精打细算的AI时代到来了

文 | 深流研究所，精打作者 | 之丰

上周，细算豆包正式开启收费模式。精打其推出的细算专业版分为三档，最高级别套餐包年费用高达5088元。精打

紧随其后，细算素有“价格屠夫”之称的精打DeepSeek也宣布调整计价策略。实施新的细算峰谷定价后，每日9:00-12:00及14:00-18:00被划为高峰时段，精打调用成本直接翻倍。细算

图源：DeepSeek开放平台

正如那句老话所说：“所有看似馈赠的精打礼物，都已在暗中标好了价格。细算”今年2月初，精打ChatGPT开始在免费用户对话框中植入广告；上周，细算其在法国加大招商力度，精打广告推送密度显著增加。

曾经“白嫖AI”的时代正走向终结。回顾去年，各大厂商仍在激烈打价格战；如今，行业焦点已转向核心问题：如何让AI这门生意摆脱“只进不出”的无底洞困境？

1、商业化落地遭遇“双重夹击”

AI公司想要盈利，逻辑无非两点：要么增加收入，要么降低成本。然而，当前行业面临的是两头受阻的局面。

过去几年，互联网思维主导了AI发展路径：前期通过烧钱获取用户规模，待规模效应形成后摊薄成本。这是因为互联网产品的边际成本趋近于零，新增用户带来的服务器成本几乎可以忽略不计。

但AI产品的逻辑更接近制造业，具有刚性成本特征。用户规模扩大，算力成本随之飙升。因为每一次用户提问，模型都需要进行实质性的推理运算。用户越多，对话越频繁，算力消耗呈线性甚至指数级增长。

数据印证了这一困境：月活用户达9亿的OpenAI，去年净亏损385亿美元；今年第一季度，其每收入1美元需亏损1.22美元。国内方面，尽管豆包日均Token调用量已达180万亿，但日收入不足100万元。

在ChatGPT询问“如何学习AI”的回答底部出现了广告

另一方面，算力供给本身属于稀缺资源，导致价格居高不下，总成本难以压缩。

算力供给面临的是难以突破的物理壁垒：
* 电力限制：Gartner预测，2030年全球数据中心用电量将超过1200TWh，电网供电将无法满足需求。
* 芯片瓶颈：全球高阶AI芯片的先进封装高度依赖台积电。即便台积电扩产，英伟达一家即可占据六成以上份额，剩余产能还需被数十家公司争夺，有钱也难获产能。

此外，AI形态正从简单的Chatbot向需持续运行的Agent转变。Agent需将简短指令转化为后台成百上千次的自我推理、工具调用与记忆吞吐，这一转变对算力的需求是数量级的跃升。

因此，算力成本面临双重夹击：调用量上涨导致成本无法摊薄，供给不足导致成本无法下降。

既然降本困难，那涨价是否可行？

在To B生产力场景，提价逻辑成立。企业购买的是解决复杂专业问题的能力，智能上限和真实能力是首要考量，高成本可被接受。Anthropic ARR暴涨、智谱股价飙升、Workbuddy广受好评，均验证了这一点。

但在To C场景，情况截然不同。2025年ChatGPT拥有9亿周活跃用户，其中个人订阅用户约5000万，占比仅约5%。

国内用户的付费意愿更低。在“免费+广告”模式的长期熏陶下，国内用户尚未养成独立软件付费习惯。5月初豆包试水订阅时，“豆包笨还收费”迅速登上热搜。

普通用户对To C AI产品缺乏忠诚度，仅追求便捷与顺手。别说提价，即便从免费转为付费，也会流失大量用户。

因此，行业剩下的出路只有一条：在AI完成同等任务时，如何消耗更少的算力资源？

这就是当前行业共识：效率优先。

2、让每一分算力都花得值

从底层硬件到上层应用，行业正全方位围绕“效率”展开布局。

硬件层：英伟达推出LPU芯片

英伟达在GTC大会上推出基于Groq技术授权的LPU新芯片，专门优化AI推理场景。

• GPU：擅长高并发大规模计算，如万人方阵冲锋，主要用于大模型预训练，旨在提升智能上限。
• LPU：如精锐小队，擅长快速出击。日常推理场景无需千军万马，响应速度快、成本低才是性价比之王。

模型架构：MoE（混合专家架构）成为主流

MoE架构允许模型总参数达到万亿级别以保证“脑容量”，但每次推理仅激活少量参数，实现“既强又省”。

这如同公司按需调用专家：接到任务后，从全员中挑选最合适的少数专家处理。压低激活率难，选对“专家”更难，否则会导致答案质量崩塌。

• 案例：DeepSeek V4 Pro总参数1.6万亿，每次仅激活490亿（激活率约3%），编码能力逼近顶级闭源模型，而输出价格仅为GPT-5.5的八分之一。
• 腾讯开源hy3 preview：295B参数，仅激活21B，性能接近300B级模型，成本却仅为20B级别。上线OpenRouter后，开发者蜂拥而至，不仅因免费，更因其极高的性价比。

腾讯灰度内测的AI助手“小微”也采用此思路。其背后模型WeLM总参数800亿，每次仅激活30亿（激活率3.75%），低于DeepSeek-V4-Flash（4.6%）。

为何将激活率压至极低？以微信14亿月活体量，若“小微”全量开放，推理量将是天文数字。若模型性价比不足，电费将吞噬所有利润。因此，“小微”将绝大多数日常请求交给高效便宜的WeLM，复杂任务则由合作模型兜底。

工程优化：KV缓存复用与价格杠杆

在模型运行过程中，工程手段可进一步榨取算力效率。DeepSeek等采用的KV缓存复用技术，指在连续对话中，系统提示词、常用前缀等重复内容无需重新计算，直接调用历史结果。这如同熟悉路线后无需每次重新导航。

此外，DeepSeek利用价格杠杆优化算力调度：
* 平峰时段价格不变，缓存命中接近免费。
* 通过价格信号引导负载从白天高峰转移至夜间低谷，提升GPU 24小时整体利用率，降低单位成本。

Agent时代的挑战：减少无效推理

进入Agent时代，算力问题更为棘手。Agent在处理长程任务时，大量Token消耗在重复搬运信息而非生产新内容上。多Agent协作时，如同低效会议，反复确认已知背景，导致严重空转。

谷歌的A2A协议与Anthropic的MCP协议旨在解决此问题：
* MCP：实现单Agent内部上下文复用，避免从头开始。
* A2A：实现多Agent间成果共享，避免重复劳动。
两者配合，有效减少Agent协作中的无效推理。

用户行为分化：从追求上限到追求效率

效率优先不仅是企业诉求，也是用户需求分化的结果。

衡量AI付费意愿的LLM Token支出指数持续走低。用户正加速逃离昂贵、参数巨大的前沿模型，转向性价比高、经优化的轻量级及MoE模型。

图源：Citadel Securities报告《Tokennomics》

Citadel Securities指出，前沿AI与“日常”AI的使用正在分化：
* 前沿AI：追求智能上限。
* 日常AI：追求极致效率。

两者已不能用同一把尺子衡量。并非前沿模型不重要，头部模型仍需追求智能上限，但行业共识是：仅少数专业或复杂场景值得调用昂贵模型，大多数场景应降级至高性价比模型。

正如公司不会让首席分析师去接前台电话，用顶级模型处理简单任务纯属资源浪费。

效率优先的正向循环

效率优先实现后，企业与用户双赢：
1. 企业端：单次推理成本降低，利润空间显现。
2. 用户端：企业成本下降带来降价空间，降低门槛，吸引原本被价格阻挡的用户，扩大付费规模，形成健康正向循环。

3、做人人可用的AI

近期，除To C端涨价外，巨头们也在缩减内部员工的Token使用量。

• 微软：取消内部Claude Code许可，引导员工转向更便宜的Copilot CLI。
• 亚马逊：明确要求员工“不要为用AI而用AI”。
• Meta：撤下内部Token消耗排行榜。

此举迫使员工学习如何最大化利用Token。资深工程师通过精简提示词、控制上下文长度、避免重复读取资料，能将账单大幅压缩。

近期CSDN社区上有关节省Token的技术帖子

然而，普通用户难以读懂此类技术帖子，也无法有意识地控制Token使用，往往在为远超实际需求的算力买单。

这一落差不应由用户承担。

使用AI的高性价比方式，应从用户侧转移至机制层面。理想状态下，用户无需知晓底层模型差异，系统应自动判断：简单任务交由便宜小模型，复杂任务调用昂贵大模型。如同使用搜索引擎时，用户无需关心背后有多少台服务器在响应。

唯有如此，普通用户才能真正从AI技术中受益。

结语：技术平权的关键

技术的价值不在于极致，而在于触达人数。若AI能力仅服务于精英，便只是一场狂欢。

正如电力普及前仅为工厂特权，互联网铺至县城前信息鸿沟依旧存在。AI亦然，效率优先不仅是商业命题，更是技术平权问题。

从少数人的工具转变为所有人的基础设施，是技术革命的关键时刻。AI的普及，不取决于最强模型的理论上限，而取决于大规模运行AI的成本能压至多低。

此刻，AI正站在这一时刻的门口，而效率优先，正是推开这扇门的那双手。

(责任编辑：综合)