当大模型学会电价表：OpenAI 降价 80% 与 DeepSeek 涨价 1100% 是同一件事

21 天前

资讯

131 阅读

人工智能大模型 AI OpenAI DeepSeek

AI智能的电力化：数据中心与输电网络

上周发生了一件很有意思的事，有意思到我觉得它值得单独写一篇文章，而不是塞进日报里一笔带过：OpenAI 把多款模型的价格最高下调了 80%，GPT-5.6 Sol 的输出价格降到了每百万 Token 20 美元，这已经是不到一个月内的第二次降价；谷歌的 Gemini 3.7 Flash 更狠，直接以上一代一半的首发价亮相。而与此同时，DeepSeek 却在往相反的方向走——8 月内两轮调价，高峰时段的涨幅最高达到 1100%，后来又补了一条周末全天半价。

一边是跳楼大甩卖，一边是坐地起价，表面上像是两家公司在打价格战的不同阶段，但我越看越觉得，这不是价格战的延续，而是价格战的终结。真正发生的事情是：大模型开始像电力一样定价了。

降价和涨价，其实是同一件事

先别急着把 OpenAI 的降价理解成"让利于民"。看看它降价的动因就清楚了：过去一年，中国的开源模型和 API 价格把全球基线的性价比拉到了一个美国巨头很难受的位置，美国大模型在一个月内整体降价接近 25%，被普遍解读为中国厂商倒逼的结果。降 80% 不是因为成本真的降了 80%，而是因为不降就没人调用。

而 DeepSeek 的涨价同样不是膨胀。它调价公告的逻辑写得很明白：高峰时段算力紧张，高峰价格翻倍，低谷便宜，周末全天半价——这是标准的电力调度定价。电厂在用电高峰不会降价促销，而是抬价削峰填谷，让需求主动错峰。当一家模型公司敢于涨价 1100% 而不担心用户流失时，恰恰说明它的算力已经供不应求，说明智能这种东西已经变成了有峰谷的、需要调度的资源。

所以降价和涨价看似矛盾，实则是同一个成熟过程的两面：智能的边际价格被成本和竞争打到底部之后，价格就不再反映"模型好不好"，而开始反映"算力此刻够不够"——这正是电价的特征。从这一刻起，大模型正式从"魔法产品"变成了"大宗商品"。

这周还有两条新闻可以作为这个判断的佐证。一条是 Hugging Face 被曝正探索以 130 亿美元左右的估值出售，而它 2024 年融资时的估值约 45 亿美元，两年多时间价值翻了近三倍。另一条是斯坦福数字经济实验室的研究：生成式 AI 落地之后，受冲击最严重的不是想象中的"全能替代"，而是入门级岗位——AI 暴露程度最高的职业里，年轻员工的就业率出现了显著下滑，入门级岗位降幅约在 16% 到 19% 之间。

这两条新闻和价格战拼在一起，指向同一个结构性变化：当智能本身变得廉价、标准化、随取随用，它的价值就不再沉淀在"提供智能"这一层，而是沉淀在两侧——一侧是掌握稀缺资源的基础设施层（Hugging Face 的 130 亿估值买的不是模型，是生态位），另一侧是应用智能去解决具体问题的环节（企业发现与其雇一个入门级员工，不如调用一百万 Token）。中间那层"卖智能"的生意，正在被压缩成类似电网的公用事业。

历史在铁路和电网上都演过这一幕

这种"基础设施化"的剧本，历史上出现过不止一次。

十九世纪末的美国铁路狂潮里，最初几十家铁路公司都以为自己卖的是"运输服务"，可以在价格和服务上做出差异化。等到路网铺满、运力过剩，1880 年代爆发了惨烈的价格战，随后而来的不是永恒的低价竞争，而是定价体系的重构：货运按品类、按时段、按路线拥挤程度分层计价，铁路变成了和电报线一样的公用事业。今天的模型厂商从"按 Token 计价"走向"按时段计价"，走的是同一条路。

电力行业更明显。交流电胜出之后，电一度是昂贵的奢侈品，工厂要自备发电机。但电厂规模化之后，电价一路走低，最终没有人再关心"电是哪家厂发的"，大家只关心两件事：变压器的容量够不够，峰谷电价怎么排产。DeepSeek 那套高峰翻倍、低谷打折的定价，本质上就是把工厂排产的逻辑搬到了 Token 上。

每一次这样的转变，都会出现三个可预测的结果：第一，上游的资源方和生态方拿走大部分新增价值（当年是标准石油和电气设备商，今天是 GPU、算力网络和 Hugging Face 们）；第二，中间的"搬运层"利润被压到公用事业水平，靠规模和调度效率活着；第三，真正的创业机会大量转移到应用层——电便宜了，才会有人去发明电冰箱和洗衣机。

对不同的人，这意味着完全不同的事

如果你是开发者，这是难得的好消息，但要换一种好法。Token 变便宜之后，之前因为成本做不了的事情——长上下文的批量处理、Agent 的多轮自我纠错、给每个用户跑个性化推理——现在都跑得起了。但同时，你的护城河里不能再有"我们会调模型"这一项了。电费便宜从来不是餐馆的竞争力，菜谱才是。往后真正值钱的，是对具体业务的建模能力和对成本的调度意识：什么任务用贵的模型，什么任务用便宜模型加缓存，什么任务错峰到周末跑。DeepSeek 的峰谷定价已经把"省 Token"从美德变成了工程学科。

如果你是创业者，判断标准需要重估。两年前"我们自研了一个模型"还能讲成故事，现在这句话在商业上的价值趋近于"我们自建了一座电厂"。斯坦福那份就业研究其实是一份需求侧信号：入门级岗位下降 16% 到 19%，意味着企业真的在用 AI 替代执行层，这意味着所有"替企业完成执行"的工具型产品面临天花板下移——需求方自己就能干了。反过来，"帮企业决定执行什么"的判断层，和"帮人获得不被替代的能力"的赋能层，价值在上升。选边站队的时候到了。

如果你是普通用户，短期是纯粹的实惠：同样的订阅费，能调用的模型一代比一代强，写代码、做翻译、分析文档的边际成本趋近于零。但中期需要想清楚一件事：当入门级工作被压缩，职业路径的起点就变了。上一代人通过做基础工作积累经验再往上升，这条梯子的最下面几级正在被抽掉。应对方式不是恐慌性地"学 AI"，而是尽早越过执行层，直接去练判断力、行业理解和让 AI 产出结果的能力——因为这些恰恰是电价再便宜也发不出来的电。