Kinas AI-modeller minskar gapet mot utländska konkurrenter genom kostnadseffektivitet
Kinas AI-modeller börjar konkurrera på kostnad, med träningskostnader och API-priser som endast uppgår till en tiondel av jämförbara utländska system, enligt UBS.
Marknaden för AI-modeller i Kina har börjat konkurrera lika mycket på kostnad som på kapacitet. Enligt uppskattningar från UBS kan de ledande kinesiska AI-modellerna kosta ungefär en tiondel så mycket att träna som jämförbara utländska system. Dessutom ligger deras API-priser ofta på 10–20 procent av utländska alternativ.
Om företagsanvändare i ökande grad bedömer AI utifrån avkastningen per token snarare än rå modellprestanda, kan denna kostnadsskillnad bli en kommersiell fördel snarare än en tillfällig prissättningstaktik. Kinesiska modellleverantörer kan upprätthålla uppskattade API-bruttomarginaler på 20–40 procent trots betydligt lägre priser.
Företagens efterfrågan börjar delas upp mellan dyra modeller för komplexa uppgifter och billigare modeller för repetitiva arbetsflöden med höga volymer. Detta kan göra prisvärdhet till en viktigare faktor i global upphandling av företagsmodeller.
Kostnadsskillnaden byggs upp genom hela AI-stacken, inte genom en enskild prisdumpning. Kinesiska utvecklare använder mindre parameterstorlekar, "mixture-of-experts"-arkitekturer och andra algoritmiska tekniker för att minska krav på träning och inferens. Vissa MoE-modeller aktiverar endast en liten procentandel av parametrarna per uppgift.
Effektiviteten i tjänsteleveransen, inklusive högre GPU-utnyttjande (över 70 %) samt lägre kostnader för el och datacenter, bidrar ytterligare. Inhemska AI-chip kan också minska inferenskostnaderna över tid. Kinas ekosystem för modeller med öppen källkod bidrar till att sprida dessa förbättringar mellan olika AI-labb.