AI热榜 这是一个由两部分组成的系列，重点关注我认为可能是人工智能经济学中最不为人所知的即将发生的转变。
如果您喜欢这篇文章并希望收到有关第二篇文章的通知，请随时订阅我的时事通讯。
真正的 DeepSeek 时刻即将来临 就像几十年前一样，市场对 DeepSeek 的 R1 模型感到退缩。
其理论是，鉴于据报道底层 V3 模型的训练成本低于 600 万美元，市场因此认为模型训练资本支出的巨额投资已经结束，因此 Nvidia 等公司的股价一夜暴跌。
当然，对于人工智能的实际成本在哪里，这是一个非常糟糕的解读。
培训虽然无疑是资本支出密集型的，但它是一项固定的前期成本。
你花费数亿来训练一个模型，然后你就“完成了”。
[1] 另一方面，推理会根据您的需求进行扩展。
它具有真正的边际成本。
在过去一年左右的时间里，我已经详细地写过有关此问题的文章。
同样，对此的主流理解——提供商收取的 API 成本就是他们的实际成本——是错误的。
事实上，当 Anthropic/OpenAI 收取 25 美元/MTok 的推理费用时，我的餐巾纸数学表明，计算成本与机架费率的毛利率可能约为 90%。
它可能会高一点，也可能低一点（OpenAI 泄露的财务数据表明收入毛利率约为 60%，但这无疑包括许多其他成本，如支持、支付处理和他们提供的其他服务），但前沿 AI 实验室的整个商业模式简而言之就是在计算上花费大量资金来训练模型，然后通过大量非常有利可图的推理来分摊该成本。
如果您可以通过足够的推理来摊销该成本，您就可以从以销货成本为基础的盈利转变为……实际盈利。
GLM 5.2 过去几周我一直在玩 Z.ai 的 GLM5.2。
我相信 GLM5.2 是第一个达到 Opus 和 GPT 真正开放权重竞争对手“标准”的模型（在撰写本文时，GPT 的最新版本是 5.5 - 未来的模型无疑会超过这个）。
这真的非常好，但对我来说很难区分我的日常驱动程序 Opus 和它之间的区别。
我发现它很慢，因为它需要进行大量的思考。
对于时间要求不高的非交互式代理任务（例如在后台审查 PR），这不是问题，但对于交互式使用，它肯定有点太慢而无法吸引我的注意力。
这也在一定程度上降低了它的成本效益（更多的思考意味着更多的代币，从而增加了成本）。
🔗 原始来源
如果你要核对细节，可以再看原文： Hacker News AI原文链接