誰給你的艾月費? 打破20美元算法供應鏈的地圖

TL; DR

• Claude 20美元訂閱成本分類地圖。
• AI訂閱有持續的推理成本。
• 相關目標包括:OpenAI、Anthropic、微軟、亞馬遜、Google、NVDA、Radio Acuploadection、SK H大力士、三星、光明、数据中心和電力鏈。

Claude Pro 如何每月向模擬公司支付約20美元、云计算、GPU折旧、電力及供應鏈路等。

這個數據不是Anthropic、Amazonian雲或Weeda的官方分數, 它的价值在于提出更根本的問題:用戶為AI應用程式付費多少

傳統的SaaS估計是明确的想像。 一旦軟體被寫入, 便有另外一個帳號被銷售, 而新增加的費用通常较低, 因為有機會隨著收入的擴增而繼續增加利润率。

人工智能應用程式的問題是,使用者每次問、寫作密碼、分析檔案或呼叫蚂蚁,都會消耗GPS時間、電力、記憶帶宽和雲資源。 表面是固定的月費, 數量或相關工具包內。

因此20美元分拆的挑戰不是一家公司拿了多少美元,而是AI應用收入是否自然等于SaaS的收入. AAI必須證明它的價值是多重的。

订阅的背后有一系列推理成本

阿爾及利亞 一般軟體的訂閱和訂閱最大的差別在于, " 一旦使用 " 的邊緣成本不再接近零。

在傳統的 SaaS 中, 一個團隊開啟了一個額外的帳號, 服務提供商也有伺服器、乘客和帶寬的費用, 真正的貴處是前期的研究與發展, 如果產品被放大,额外收入的很大一部分可以保留。

大型模型产品不同。 使用者輸入問題, 模型產生答案, 一個叫做推理的过程, 也就是當使用者召喚時模型的实际計算 。 Token是模型讀寫的基本量度單位. 使用者要求越多,上下文越長,內容越複雜,代號越多,算法消耗越多。

這造成固定訂閱與可轉換性的矛盾 。 Claude Pro每月為美國付出約20美元, 使用者看到固定價格, 有的人會寫信和檢查資訊, 有的人會處理長文件, 執行代碼授權或呼叫更複雜的自動處理。

市場展開的地圖試圖將此事視覺化:在20美元中,一部分留給模特公司,一部分付給雲和計算商。 計算成本包括電力、運輸、GPU折旧。 GPU采购向上流至英國威達、建電機、HBM(高頻寬內存)、光模組、ODM和電力相關企業。

「GPU折旧」(GPU DEVELOPMENT)一词被理解為貴重的GPU不是一次性的完成本, 真正的分配受套件大小、輕量级使用者比例、云母公司内部结算价格、折扣、GPU使用率和折旧年齡等因素的影响。 平均成本也不等于边际成本。

投資者真的需要專注於方向:AI IP不能只透露收入增長, 如果用法的擴展速度快于模型效率的提高和收費收入的提高,毛利人的壓力可能更加突出。 只有效率提高得夠快。

基本建设先得到更确定的收入

AI用量的增長更直接地流向基建。

無論使用者使用克勞德(Claude)、查特GPT、雙子座模型, 可能會有應用程式的產品交易, 只要人工智能用量持續增加。

例如IN WEIDA、電訊、SK海克力斯等基本設備連結, 近年来,英威達毛利人的总体比率一直很高,2026年的《一般公认的会计原则》和非《一般公认的会计原则》毛利人比率约为71.1%和71.3%。 需要指出的是,各個區域都受到特定成本的影響, 公共財產公示並非總能直接移除人工智能數據中心真正的毛利人结构。

HBM是這條鏈子中最典型的环节. 它不是普通的記憶體,而是AI加速器中支持高投入計算的关键元件. 對模型大小、上下文长度和編碼的需求增加, HBM在新一代AI芯片成本中的份额增加。

電力及數據中心也從背景成本轉至投資中心。 單個正規文字查詢的能量消耗不一定被夸大, 但複雜的代理、上下文、代碼產生和多輪工作都被放大。 關鍵不是要問一次用電量多少, 而是要問有多少推理要求繼續。

基建端的优点在于更快的性能驗證。 HBM公司訂單與價格會比較快地輸入利润表。 模擬應用程式層次在未來的預期中交易更多:訂閱轉換、業務穿透、API收入後的利润釋放以及未來成本曲線的下降。

提高效率仍然是多方面的核心基础

軟體投資人和人工智能多個頭部不是沒有反驳的。 效率的中心點是,目前推理的高成本只是早期的現象,模型优化,缓存,小模型,自學芯片和更高的群集利用率可以繼續降低單位成本. 只要成本下降得夠快, AI應用程式仍可能回到高毛利軟體的邏輯。

這種反驳是有現實依据的。 有些主流模型的單位價格有显著下降, OpenAI先前透露,GPT-4o Mini比早期的文字-davinci-003每令牌成本低99%. 不同公司的節奏並非完全一致。

模范公司也有多种改善單位經濟的方法. 簡單的任務被傳送到小模型中, 并且通过缓存重用、 長的上下文和複雜的任務, 時常傳送更強的模型 。 云制造商通过自學芯片和群組移動降低單位計算成本. Google有TPU, 微软推出Maia以推理。

如果只依靠科技進步,AI的利润率应用仍有改进的余地。 更便宜的推理、更好的模型路由、更強的壓縮力, 光用戶、高價企業套件、API層面及更嚴格的使用限制。

困難在于降低成本不是唯一的變數。 AI 應用程式正在從簡單的聊天移動到更重的工作负荷 。 過去使用者可能只是問問與重寫文字, 代碼代理、長期文件處理、影片及多模組產生、企業自動處理等, 這些場景更有價值 更消耗力 模式越有用,使用者就越有可能委托它完成更複雜和更長的任務。

不同因素更加具体:推理成本的下降速度可能超过工作使用率和复杂性的增加。 如果單位成本迅速下降,但平均消费增加得更快,模型公司的毛利加权比率仍會受到壓力。 如果模擬路線、缓存、自學芯片和價格都足夠有效。

訂户數不是毛利率

美元分割地圖不應理解為最后的。 投資者需要打折扣「AI應用程式自然與SaaS相等」的假設。

例如OpenAI、Anthropic等未上市的模擬公司, 資源資源、合伙人披露、云成本结构、企業套裝價格、API收入份额及使用限制等, 真正有價值的數據不是付費使用者的數量, 而是輕重使用者的分數。

上市公司連結的授權會更快地出現在財務報告中。 毛利族總率和数据中心收入的增長、对先进桌面電源生产和封鎖的需求、HBM制造商的價格和營利率以及雲端制造商的資本支出的密集度, 都將繼續反映出AI的用量是否繼續流向基建末端。 如果這些指示數保持強大, 且缺乏證據證明在模型應用層面上毛利人的價格提高。

模式公司需要證明, 不仅使用者愿意支付20美元, 並且這些訂户在大量使用後, 下一轮的定价差別可能与ARR頭條數字大不相同,而推理成本、套件限制和公司的收费价格是同步的。