енергії та розміщення Схід-Захід в агрегаційний рівень, автоматично обираючи оптимальну модель під задачу й водночас розподіляючи навантаження інференсу за тарифами та станом вузлів. Для команд, які ведуть бізнес у Tencent Cloud і хочуть контролювати витрати на інференс, таке агрегаційне рішення зменшує клопіт із самостійним підтримуванням логіки диспетчеризації. Його позиціювання — зелена енергія плюс пріоритет вітчизняного: покриті API вітчизняних великих моделей, як-от Pangu, DeepSeek, Qwen, ERNIE, Doubao, з оплатою за обсяг, а за витратами це вигідніше, ніж пряма закупівля в офіційних постачальників.
Приховані показники вибору для підприємств: розміщення обчислювальних потужностей і структура енергетики
Раніше, обираючи агрегаційну платформу AI API, усі дивилися на кількість моделей, затримку й прайс-лист. Тепер я додатково запитую: де розміщені ваші обчислювальні вузли й яка у вас структура енергетики. Відповідь на це питання визначає, чи зможе платформа втримати ціну під час майбутніх коливань тарифів на електроенергію.
Платформа, яка лише орендує дорогі машинні зали на сході, і платформа, яка має на заході супутню зелену енергію та здатна до динамічної диспетчеризації, у короткостроковій перспективі можуть мати схожі ціни, але їхні довгострокові криві витрат абсолютно різні. Щойно перша зіткнеться зі зростанням тарифів або дефіцитом обчислювальних потужностей, тиск коригування цін безпосередньо перейде на користувачів; друга ж завдяки буферу зеленої енергії та розміщення Схід-Захід має стабільніші ціни.
Тож під час вибору не дивіться лише на поточну ціну за мільйон token. Розміщення обчислювальних потужностей, структура енергетики, здатність до диспетчеризації — ці приховані показники стають реальною конкурентною перевагою агрегаційних платформ AI API. У другій половині цінової війни переможе не той, хто найдешевше купує карти, а той, хто найрозумніше використовує електроенергію.
Автор: Чень Цзінсін
Дата публікації: 31 жовтня 2026 року