AI用不起?成本迷雾与企业的真实账单

AI成本讨论的起点就是错的：大家都在问"贵不贵"，没人问"值不值"。

企业谈AI成本，开场通常是"GPT-4调用一次多少钱"，结尾通常是"Token价格还会不会降"。这个对话框架本身就反映了问题：用云端最强模型处理所有任务，是把悍马当买菜车开——不是开不起，是没必要。

01 成本错配是普遍现象

图1：AI云计算成本效率 · 来源：AI生图

调研显示，多数企业AI成本高企的原因不是技术贵，而是模型选择错配。一个简单的客服分类任务，用GPT-4级别模型处理，每千次调用成本可能是2美元；但同等准确率下，用微调后的7B小模型，成本可能是0.02美元——差了100倍。

多数企业的AI负责人是技术背景，他们本能地想用"最好的模型"。但商业逻辑应该反过来：先定义任务，再找最便宜的达标方案。

02 小模型崛起的经济学

图2：模型优化AI资源管理 · 来源：AI生图

2026年的小模型已经今非昔比。Llama 3、Qwen 2这一代开源模型，在很多任务上逼近GPT-4的表现。微调成本也在断崖式下降——用消费级GPU，几个小时就能微调出一个专属模型。这让"模型即服务"的成本结构彻底改变。

云厂商的定价策略也在配合这个趋势。GPT-4的Token价格在过去18个月降了60%，但竞争来自意想不到的方向——越来越多企业选择"本地部署+微调"，绕过云厂商，把成本压到接近零。

03 成本优化的三个杠杆

图3：具有成本效益的AI基础设施 · 来源：AI生图

聪明的企业已经摸索出AI成本优化的三条路。第一是任务分层——简单任务用小模型，复杂任务才用大模型，接口统一封装，对上层透明。第二是缓存复用——同样的query第一次用大模型推理，之后用向量数据库召回，不再重复计算。第三是数据飞轮——用生产数据持续微调模型，让模型越用越小、越用越准。

AI成本优化，本质上是重新思考"什么值得用最强的模型"。当你开始问这个问题，账单可能只有原来的十分之一。

🔥 今日互动

你的团队或公司有没有算过AI的ROI？是怎么评估的？

---

本文由AI辅助创作，内容来源：MIT Technology Review《Making AI an asset, not an expense》2026年10月。