不少人有这样一个判断：2024会是推理的元年。据英伟达2023年财报电话会议披露，公司全年数据中心里已经有40%的收入来自推理业务，超出了绝大部分人预期。
让人没想到的是，推理端的爆发率先在大模型价格上卷了起来。今年5月，幻方、字节先后发布新模型，价格动辄市面上原有模型的1%。同时，智谱也官宣了新的价格体系，将入门级产品GLM-3 Turbo模型的价格下调了80%。
这样的趋势，同样也在国外发生。自去年以来，OpenAI已经进行了4次降价。在刚刚结束的春季功能更新会上，OpenAI宣布了其最新模型GPT-4o，不仅性能有大幅提升，价格也下调了50%。
那么，驱动这轮大模型推理成本下降的逻辑是什么？我们又应该如何理解推理成本下降对产业的意义？
/ 01 / 降本超预期！GPT4一年降价超80%
从5月召开的发布会来看，各家在大模型价格上卷得越来越厉害了。
5月6日，幻方量化旗下DeepSeek（深度求索）发布第二代MoE模型DeepSeek-V2，该模型API定价为每百万Tokens输入1元、输出2元（32K上下文），价格为GPT-4 Turbo的近百分之一。
5月11日，智谱大模型官宣新的价格体系，新注册用户可以获得额度从500万 tokens 提升至2500万 tokens，并且入门级产品GLM-3 Turbo模型调用价格从5元／百万Tokens降至1元／百万Tokens，降幅高达80%。
5月13日，OpenAI发布GPT-4o，不仅在功能上大幅超越GPT-4 Turbo，价格只有一半。
5月15日，豆包主力模型为0.0008元/千Tokens，即0.8厘就能处理1500多个汉字，宣称比行业便宜了99.3%。在32K（千字节）以下主力模型中，每1000 Tokens（大模型文本中的一个最小单位）的企业市场使用价格，GPT-4（美国AI研究公司OpenAI旗下的大模型）为0.42元，百度文心一言和阿里通义千问为0.12元。
可以看到，大模型降价既有GLM-3 Turbo这样的入门模型，也有像性能接近GPT-4 Turbo的主力模型。而从OpenAI过去一年的动作看，降价也一直其升级的主线。
算上此次GPT-4o的发布，2023年年初以来，OpenAI已经进行了4次降价。去年3月，OpenAI开放了gpt-3.5-turbo，每1000个token的成本为0.002美元，价格比此前的GPT-3.5模型下降了90%。
到去年11月，OpenAI发布了GPT-4 Turbo的同时，也对整个平台的价格做出了调整。其中，GPT-4 Turbo输入tokens价格是GPT-4的1/3，为0.01美元/1k tokens（折合人民币约0.07元），输出tokens价格是其1/2，为，折合人民币约0.22元）。
今年1月，OpenAI推出了新版的GPT-3.5-Turbo，型号为gpt-3.5-turbo-0125，gpt-3.5-turbo-0125输入的价格降低了50%，为0.0005美元/1000 tokens，输出价格也降低了25%，为0.0015美元/1000 tokens。
此外，OpenAI还推出饿了两个新一代embedding模型：text-embedding-3-small和text-embedding-3-large。其中，text-embedding-3-small远比OpenAI之前的text-embedding-ada-002模型效率高，因此价格也大幅降低了5倍，从每千token的0.0001美元降至0.00002美元。
从去年3月OpenAI发布GPT4到现在，其产品从GPT4升级到GPT-4o，输入价格从0.03美元/1k tokens下降到0.005美元/1k tokens，降幅为83%；输出价格从0.06美元/1k tokens下降到0.015美元/1k tokens，降幅为75%。
根据此前预期，大模型大致将按照每年50-75%幅度降本，也就是说，现在大模型的降本速度远超预期。
/ 02 / 模型优化驱动下的成本下降
过去，大模型推理成本下降，很大程度要依赖于算力的升级。但纵观过去一年，推理成本的下降，是在算力没有升级的情况完成的，包括架构创新、推理优化、系统升级、甚至推理集群计算架构方面等等。
这意味着，除了算力升级外，模型优化本身也有着很大的空间。从目前看，算法框架革新主要有两条思路：轻量化和线性化。
其中，轻量化以Mixtral 8*7B模型为代表，其核心思路是采用混合专家模型MoE，架构中基于多个专家并行机制，推理时只激活部分专家，以稀疏性压缩了参数数量和推理成本。
MoE架构主要由两个关键部分组成：专家网络和门控机制。所谓的“专家网络”，就是传统Tranformer架构的FFN（前馈网络）层是一个完全连接的神经网络，MoE架构的FFN层则划分成稀疏性的神经网络，这些被称之为“专家”的小FFN，每个都有自己的权重和激活函数，它们并行工作、专注于处理特定类型的信息。而门控机制则用来决定每个token被发送到哪个专家网络的调配器。
MoE架构强调“术业有专攻”，把不同的问题交给相应领域的专家来解决，就好比一家公司有多个部门，在做决策的时候，公司的CEO会把具体的问题分配到相关的部门进行讨论，最终产生最优的决策。
与轻量化不同，线性化更注重对信息的压缩。Transformer架构模型在推理时与上下文内容进行逐字对比，而线性化模型对前文信息进行了压缩，实现了复杂度线性化，意味着更快的推理速度和更低的计算成本。
此次DeepSeek-V2的降价，就是其通过架构创新，实现了大模型成本尤其是推理成本下降的结果。具体来说，DeepSeek-V2在注意力机制和稀疏层方面做出了创新性的设计。
一方面，其稀疏MoE架构进行了共享专家等改进，相比V1的稠密模型，节约了42.5%的训练成本。另一方面，DeepSeek-V2也创新性地运用先进的注意力机制MLA，压缩token生成中对key value的缓存，极大降低了推理成本。
长期来看，在算力升级以及架构优化等一系列因素的推动下，模型推理成本下降的速度很有可能超出大家预期，并加速应用层的不断创新和生态繁荣。
/ 03 / 一场成本驱动型生产力革命
从过去看，科技变革本质上都是伴随着边际成本的大幅下降。根据A16Z的合伙人Martin Casado的观点，过去几十年人类大致经历了两次大的科技变革，分别是芯片和互联网。
在新一波浪潮里，芯片的诞生，将计算的边际成本降到了趋近为零。在微芯片出现之前，计算是通过手工完成的。人们在大房间里做对数表。然后ENIAC被引入，计算速度提高了四个数量级，然后发生了计算机革命。这一时期出现了IBM、惠普等公司。
到了互联网时代，互联网技术将分发的边际成本降到了零。以前无论你发送什么（一个盒子或者一封信）都需要一定的成本，互联网出现后，每bit的价格急剧下降。顺便说一下，这也是四个数量级改进。这引领了互联网革命。这一时期出现了亚马逊、谷歌和Meta等公司。
与上述两个技术类似，AI也同样是一场成本驱动型生产力革命。大模型则是将创造的边际成本降到了零，比如创建图像和语言理解等等。
举个例子，以前创造一个漫画角色可能需要一个时薪100美元平面设计师，而现在大模型只需要0.01美元，而且只需要一秒钟。再以客服行业为例，目前普遍的AI客服定价都隐含相比人工客服接近1:10的ROI，这意味着过去在美国一位年薪5万刀的客服人员，在应用大模型产品后成本会降低到5000刀。
目前受限于模型推理成本较高，AI应用普遍面临较大的成本压力。
根据无问芯穹发起人汪玉，用公开数据做了一次针对算力成本数量级的测算，假设GPT-4 Turbo每天要为10亿活跃用户提供服务，每年的算力成本可能超过两千亿，这还不包括模型训练的投入。
绝大部分公司的收入仍然还在亿的级别，因此这种成本在打造商业闭环上，显然是不成立的。
从这个角度上说，推理成本下降将成为打开AI应用的重要“开关”。更重要的是，过去的科技发展历史，告诉我们，如果需求具有弹性，那么随着成本下降，使用量也会因为可及性提升而答复增加。
几乎可以肯定的是，互联网大幅带动了全球经济的增长。而人工智能大概率也将经历同样的故事。
