钱的流向 — 这门生意分三层,而钱往两头走
这一章讲三件事: 大模型这门生意由哪几层组成;每一层靠什么收钱; 以及为什么最风光的那一层(做模型的)最不赚钱。 第 04 章算出了这门生意的成本,第 06 章讲了谁在买, 这一章讲那笔钱进了谁的口袋。
1. 先看现象:所有人都在做大模型,可谁赚到钱了?
2023 到 2024 年,国内发布的大模型从几十个涨到一百多个。 但很少有人问一句:这些模型本身,是怎么变成钱的?
这本书难得地正面回答了这个问题,而且给了一个很不客气的答案:
芯片和机房那一层拿走 50%–70%,做产品那一层拿走 30%–40%, 而做模型的那一层——0%–10%。1
这一章讲这个结论是怎么推出来的,以及它成立的条件是什么。
2. 顶层全景:三层结构,两头肥中间瘦
上游:芯片、机房、数据 ← 成熟、门槛高、但需求是刚性的
│ 卖算力、卖数据、卖底座服务
▼
中游:做通用大模型的 ← 最热闹、竞争最狠、也最不赚钱
│ 卖接口(按用量计费)或卖授权
▼
下游:做具体产品和行业方案的 ← 最有可能出爆款,离用户最近
图说:书的原话是「中游是产业链的核心」,但它自己给出的收入分配恰恰说明——
核心不等于赚钱。这个反差是这一章最值得记住的地方。
这个结构是被 ChatGPT 一把点着的。 书的判断很干脆: 在 ChatGPT 之前,整条产业链「一直处于温吞状态」—— 论文一篇篇出、基础设施一样样有,但产业界的需求没有形成规模性爆发2。
两个当时的量级参照:
| ChatGPT 到 100 万用户 | 5 天(此前的纪录保持者 Instagram 用了 2.5 个月)3 |
| 全球生成式 AI 的总估值 | 2023 年 1 月达 480 亿美元,比 2020 年底翻了 6 倍;其中 OpenAI 估值 290 亿美元3 |
这两个数都出自欧洲市场分析平台 Dealroom,是第三方统计,不是作者测算。
一条贯穿全章的主走查:一个 100 万日活的问答应用
这一章讲的全是钱,却没有一处从头到尾算过一笔。下面这条走查把它算完, 这一章的每个承重机制都在上面占一步。 题设里的用量和订阅价 是我们设的;每千字的单价来自书里第 8 节那张表,原样引用。
输入: 一个问答应用,每天 100 万人打开,每人问 3 次, 每次一问一答合计 2000 个 Token(沿用第 04 章那道题的口径)。
① 每天多少字
100 万人 × 3 次 = 300 万次问答
300 万次 × 2000 Token = 60 亿 Token / 天
② 这些字要付多少钱(按第 8 节那张表最便宜的一档 0.008 元 / 千 Token)
60 亿 ÷ 1000 = 600 万个「千 Token」
600 万 × 0.008 元 = 4.8 万元 / 天 → 约 144 万元 / 月
③ 收进来多少钱(订阅价按国内常见的 20 元/月设;付费率取第 05 章那组假设的下限 10%)
20 元 / 月 × 100 万人 × 10% 付费 = 200 万元 / 月
④ 这 200 万按第 9 节那组比例分下去
基础设施层 50%–70% → 100 万 ~ 140 万元
应用层 30%–40% → 60 万 ~ 80 万元
模型层 0%–10% → 0 万 ~ 20 万元
图说:第 ② 步那张 144 万元的账单,和第 ④ 步基础设施层那 100~140 万元,
几乎是同一笔钱——这就是「营收向基础设施层倾斜」这条推测的来处。
这条账一算完,这一章的判断全部落地了:
- 收入 200 万,光是回答问题的账单就要 144 万,占了 72%。 剩下的 56 万要养开发、运维、获客和所有人的工资——这就是「做模型的不赚钱」在一张账单上的样子;
- 同一道题换成表里最贵的那一档 0.876 元 / 千 Token,账单变成 每月约 1.58 亿元,是收入的 79 倍。 「千字价差百倍」这句话,在这张账单上就是「活得下去」和「一个月赔掉八十年收入」的差别;
- 分时段计价在这条账上是实打实的钱: 按第 8 节百川那组价(凌晨 0.01、白天 0.02 元/千 Token), 把 300 万次里的三成挪到凌晨,每月账单立刻少一成;
- MaaS——把模型能力封装成接口、按次卖——卖的就是第 ② 步那 4.8 万元/天, 买方不必自己建机房,按次付钱(第 6 节讲它的来历);
- 三种商业模式在这条账上是一进一出: 模式①的月费(书举的 ChatGPT 是 20 美元/月, 这里为了和成本同口径,换成 20 元人民币)是第 ③ 步的收入侧, 模式③的按量计费是第 ② 步的成本侧,同一批 Token 走两遍;
- 换成自己部署一个公开可下载的模型,第 ② 步那 4.8 万元/天就变成机房折旧加电费。 金额未必更低,但它从「别人的收入」变成了「自己的成本」—— 这正是第 10 节讲「公开可下载的模型和不公开的模型」时那笔账的核心。
3. 上游:为什么这一层最先赚到钱
这一节回答:为什么钱先流向卖铲子的。
书给的理由接得上第 04 章那笔账4:
- 训练一个 1750 亿参数的模型,大约需要 3640 个算力当量,成千上万块显卡连续跑几十天;
- 而且在千亿、万亿参数规模的训练里,光是机器之间通信就可能占掉 50% 的时间—— 也就是说一半的钱花在了「等」上。
这就是上游为什么门槛 高、也为什么能收高价:它卖的不只是芯片,是「让上万块芯片配合得起来」这件事。
上游已经分出三类玩家
| 类型 | 谁 | 拿什么当筹码 |
|---|---|---|
| 云计算厂商 | 阿里云、百度智能云 | 现成的机房和运维能力,只要把设施换成适合 AI 的5 |
| AI 能力厂商 | 科大讯飞、商汤科技 | 多年做 AI 产品攒的经验和行业理解,往下补算力5 |
| 底层硬件厂商 | 英伟达;国内的华为、海光、寒武纪等;服务器厂商浪潮、新华三 | 芯片和整机6 |
一个当时的市场份额数字值得记:英伟达在全球 AI 计算市场占 80%–95%—— 书注明这是市场研究机构 TIRIAS Research 首席分析师的说法,不是作者的统计6。
4. 中游:最热闹、最不赚钱的一层
这一节回答:做模型的为什么赚不到钱。
当时的存量
书给的数字是:2023 年,国内参数规模超过 10 亿的大模型已达 100 个7。
一个方向性的变化:从公开到不公开
先说清两个词:把代码、模型参数或技术细节公开让人取用,叫开源;不公开,叫闭源。 书记了一条很重要的变化8:
早期:OpenAI 在 GPT-3.5 之前都公开模型的技术细节
└─ 好处:迅速获得市场认同和社群反馈
└─ 后来:考虑到商业化前景,转向不公开
└─ 此后各家的商业模型多数不公开(GPT-4 等)
图说:这条转变的驱动力不是技术,是商业化。
书还点出了一个当时的分工:公开的模型主要用于科研和试点,商业模型基本不公开; 少数企业(如 Meta)选择公开。
为什么这一层不赚钱:书给了一个很硬的推理
这是这一章最值得记住的一段9:
| 环节 | 书的说法 |
|---|---|
| 定价的锚在哪 | OpenAI 的定价可能成为整个市场的基准 |
| 它会往哪定 | 按其公司宗旨,可能会继续「限制利润、普惠大众」;书举了 2023 年 3 月 ChatGPT 降价 90% 为证 |
| 推算出的结果 | 按 GPT-3.5 的参数量和价格测算,OpenAI 几乎是以成本或极低毛利在定价 |
| 于是 | 价格战避不开;没有显著技术优势的公司,单靠卖模型接口盈利非常艰难 |
这条推理的逻辑是完整的: 领跑者按接近成本定价 → 追赶者不能定得更高 → 整层的毛利被压到接近零。
5. 下游:离用户最近,也最可能出爆款
书的判断只有一句:下游面向具体行业和用户,最有可能出现爆款产品10。 它举 ChatGPT 直接面向普通用户、因而被广泛认识作为例子。
下游有三类玩家,这是书自己的分法11:
| 谁 | 拿大模型干什么 | 书举的例子 |
|---|---|---|
| 大模型公司 | 和行业里的企业联手做行业模型和垂直应用,顺便做几个示范案例出来证明大模型值钱 | 北京市公布的第一份「行业大模型典型应用案例」名单(10 个)的申报方:百度、智谱华章、中科院自动化所、科大讯飞等 |
| 电脑软件公司 | 把大模型加进自家已有的软件里,改交互方式、提生产效率 | Adobe、微软(Microsoft 365 Copilot) |
| 互联网公司 | 同上——加进已有产品,当成一层新能力 | 知乎 |
后两类做的其实是同一件事: 手上已经有成熟产品和用户,大模型只是给产品加一层 「更会创作、更智能、更省事」。真正的分界只在第一类和后两类之间—— 第一类是「先有模型再找场景」,后两类是「先有场景再接模型」。
书还提了一个很实在的门槛:参与下游的企业往往需要深耕行业多年, 因为你得先知道这个行业哪儿疼,才知道大模型能治什么11。
6. 一种新的卖法:把模型当水电按用量卖
这一节回答:MaaS——这个缩写到底指什么,以及它为什么必然出现。
它是什么
MaaS 是 Model as a Service 的缩写,书译作「模型即服务」—— 一句话:把大模型的各种能力封装成统一的接口对外提供,别人按次调用12。
它是往一个老家族里新加的一格。 云厂商原来卖三样东西:机器、开发平台、成品软件。 MaaS 加的是第四样:模型能力。 走查第 ② 步那 4.8 万元一天,买的正是这第四样。
它为什么必然出现:书给了两头的理由
| 谁的需求 | 理由 |
|---|---|
| 买方 | 自己训一个专用模型要大量高质量数据;就算训好了,部署时还要考虑算力、场景、规模、带宽、合规一大堆事。企业更愿意直接调能力,少关心原理——书的说法是想要一个「一体化黑箱模型」13 |
| 卖方(云厂商) | 前面三样卖法各有各的难处:卖机器那样前期投入大、赚钱慢;卖开发平台那样要投很多人、回报周期长;卖成品软件那样单价低、还要做大量定制和运维。MaaS 是「价值高、确定性强」的新选择13 |
判断(我们的,不是书里的): 这张表里第二行才是真正的驱动力。 MaaS 不是被买方需求拉出来的,是被云厂商的账本推出来的—— 它 给了云计算一个单价更高、又不必做重度定制的新品类。 判据:如果 MaaS 主要是被需求拉动的,那它应该先由买方最集中的行业提出; 而实际上,提出并推广它的一直是云厂商。 书自己也写了「云厂商有推广 MaaS 模式的充足动力」。 如果错,会错在: 如果确实有大量买方在云厂商推出 MaaS 之前就在自建同类能力, 那需求拉动这一侧就成立——判据是时间先后。
书列的三个连锁反应
- 把需求从「单颗芯片多快」推向「一群机器合起来多快」,并推动存算一体这类新架构14;
- 重塑云计算的卖法,长出「软件订阅 + 模型订阅」这类新组合15;
- 催生新的应用场景:在通用模型上加行业数据做知识增强和微调,得到行业模型16—— 这正是第 06 章那套三步法。
7. 三种商业模式,以及它们各自怎么收钱
这一节是这一章最实用的部分。
| 模式 | 干什么 | 怎么收钱 | 书举的例子 |
|---|---|---|---|
| ① 靠模型本身做爆款应用 | 围绕模型能力做一个具体产品,离了模型就不存在 | 按月订阅 + 广告 | ChatGPT(每人每月 20 美元);做图工具 Midjourney17 |
| ② 把模型加进现有应用 | 当成一项新功能叠上去,提升原产品的效率或附加值 | 主要是按月订阅;也有不额外收费、当竞争力用的 | WPS AI 会员每月 25 元 / 每季 108 元 / 每年 248 元;百度的 AI 原生地图不额外收费18 |
| ③ 做平台,提供一堆模型 | 用户直接调通用能力,也可以在平台上调出行业专用模型 | 按调用量计费,或者卖「软件 + 硬件」整套方案 | 各家的大模型平台;清华大学花 700 万元采购了一套教学实践平台(含 24 台服务器)——每台约 29 万元;按第 06 章那张部署表,这属于私有化部署那一类19 |
书还记了一个有意思的收入来源:广告可以是「意外 之财」。 苹果应用商店里一款叫 Ask AI 的应用,每周订阅 4.99 美元,下载量超过 2500 万次, 仅广告每月就赚数百万美元,订阅加广告累计收入超过 1600 万美元17。
这几个数各配一个可比的量,才读得出分量: 4.99 美元一周,折成一个月约 21.6 美元,和上一格 ChatGPT 的 20 美元几乎持平; 1600 万美元的累计收入摊到 2500 万次下载上,每次下载约 0.64 美元; 而 2500 万次下载和它同期在同一个榜单上的对手比是什么位置,书没有给—— 这一个数是悬空的。
判断(我们的,不是书里的): 这三种模式对应的其实是第 06 章那三种部署方式。 模式③里「卖软件 + 硬件」那一支,就是私有化部署;「按调用量计费」那一支,就是公有云部署。 书把部署方式放在行业那一章、把商业模式放在产业这一章,两处讲的是同一条分界线。 如果错,会错在: 如果有企业既不按用量收费也不卖整机,而是按「见效分成」之类收钱, 那这条对应关系就不完备——书里确实没有提到分成模式。
8. 按字计费这件事,当时有多乱
这一节值得单独看,因为它是全书为数不多的「一手观察」。
按调用量收费,收的是 Token 数——第 04 章说过,它是模型切分文字的最小单位。
问题在于:当时没有统一的计量标准,各家按自己的偏好定义20:
| 平台 | 1 个 Token 约等于 |
|---|---|
| 混元 | 1.8 个汉字 |
| 通义千问、千帆 | 1 个汉字 |
| (英文的通用口径) | 3–4 个字母 |
更乱的是价格。 书给的区间是:每一千个 Token 的收费,从 0.008 元到 0.876 元不等—— 价差可高达百倍20。
还有分时段计价: 百川的 Baichuan-53B, 凌晨 0 点到 8 点每千 Token 收 0.01 元,8 点到 24 点收 0.02 元21。
判断(我们的,不是书里的): 分时段计价这一条,把第 04 章那条账彻底连了起来: 模型服务的成本结构和电力几乎一样——有峰谷、机器闲着也在折旧、 所以要用价格把负载从高峰赶到低谷。 这说明大模型服务在经济性质上更接近公用事业,而不是软件。 软件的边际成本接近零,而它的边际成本是实打实的电费和芯片折旧。 如果错,会错在: 如果「上线之后回答问题」的成本降到某个程度,让电费在总成本里可以忽略, 那它就会重新变回软件的性质——判据是单次回答的边际成本占售价的 比重。
最后把第 05 章欠的那笔账在这里还掉。 第 05 章说过,让它把中间步骤写出来要多吐很多字——那道「数一数有几个字」的题, 直接答吐 10 个字,开思维链吐 24 个字,多了 14 个。 按上表 0.008 元/千 Token 那一档,多吐 14 个字本身只是零头; 但把它乘上走查里每天 300 万次问答,每天就多出 4200 万个字、 每天多付 336 元、一个月多付约 1 万元——同一个问题,开不开思维链,差的就是这笔钱。 换成 0.876 元那一档,同一笔变成每月约 110 万元。
9. 收入怎么分:那组 50–70 / 30–40 / 0–10
这一节讲这一章最硬的一个判断,也是全书被引用最多的一组数字。
先说清楚这是什么: 书自己标明这是推测,不是统计1。
| 层 | 预计拿到的收入占比 | 书给的理由 |
|---|---|---|
| 基础设施层 | 50%–70% | 训练和回答问题的需求持续增长,整个行业迎来新的增长曲线 |
| 应用层 | 30%–40% | 随着场景潜力被挖掘,价值增长会加速;而且中游的价格战会改善应用层的毛利 |
| 模型层 | 0%–10% | 见第 4 节那条推理:领跑者按接近成本定价,价格战避不开 |
书还引了一份美国风险投资机构 A16Z 的调研作为佐证: 纯应用厂商的毛利大约 60%–80%,其中 20%–40% 的营收要花在回答问题和微调上22。
判断(我们的,不是书里的): 这组数字的可信度取决于一个前提:回答问题的成本居高不下。 而这个前提在书出版之后被动摇了。 一个公开的对照: DeepSeek-V3 的技术报告写明,一个总参数 6710 亿、 每个字只用到 370 亿参数的模型,在 14.8 万亿字上完成全部训练, 总共约 278.8 万张 H800 显卡小时——折合六千张卡连跑 19 天。 换算成第 04 章那道题的同一口径: 那道题里 1750 亿参数的模型是「6141 张卡跑一天」, 约 14.7 万卡时。DeepSeek-V3 的总参数是它的近四倍、训练材料是它的近五十倍 (14.8 万亿字对 3000 亿字),而卡时只多了不到二十倍。 单位能力的成本已经不是同一个量级;成本一降,基础设施层那 50%–70% 就要往下修。 如果错,会错在: 如果省下来的成本立刻被更大的用量吃掉 (模型变便宜 → 大家用得更多 → 总账单不降反升),那这组比例仍然成立。 判据是:整个行业花在芯片和机房上的总支出,占 AI 总收入的比例有没有下降。 依据:《DeepSeek-V3 Technical Report》(2024-12-27) https://arxiv.org/abs/2412.19437(查阅于 2026-08-25)
10. 百模大战的下半场
这一节讲这本书对中国市场最有名的一句判断。
现象
书给的存量:截至 2023 年 5 月底,国内 10 亿参数以上的基础大模型至少 79 个; 到 2024 年初超过 100 个23。
于是行业开始追问:产业、市场和用户真的需要这么多大模型吗?
书直接引了百度李彦宏的公开表态23:
「不断重复开发基础大模型是对社会资源的巨大浪费。」 「我们需要 100 万量级的 AI 原生应用,但不需要 100 个大模型。」
判断
「百模大战」的下半场,焦点会从「展示能力」转向「创造价值」; 战场会转移到真正能创造价值的应用上,模型数量将急剧减少, 最终可能形成「赢者通吃」24。
书还观察到当时的分工格局:大企业推通用大模型、想「赢者通吃」; 中小企 业专注细分领域找机会25。
另外两条趋势
- 卖算力的可能自己变成云厂商。 书举英伟达 2023 年推出 DGX Cloud—— 企业可以直接租用它的集群来训模型,绕过了传统云厂商26;
- 公开与不公开的模型会长期并存。 短期看,公开的模型成本低、用着灵活, 对中小企业有吸引力;中长期看,系统越复杂,维护开源项目要投的人力和资源越多27。 书举 Meta 的 Llama 作为靠公开生态迅速进入市场的例子。
11. 作者的判断与证据:哪些有依据,哪些是推测
| 档次 | 这一章里的例子 |
|---|---|
| 有明确依据的事实 | ChatGPT 5 天 100 万用户;GPT-3 训练成本接近 500 万美元28;2023 年 3 月 ChatGPT 降价 90%;各平台的 Token 定义与计价区间;清华 700 万元的采购 |
| 转述第三方 | Dealroom 的估值统计;麦肯锡「生成式 AI 贡献约 7 万亿美元、中国约 2 万亿」29;TIRIAS Research 的市场份额;A16Z 的毛利调研;IDC 对 AI 服务器市场的预测 |
| 作者自己的推测(书明确标注) | 三层的收入分配 50–70 / 30–40 / 0–10 |
| 作者自己的判断 | 「模型层价格战难以避免」;「百模大战下半场从显能力转向创价值」;「MaaS 将成为云厂商保持竞争力的关键策略」;「公开的模型和不公开的模型(行话叫开源与闭源)将长期并存」 |
注意第三档只有一条,但它是被引用最多的一条—— 引用时务必带上「这是推测」,书自己写的就是「推测」。
12. 边界与局限
这一章没覆盖的东西:
- 没有一处真实的财务数据。 全章讲的是钱,却没有任何一家公司的实际收入构成;
- 没有算过「一个应用要卖多少份才回本」。 第 04 章算了成本,这一章讲了收法, 书里两者之间的那道题没有做——本章第 2 节那条走 查就是我们替它做的;
- 没有讲失败的商业模式。 只讲了三种成立的模式, 没有一处记录「这么收钱结果收不上来」;
- 没有讲开源生态的实际格局。 只说「会长期并存」, 模型家族、许可条款、社区规模一个字没有——而这些才是决定开源是否可用的东西。
已被时间冲刷的部分:
| 书里的说法 | 现在怎么看 |
|---|---|
| 各平台的 Token 计价区间(0.008–0.876 元) | 纯时点数字,只有史料价值。但「没有统一计量标准」这个结构性问题值得记 |
| 国内 10 亿参数以上的模型超过 100 个 | 时点存量 |
| 「模型层几乎不赚钱」 | 这条判断仍然成立,而且这两年的价格战比书预计的更狠 |
| 「基础设施层拿 50%–70%」 | 要重新审视:单位能力的成本在书出版之后大幅下降(见第 9 节) |
| 「百模大战会收拢到少数几家」 | 方向兑现,这是全书验证得最好的判断之一 |
13. 可带走的
- 一个 100 万日活、每人每天 3 次问答的应用,一个月收 200 万、光账单就 144 万(占 72%)—— 这就是「做模型的不赚钱」在一张真账单上的样子;换成最贵的那一档单价,账单是收入的 79 倍;
- 这门生意分三层:上游芯片和机房、中游做模型、下游做产品;
- 书的核心判断:钱往两头走,中间那层几乎不赚钱(50–70 / 30–40 / 0–10,书标明是推测);
- 中游为什么不赚钱:领跑者按接近成本定价 → 追赶者定不高 → 整层毛利被压到接近零;
- 上游赚钱的不只是芯片,是「让上万块芯片配合得起来」——千亿规模训练里通信可能占掉一半时间;
- MaaS 就是「把模型能力封装成接口按次卖」—— 云厂商原来卖机器、卖开发平台、卖成品软件,这是新加的第四样;
- MaaS 真正的驱动力在卖方:它给了云厂商一个单价更高、又不必重度定制的新品类;
- 三种商业模式:做爆款应用、给老产品加功能、做平台——分别按订阅、订阅、用量收钱;
- 按字计费当时没有统一标准:各家对「一个 Token 等于几个汉字」的定义都不同,千字价差上百倍;
- 分时段计价说明了它的经济性质:更像公用事业,不像软件——边际成本是实打实的电和折旧;
- 「不需要 100 个大模型,需要 100 万个应用」——这是书引李彦宏的原话,不是作者自己的话;
- 百模大战的下半场从「秀本事」转向「换成钱」,模型数量会急剧减少;
- 卖算力的可能自己变成云厂商(英伟达 DGX Cloud),这条绕过了传统云厂商;
- 引用那组收入分配比例时,务必带上「这是推测」——书自己就是这么标的。
14. 原文地图
| 主题 | 原书章 | 原文位置 |
|---|---|---|
| 产业链被 ChatGPT 点着 | 6.1 快速形成中的大模型产业图谱 | text/29-ch06-01-6-1.txt:16(搜「以ChatGPT的发布为关键节点」) |
| 5 天 100 万用户与估值 | 6.1 | text/29-ch06-01-6-1.txt:19(搜「Dealroom」) |
| 上中下游的划分 | 6.1 | text/29-ch06-01-6-1.txt:22(搜「上游主要包括提供芯片」) |
| 麦肯锡的经济贡献预测 | 6.1 | text/29-ch06-01-6-1.txt:28(搜「麦肯锡预测」) |
| 训练算力与通信占比 | 6.1.1 基础层 | text/29-ch06-01-6-1.txt:48(搜「3640 PFLOPS-day」) |
| MaaS 的第一次出现 | 6.1.1 | text/29-ch06-01-6-1.txt:54(搜「MaaS（Model as a Service」) |
| 上游三类厂商 | 6.1.1 | text/29-ch06-01-6-1.txt:57(搜「云计算、AI能力、底层硬件三大类厂商」) |
| 英伟达的市场份额 | 6.1.1 | text/29-ch06-01-6-1.txt:66(搜「TIRIAS Research」) |
| 从公开到不公开 | 6.1.2 大模型层 | text/29-ch06-01-6-1.txt:80(搜「从开源到闭源的转变」) |
| 国内模型存量 | 6.1.2 | text/29-ch06-01-6-1.txt:83(搜「10亿参数规模的大模型已达100个」) |
| 下游的三类主体 | 6.1.3 应用层 | text/29-ch06-01-6-1.txt:106(搜「主要分为大模型公司」) · text/29-ch06-01-6-1.txt:109(搜「北京市首批10个行业大模型典型应用案例」) · text/29-ch06-01-6-1.txt:112( 搜「电脑软件公司和互联网公司则将大模型赋能已有应用」) |
| GPT-3 的训练成本 | 6.2 大模型商业模式 | text/30-ch06-02-6-2.txt:22(搜「GPT-3训练成本接近500万美元」) |
| MaaS 的提出与定义 | 6.2 | text/30-ch06-02-6-2.txt:25(搜「李彦宏提出MaaS」) · text/30-ch06-02-6-2.txt:28(搜「封装成统一的应用程序接口」) |
| MaaS 出现的必然性 | 6.2 | text/30-ch06-02-6-2.txt:31(搜「IaaS模式催生了公有云的崛起」) |
| MaaS 的三个连锁反应 | 6.2 | text/30-ch06-02-6-2.txt:34(搜「激发了对超算、智算的需求」) · text/30-ch06-02-6-2.txt:37(搜「重塑了云计算服务范式」) |
| 模式一:爆款应用与广告 | 6.2.1 商业模式一 | text/30-ch06-02-6-2.txt:57(搜「每人每月收取20美元」) · text/30-ch06-02-6-2.txt:60(搜「Ask AI」) |
| 模式二:给老产品加功能 | 6.2.2 商业模式二 | text/30-ch06-02-6-2.txt:74(搜「WPS AI会员」) |
| 模式三:平台与两种收法 | 6.2.3 商业模式三 | text/30-ch06-02-6-2.txt:94(搜「1 Token约等于1.8个汉字」) · text/30-ch06-02-6-2.txt:118(搜「700万元采购」) |
| 千字价差百倍 | 6.2.3 | text/30-ch06-02-6-2.txt:94(搜「0.008元至0.876元」) |
| 分时段计价 | 6.2.3 | text/30-ch06-02-6-2.txt:109(搜「Baichuan-53B」) |
| 百模大战与李彦宏那句话 | 6.3.1 百模大战下半场 | text/31-ch06-03-6-3.txt:27(搜「我们需要100万量级的AI原生应用」) |
| 从显能力转向创价值 | 6.3.1 | text/31-ch06-03-6-3.txt:33(搜「从“展示能力”转向“创造价值”」) |
| 收入分配的三个区间 | 6.3.2 产业营收倾斜 | text/31-ch06-03-6-3.txt:47(搜「应用层的营收分布预计将达到30%～40%」) · text/31-ch06-03-6-3.txt:50(搜「模型层的营收分布预计为0～10%」) · text/31-ch06-03-6-3.txt:53(搜「计算基础设施服务的营收分布预计为50%～70%」) |
| 英伟达的 DGX Cloud | 6.3.3 计算基础设施催发新云 | text/31-ch06-03-6-3.txt:73(搜「DGX Cloud」) |
| 开源与闭源长期竞合 | 6.3.4 开源与闭源 | text/31-ch06-03-6-3.txt:84(搜「开源与闭源大模型之间的竞合」) · text/31-ch06-03-6-3.txt:90(搜「Llama项目通过开源生态」) |