大家好。今天想聊一个被反复提起、却很少有人讲透的问题AI 的钱到底被谁赚走了这个问题看似是商业话题但实际上和每一位写代码、调模型、搞部署的开发者都直接相关。因为答案很大程度上决定了我们投入时间和技能的方向也决定了 AI 应用开发中一个绕不开的现实——你的项目在算力、模型调用、部署运维上花了多少钱毛利空间到底有多大。本文会从 AI 产业链的分层结构出发把“钱从哪来、流向哪去、谁在赚、谁在烧”拆开分析同时附上一套 Python 写的成本与 ROI 计算脚本帮你在做技术选型和产品设计时把手里的账算清楚。内容不吹概念只讲实际产业链里的流动逻辑和工程层面的判断方法。1. AI 产业链的基本结构1.1 从一次技术选型讨论说起最近在技术社群里看到一轮讨论一个创业团队准备做垂直领域的智能问答产品问题集中在三个方面应该自己训练一个行业模型还是直接调用大模型 API如果调用 API用户量上来之后模型调用成本会不会把毛利吃光用开源模型本地部署看起来省了 API 费但 GPU 机器和运维人力到底划不划算这三个问题看起来是技术选型本质上是同一个问题在产品能赚到钱之前AI 产业链的每一层都在赚谁的钱。想明白这个问题再回来选模型、定架构思路会清晰很多。1.2 AI 产业链的四个层次为了讨论方便我们可以把 AI 相关的商业生态分成四个清晰的大层层次典型角色代表产品/服务形态收入来源算力层芯片厂商、云厂商、IDCGPU 芯片、云主机、GPU 租赁、算力集群卖硬件、按时计费模型层大模型研发公司基础模型、API 服务、开源权重API 调用费、订阅费工具层开发者工具、中间件向量数据库、Agent 框架、评测平台订阅费、部署服务费应用层SaaS 产品、垂直方案AI 客服、AI 写作、AI 编程助手用户订阅、项目交付这四层不是各自独立的而是层层传递成本的。应用层调用模型层的 API模型层需要从算力层购买 GPU 集群来训练和推理工具层则在整个链路中提供服务——但往往被很多团队忽略。1.3 判断“赚不赚钱”的三个基本指标在拆解之前先引入三个基础概念后面计算成本和收入时都会用到毛利率营业收入扣除直接成本后的比例。对于 AI 产品直接成本通常包括模型 API 费用、GPU 租赁费用、网络带宽等。单位经济模型每个用户或每次调用带来的收入与成本差额。一个 AI 产品如果单次对话亏 0.01 元用户量越大亏损越大。获客成本获取一个付费用户需要花多少推广费用。AI 产品往往靠“免费体验”引流这会把获客成本推高。这三个指标是技术人最容易忽略的。很多 AI 应用技术做得很漂亮一算账发现每多一个用户就多亏一点钱就是因为没有想清楚单位经济模型。2. 各层玩家的赚钱逻辑2.1 算力层卖铲子的人最先赚钱在淘金热里真正稳定赚钱的是卖铲子的人。AI 时代也有类似的规律。AI 模型的训练和推理高度依赖 GPU。像英伟达这样的 GPU 厂商在 AI 爆发后收入结构发生了巨大变化——数据中心业务连续多个季度高速增长这是公开财报可以验证的事实。原因并不复杂无论是 OpenAI、Google、Meta还是国内的大模型团队只要想训练更大的模型就必须买 GPU 或者租算力。云厂商是算力层的另一个玩家。它们不直接卖芯片而是把 GPU 打包成云主机、容器服务、Serverless 推理服务。这里有一个关键点对于中小开发者和创业团队几乎不可能自己买 GPU 集群所以云厂商实际上掌握着“算力分发”的入口。短期来看云厂商的 AI 业务收入增长很快但长期会受到自建算力、边缘计算等趋势的影响。算力层的赚钱逻辑非常直接按小时收费、按卡收费、按带宽收费。只要市场对算力的需求持续存在这一层就能稳定获得现金流。2.2 模型层投入大、周期长、分化严重模型层是最“明星”的一层也是亏损最普遍的一层。训练大模型的成本非常高。一次完整的大规模训练可能消耗数万张 GPU 卡连续运行数周甚至数月仅电费就是千万美元级别。加上人力、数据清洗、实验试错大模型公司普遍处于高投入期。模型层的收入模式主要有三类API 调用收费按输入输出 token 计费这是最主要的现金流来源。订阅制面向 C 端用户的会员服务按月或按年收费。开源 商业服务开源模型权重免费但提供企业级部署、微调、支持服务时收费。模型层有一个非常值得注意的行业趋势基础模型的价格快速下降。随着技术优化和竞争加剧相同质量的输出API 价格在一年内可能降低数倍。这对模型层公司的盈利预期是压力但对应用层开发者是利好——因为应用层的核心成本会随之下降。2.3 工具层被低估的赚钱角色工具层是很多技术人没意识到的一个赚钱环节。AI 的工程化需要大量工具支持如何管理向量索引如何做模型评测如何监控推理质量如何编排 Agent 流程。市面上出现了大量 AI 中间件、开发者平台、模型评测工具这些工具看起来不如“千亿参数大模型”酷炫但它们的商业模式非常健康——卖给开发者按月收费续费率高。这里想重点说一个概念credits积分/额度。很多 AI 平台不直接按 token 计费而是采用 credits 模式用户充值购买 credits每次调用模型、生成图片、使用工具时按消耗量扣除。这种模式对平台的好处是模糊了底层真实成本与前端定价之间的对应关系方便做套餐分级、营销活动用户充值后即使不完全用完平台也先锁定了现金流。对于应用开发者来说理解 credits 模式很重要你买到的 credits 并不完全等于模型官方的 token 价格中间差价就是平台层的收入。在做成本测算时要以实际扣减情况为准而不是只看模型 API 的官方价目表。2.4 应用层离收入最近也最残酷应用层是绝大多数开发者和创业团队所在的层也是竞争最激烈的层。理论上应用层离用户最近最了解用户需求可以做出差异化产品。但实际上应用层的压力体现在两面收入端需要不断获客、留存、付费转化每一步都要真金白银地投入。成本端每调用一次模型 API都要向模型层付费如果使用云端 GPU 做推理还要支付算力费用。应用层最大的问题是没有定价权。基础模型是标准化的你能用 GPT 级别的模型做应用你的竞争对手也能用。用户的切换成本很低今天用你的 AI 写作工具明天就能换另一家。这就是为什么很多 AI 应用“叫好不叫座”——技术体验好但获客成本太高留存又不够牢固。应用层真正能护住利润的通常不是模型能力本身而是垂直领域的数据积累深度定制的业务流程稳定的交付和服务能力私有化部署带来的切换成本。3. 用 Python 把 AI 生意算清楚上一节是定性分析这一节我们进入工程环节用代码把 AI 产品的成本算清楚。很多开发者在设计 AI 产品时对成本的判断停留在“大概不便宜”这个层面。这远远不够。下面我们写一套可以复用的成本估算脚本。3.1 计算一次模型调用的真实成本大模型 API 按 token 计费。输入prompt和输出completion的价格通常不同我们需要分别计算。# 文件路径cost_estimator/api_cost.py def estimate_api_cost( prompt_tokens: int, completion_tokens: int, prompt_price_per_million: float, completion_price_per_million: float ) - dict: 估算一次模型调用的 API 成本。 价格单位每 100 万个 token 的美元数或人民币数按实际为准。 prompt_cost prompt_tokens / 1_000_000 * prompt_price_per_million completion_cost completion_tokens / 1_000_000 * completion_price_per_million total_cost prompt_cost completion_cost return { prompt_tokens: prompt_tokens, completion_tokens: completion_tokens, prompt_cost: round(prompt_cost, 6), completion_cost: round(completion_cost, 6), total_cost: round(total_cost, 6) } if __name__ __main__: result estimate_api_cost( prompt_tokens3000, completion_tokens800, prompt_price_per_million100, completion_price_per_million200 ) print(result)运行这段代码会得到类似下面的输出{prompt_tokens: 3000, completion_tokens: 800, prompt_cost: 0.3, completion_cost: 0.16, total_cost: 0.46}也就是说假设输入 3000 token、输出 800 token一次调用的成本是 0.46 元。如果这个产品每天有 1 万次调用当天的模型成本就是 4600 元一个月就是 13.8 万元。这样一算产品定价立刻就有参考了。3.2 基于日活估算月度模型成本在真实产品中我们需要结合用户活跃度来估算。下面把“每日活跃用户数 × 人均调用次数 × 单次成本”整合成一个函数# 文件路径cost_estimator/monthly_cost.py def estimate_monthly_token_cost( daily_active_users: int, calls_per_user_per_day: float, tokens_per_call: int, price_per_million: float ) - dict: 根据日活和人均使用量估算月度 token 成本。 tokens_per_call 可以理解为输入输出按比例折算后的平均 token 数。 daily_calls daily_active_users * calls_per_user_per_day daily_tokens daily_calls * tokens_per_call daily_cost daily_tokens / 1_000_000 * price_per_million # 按 30 天估算 monthly_cost daily_cost * 30 return { daily_calls: round(daily_calls, 0), daily_tokens: daily_tokens, daily_cost: round(daily_cost, 2), monthly_cost: round(monthly_cost, 2) } if __name__ __main__: result estimate_monthly_token_cost( daily_active_users1000, calls_per_user_per_day10, tokens_per_call4000, price_per_million150 ) print(result)输出示例{daily_calls: 10000.0, daily_tokens: 40000000, daily_cost: 6000.0, monthly_cost: 180000.0}可以看到1000 个日活用户、每人每天 10 次调用按月就是 18 万元模型成本。很多 AI 应用的用户量远大于这个数字但客单价却不足以覆盖成本。这也解释了为什么很多 AI 产品融了很多钱却依然无法盈利——单位经济模型不成立。3.3 GPU 租用与自建成本对比如果你选择开源模型本地部署就不需要按 token 付费但要承担 GPU 成本。下面做一个简单的对比计算# 文件路径cost_estimator/infra_cost.py def estimate_gpu_cost( gpu_count: int, rent_per_hour: float, run_hours_per_day: float, days: int 30 ) - float: 估算 GPU 租赁月度成本。 return gpu_count * rent_per_hour * run_hours_per_day * days def estimate_self_build_cost( gpu_total_cost: float, depreciation_months: int 36, power_kw: float 1.0, power_price_per_kwh: float 1.0, days: int 30 ) - dict: 估算自建 GPU 服务器的月度摊销 电费成本。 depreciation_months 按 36 个月摊销实际可根据硬件寿命调整。 monthly_depreciation gpu_total_cost / depreciation_months monthly_power power_kw * 24 * days * power_price_per_kwh return { monthly_depreciation: round(monthly_depreciation, 2), monthly_power: round(monthly_power, 2), monthly_total: round(monthly_depreciation monthly_power, 2) } if __name__ __main__: # 假设业务高峰需要 4 张 GPU按小时租用每张 8 元 rent_cost estimate_gpu_cost( gpu_count4, rent_per_hour8, run_hours_per_day24 ) print(按月 24 小时租用 4 张 GPU 的成本, rent_cost) # 如果自建硬件一次性投入 50 万按 36 个月摊销 build_cost estimate_self_build_cost( gpu_total_cost500000, depreciation_months36, power_kw4, power_price_per_kwh1.0 ) print(自建 GPU 服务器的月度摊销与电费, build_cost)输出示例按月 24 小时租用 4 张 GPU 的成本 23040.0 自建 GPU 服务器的月度摊销与电费 15466.67从表面看自建似乎更便宜。但这里没有计算机房空间、网络、运维工程师薪资、硬件故障率、芯片更新换代风险。在真实项目中自建不一定真的省钱尤其是模型迭代速度很快硬件贬值可能比你想的更快。3.4 做一个简单的订阅制 ROI 分析最后我们把收入和成本放在一起做一个订阅制产品的 ROI 分析# 文件路径cost_estimator/roi_analysis.py def analyze_subscription_roi( monthly_price: float, monthly_paying_users: int, monthly_api_cost: float, monthly_infra_cost: float, monthly_team_cost: float, monthly_marketing_cost: float ) - dict: 计算订阅制 AI 产品的月度粗略 ROI。 monthly_revenue monthly_price * monthly_paying_users total_cost monthly_api_cost monthly_infra_cost monthly_team_cost monthly_marketing_cost net_profit monthly_revenue - total_cost roi net_profit / total_cost if total_cost ! 0 else 0 return { monthly_revenue: round(monthly_revenue, 2), total_cost: round(total_cost, 2), net_profit: round(net_profit, 2), roi: round(roi, 4) } if __name__ __main__: result analyze_subscription_roi( monthly_price99, monthly_paying_users500, monthly_api_cost18000, monthly_infra_cost3000, monthly_team_cost80000, monthly_marketing_cost20000 ) print(result)输出示例{monthly_revenue: 49500.0, total_cost: 121000.0, net_profit: -71500.0, roi: -0.5909}这个结果很直观定价 99 元、500 个付费用户月收入只有 4.95 万但团队 API 基础设施的成本已经超过 12 万ROI 是负的。这不是个例而是大量 AI 创业公司面临的共性困境。需要注意的是这三个脚本的核心目的是“建立成本意识”价格参数请根据你实际使用的模型和云厂商报价修改不能原封不动地当作真实预算。4. 各层商业模式与毛利率对比4.1 不同环节的商业模式产业链环节典型商业模式收入稳定性规模效应芯片/算力硬件销售 / 按量计费高强云平台资源租赁 增值服务高强基础模型API 按 token 计费 / 订阅中中开发者工具订阅制 / License高中应用 SaaS订阅制 / 项目制低弱定制服务项目制 / 顾问费中弱从收入稳定性来说算力层和工具层因为绑定的是企业的刚性需求现金流更稳定。应用层和定制服务则更依赖客户预算和市场竞争环境。4.2 一个关键差异卖产品还是卖能力AI 产业链有一个值得注意的区别算力层和模型层卖的是“能力”而应用层卖的是“结果”。用户不会因为你的模型参数多就付费他付费是因为你的产品帮他写完了周报、生成了合规的合同、提升了客服响应效率。应用层的价值不在于“用了 AI”而在于“解决了问题”。但问题在于技术栈的通用化让应用层很容易被复制真正能形成壁垒的是对行业场景的理解深度。这也是为什么我们看到很多赚钱的 AI 团队并不是做“大而全”的模型而是深耕一个具体场景法律文书、医疗报告、电商运营、工业质检。这类产品毛利不一定高但客户的替换成本高续费意愿强。4.3 现在谁真正赚到了钱用一句话总结目前的格局卖算力的在赚钱卖工具的活得滋润卖模型的大多还在投入期卖应用的两极分化严重。这并不意味着应用层没有机会。恰恰相反应用层是空间最大的市场只不过它的钱不是“躺着赚”的而是需要靠精细化运营和行业知识去赚无法完全依赖模型的能力。5. AI 开发者的四条可走的路从个人角度出发AI 时代的钱有四种赚法。5.1 路径一卖技能最直接的方式是提升 AI 工程能力把它变成职场竞争力或接单能力。包括熟悉大模型 API 的使用与调优掌握 RAG检索增强生成、Agent 编排、模型微调具备模型部署、推理优化、成本压降的实践经验能结合业务场景设计完整的 AI 解决方案。AI 工程实践能力是当前人才市场上非常稀缺的。会调用 ChatGPT 不代表会做 AI 产品真正给企业创造价值的是“能稳定、低成本地交付 AI 功能”的工程师。5.2 路径二卖产品独立开发者或小团队可以围绕垂直场景做产品。特点是启动成本低——不需要自己训练模型调用 API 即可起步。但要特别注意前面算过的那笔账产品要有明确的付费场景而不是“体验 AI”必须控制每次交互的成本比如限制上下文长度、引入缓存、用便宜的小模型先分流产品要建立数据或流程壁垒防止被复制。5.3 路径三卖服务很多传统企业有自己的数据和安全要求不能直接把数据传给外部 API需要私有化部署。这带来了一条非常扎实的赚钱路径帮企业做模型选型、本地部署、微调、系统集成。这类业务不以规模化见长但客单价高、客户粘性强。对于技术能力扎实但没有融资能力的团队来说这是一条现金流非常健康的路线。需要注意的是这类项目的核心交付不是模型本身而是工程化的稳定性、文档、培训和售后响应。5.4 路径四卖内容与知识AI 时代的另一大受益者是知识型创作者。技术教程、行业分析、工具评测、课程教学都有不错的需求。原因很简单——AI 技术迭代太快大多数开发者没有时间研究每一样新工具系统化的经验分享有天然的受众。但是内容赛道竞争也很激烈。单纯搬运官方文档没有价值真正值钱的是你踩坑后的经验、不同工具的横向对比、以及可复用的模板和方法论。6. 常见误区与避坑指南AI 项目失败的原因有很多下面这几种最典型。6.1 误区一模型能力 产品价值大模型很强但产品不是“套壳”就能成的。用户要的是一个稳定、快速、不出问题的解决方案而不是“偶尔惊艳、经常翻车”的 AI 效果。模型能力只是产品的一部分产品设计、交互、稳定性、售后都很关键。6.2 误区二只看 API 单价不看总体成本API 单价只是表面数字。实际成本还包括上下文变长带来的 token 膨胀重试机制导致的多倍调用输出格式解析失败后的重新生成多个模型组合使用时的叠加费用。在评估成本时建议用线上日志做真实统计而不是只看模型厂商的示例价格。6.3 误区三AI Agent 等于自动化印钞机Agent 是当前热点但也是成本无底洞。一个 Agent 任务中主模型可能要多次推理、调用工具、处理错误结果一次任务的 token 消耗可能是普通对话的 5 到 10 倍。如果产品按次数收费用户用一次 Agent 功能你的模型成本可能是普通功能的几十倍。设计 Agent 产品时必须给每一类任务独立做成本监控。6.4 误区四忽视 AI 幻觉对业务的影响这里也顺带解释一下“AI 幻觉”模型生成的内容看起来合理但实际上与事实不符甚至完全编造。这个问题在技术 demo 里可能无所谓但在生产环境中是致命的。比如智能客服给出错误退款政策、智能问答输出不存在的法规条款都可能带来真实损失。工程上降低幻觉的手段包括强制引用来源、答案校验、对高风险问题转到人工处理、在 prompt 中限定输出范围。不要指望模型在推理时突然变得完全“诚实”要用工程手段兜底。6.5 一个实用的排查清单问题现象常见原因解决思路月度模型账单远超预算上下文 token 膨胀、重试过多限制上下文长度加 cache降级模型用户反馈回答不准确幻觉导致引入 RAG强制引用来源高风险问题转人工本地部署推理很慢GPU 显存不足或未做优化使用量化、vLLM 等推理框架压测后再定配置自建 GPU 成本失控硬件利用率低混布多种任务考虑弹性租赁算力Agent 任务成本过高多轮工具调用消耗 token记录每步消耗设置任务预算上限7. 给技术人的工程实践建议7.1 成本控制要从架构设计开始成本控制不能等账单出来才做要在架构设计阶段就考虑按场景分离模型简单任务用小模型复杂任务才用大模型引入语义缓存重复的问题直接命中缓存减少 API 调用异步与批处理能异步处理的不要同步等待能批量处理的不要逐条调用流式输出 超时控制给用户好的体验也给系统一个保护边界监控每个用户的成本如果某个用户的消耗异常高及时告警。7.2 质量评估要形成闭环AI 工程和传统软件工程有一个很大的不同传统代码的行为是确定的AI 模型的输出是不确定的。所以必须建立评估体系准备一组成熟度测试集覆盖核心场景和边界情况每次更换模型版本或调整 prompt 后都跑一遍回归评测记录线上用户的反馈定期分析失败案例对新模型保持灰度发布先小流量验证再全量切换。没有评测体系的 AI 项目本质上是在“盲飞”。7.3 认清自己的护城河最后想强调的是AI 技术本身不是护城河。你的护城河是数据你有别人没有的业务数据模型能够借助这些数据给出更精准的结果场景你深入理解某个行业的流程和痛点知道 AI 应该怎么嵌入工程你能把模型稳定、低成本地跑在生产环境并且快速迭代服务你愿意做脏活累活做部署、做维护、做培训、做售后。这四个要素至少要有两个项目才有持续赚钱的基础。8. 结语AI 时代的钱会流向哪里回到最初的问题AI 的钱被谁赚走了现状是卖算力和卖工具的先赚到了钱模型层还在为未来投入应用层的钱虽然离得最近但不是谁都能拿得到。未来随着基础模型价格进一步下降算力和模型层的利润空间可能压缩而真正理解业务、能做出高质量交付的应用团队会逐渐掌握更多话语权。对于开发者来说最值得关心的问题不是“AI 会替代谁”而是“在 AI 重构的产业链中我的技能处在哪个环节、能创造什么样的价值”。当你开始用成本脚本去核算你的 AI 产品、用评测集去把关模型质量、用架构设计去控制 token 消耗时你其实已经在回答这个问题了。如果这篇文章对你有帮助可以收藏备用。有具体问题也欢迎在评论区交流一起把这笔 AI 的账算得更明白。