一边烧钱，一边降价，大模型靠什么赚钱？

本文来自微信公众号： Techmo ，作者：Techmo

一边是每小时超过20万元的训练费用，另一边是每百万输出Token仅需几元的服务价格。小米的两个页面，把AI行业的生意摆在了公众面前。

9月17日，小米MiMo团队负责人罗福莉公开新模型训练进展。据统计，MiMo-V2.6-Pro和Flash两轮强化学习训练合计每小时花费约3.1万美元，折合人民币超过20万元。以这一速度连续运行24小时，相当于一天近500万元。

小米开放平台价目表显示，已经上线的MiMo-V2.5，每百万输入Token的未命中缓存价格为1元，输出价格为2元。

花大钱开发，再以低单价向大量用户提供服务，是模型厂商选择的一条商业化路径。随着技术进步，同等能力的使用价格持续下降，前沿研发又在追求更高的能力上限。这两股力量共同推动行业分工：少数企业承担昂贵的模型研发，更多企业购买能力，把它变成自己的产品和服务。

而对于耗费大量成本进行前沿模型训练的基模厂商而言，高昂的持续训练成本与愈发经济实惠的token价格放在一起，让盈利，甚至回本，成了摆在眼前的大问题。

钱主要花在硬件和人身上，训练只是其中一段

每小时20多万元的花费中，除了我们经常戏称的电费钱，模型开发的成本结构里，硬件和研发人员占据了更大的位置。

研究机构Epoch AI在2024年发表的成本研究中，对GPT-3、OPT-175B、GPT-4和Gemini Ultra作了详细估算。在这些样本里，硬件占开发成本的47%至67%，研发人员占29%至49%，能源占2%至6%。

从这组历史样本中我们能够发现，模型研发是一项同时依赖昂贵设备和高水平研究团队的活动。电力保障集群运转，工程师则要解决如何让设备有效协同、让模型学到有用能力的问题。

进入强化学习阶段，花钱的环节还会延伸到模型执行任务的过程。以修复程序错误为例，模型读取问题、修改代码、运行测试，再根据结果继续尝试。生成内容、执行代码、评价结果，都需要资源。同一个问题还可能探索多条路径，供训练系统筛选和学习。

小米此前的MiMo-V2-Flash技术资料中显示，团队利用真实GitHub问题建立了超过10万个可验证任务，基础设施支持超过1万个容器实例并发运行。数据的价值由此变得具体：训练团队需要准备一批有难度、能执行、能检验结果的任务，模型才能从反馈中改进。

这也改变了研发团队花钱的方式。除了买算力、收集资料，还要投入人员建设测试环境、设计评价方法、处理系统故障。掌握多少数据，与能够把多少数据变成有效训练任务，是两种不同的能力。

企业财务报表会把这些投入放进不同科目。租用算力、研发人员薪酬通常进入相关费用，自购服务器则涉及资本支出和后续折旧。看一家科技公司的AI投入，需要同时关注研发费用和基础设施建设；一轮训练的看板，只展示其中一段。

同样的能力越来越便宜，厂商要靠更大的市场回本

昂贵的研发，并没有让既有模型能力始终维持高价。

斯坦福《2025年AI指数报告》记录了一次显著变化：从2022年11月到2024年10月，达到GPT-3.5水平的系统，其推理使用成本下降超过280倍。除了统计报告，我们身边的案例也非常鲜明。今年，Kimi、DeepSeek等厂商新模型的token成本也比之前的模型版本也有了显著降低

这种变化有技术基础。模型结构和运行方式得到优化后，同样的硬件可以处理更多请求；小模型可以学习大模型的部分能力，以更少资源完成特定工作。供给效率提高，给服务降价创造了空间。

前沿实验室追求的目标也在移动。已有任务可以做得更便宜，新的投入则继续探索更长、更复杂的任务。对产业而言，技术进步同时带来两种结果：普通应用更容易负担AI，领先团队有动力把节省下来的资源投入下一轮研发。

模型厂商因此需要足够大的付费市场。单次调用价格低，可以吸引更多开发者；开发者把模型放进客服、办公、编程等产品，又产生持续需求。研发成本能否被摊薄，取决于这类需求能扩大到什么程度，以及每笔服务留下多少毛利。

MiniMax的2026年中期业绩呈现了这一过程。上半年，公司收入约1.166亿美元，同比增长283.1%；毛利约2080万美元，毛利率从12.1%升至17.9%；同期研发开支约2.969亿美元。开放平台及其他AI企业服务贡献了约63.4%的收入。

企业和开发者正在形成实际付费，经营效率也在改善。与此同时，支撑持续研发所需的毛利规模仍然很大。模型厂商要经营的是一门低单价、高频次、需要不断提高资源效率的生意。客户越多，计算资源的调度、缓存复用和服务稳定性就越直接地影响利润。

这给行业带来一个明确方向：模型能力领先之后，还要建立大规模供给能力。让同等效果更便宜，可以扩大市场；让更多请求以更低成本完成，才能把市场扩张变成企业收益。

AI创造的收益，会在模型之外兑现

对使用模型的企业而言，价格下降意味着另一种机会：以越来越低的技术采购成本，改善一项原本昂贵的业务。模型供应商获得服务收入，使用者则通过业务效率改善获得回报。

双方对AI的定价依据并不一样。模型平台按调用量收费，客户关心的可能是解决一笔咨询要花多少钱、员工能减少多少重复劳动。一次调用对供应商意味着计算消耗，对客户则可能意味着一项工作被完成。能够稳定完成有价值任务的应用，便有机会按服务价值定价。

微软走的是把AI加入成熟软件产品的路径。在2026财年第四季度业绩电话会上，公司披露Microsoft 365 Copilot付费席位已超过3000万个，并表示正把商业模式扩展为席位收费与使用量收费相结合。

现成的客户关系在这里发挥了作用。企业已经使用办公软件，AI可以进入同一套采购、账号和管理体系。供应商既有机会增加每个用户的收入，也可以随任务使用量增加收费。模型能力因此被嵌入了一门已有销售渠道和付费习惯的生意。

收费方式本身也在调整。微软在同次电话会上表示，GitHub Copilot的毛利率在转向按使用量定价后，于季度内改善。对于需要反复调用模型的智能体产品，让收费跟随资源消耗变化，有助于承接重度用户需求。

越接近客户实际完成的工作，企业越有机会把技术价值变成可收费的产品。模型公司可以向应用延伸，软件公司可以采购多个模型，传统企业也可以把节约下来的成本留在自身业务里。AI商业化的竞争范围，已经覆盖了这几类参与者。

小米属于同时参与模型研发和终端应用的企业。它能够把能力用于既有产品，也可以向外提供模型服务。这类企业拥有更多消化研发成果的渠道，投入的回报可以分布在多个业务中。小米的训练账单之所以值得关注，也正是因为它展示了大型科技企业试图把研发、产品与用户连接起来的投入方式。

前沿研发会更集中，应用生意会更加分散

高额投入正在提高持续参与前沿模型竞赛的门槛。资金充足的企业能够维持研究团队、预订计算资源，也能承受多轮实验后才出现的成果。独立模型公司则需要依靠融资、合作伙伴和快速增长的业务支持迭代。

与此同时，开放模型和付费接口把研发成果输送给了更广泛的企业。它们可以直接购买能力，把主要资源用于客户需求、业务数据和产品交付。训练端的资金门槛，与应用端的参与门槛，正在沿不同方向变化。

这种分工会重新定义小公司的竞争力。服务某一类客户时，知道业务如何运转、能够接入哪些数据、遇到错误由谁处理，往往直接决定产品能否长期使用。通用模型可以更换，客户积累的业务规则和交付经验需要持续建设。围绕这些工作形成稳定收入，是应用企业可以争取的位置。

前沿模型厂商则需要把研发优势转化为足够广泛的需求。一部分收益来自能力领先带来的付费，一部分来自服务效率，还有一部分可能通过自有应用兑现。未来更有机会持续投入的企业，将是能够把这几项能力连接起来的企业。

小米每小时20多万元的费用，让公众看到了AI研发昂贵的一面。它背后的行业变化更加具体：上游投入越来越重，成熟能力逐渐普及，商业收益沿着产品和客户向更多环节分布。AI可以成为一门规模庞大的生意，而每家公司的回报，最终取决于它在这条分工链上提供了什么，以及能为这项贡献收取多少费用。