TechOffice计量人工智能革命：效用式计费改变人工智能访问
人工智能定价的未来：从订阅到计量实用模型
OpenAI 首席执行官 Sam Altman 的大胆预测预示着人工智能行业可能发生范式转变，他预见到人工智能服务将从固定订阅模式过渡到基于公用事业的计量计费模式。 Altman 表示，人工智能很快将更像电力或水等基本公用事业，用户根据实际消耗而不是预定的订阅等级付费。
当前的人工智能订阅格局
如今，大多数人工智能服务（包括 OpenAI 的 ChatGPT 和其他大型语言模型）都采用基于订阅的定价模型。用户通常从提供不同级别的访问、功能或使用限制的预定义层中进行选择。由于这种方法对于提供商和消费者来说都很简单，因此占据了市场主导地位。
目前的订阅模式一般包括：
- 具有有限功能和使用上限的基本层
- 标准层，具有中等功能和较高的使用限制
- 高级级别具有高级功能、更高的使用限额和优先访问权
- 先进的使用跟踪系统，可以精确测量 AI 资源消耗
- 根据需求和资源可用性进行调整的动态定价机制
- 透明的计费系统，可以清楚地向用户传达费用
- 强大的基础设施可应对不断变化的需求模式
- 响应中的令牌计数
- 日益复杂的测量
- 基础设施复杂性
- 收入波动
- 更灵活的定价模式
- 集成挑战
- AWS、Azure 和 Google Cloud 等云提供商正在开发更精细的 AI 资源跟踪
- 人工智能初创公司专注于基于使用情况的透明定价，以求脱颖而出
- 企业人工智能解决方案越来越多地为大客户采用基于使用情况的组件
- 定价复杂性：为复杂的 AI 服务创建公平且易于理解的定价模型非常困难
- 基础设施要求：计量计费需要复杂的跟踪和计费系统
- 用户阻力：消费者可能更喜欢固定订阅的简单性
- 资源分配：确保高峰需求期间资源的公平分配
- 安全问题：增加使用情况跟踪会引发隐私和数据安全问题
- 为定价而处理的令牌
- 批量折扣
- 使用 API 计量订阅
- 计算时间跟踪
- 特定服务按使用付费
- 结合了订阅和计量组件的混合模型
- 使用指标和定价的行业标准化
- 消费者应用程序广泛采用纯计量计费
- 适用于企业和工业应用的专门实用模型
向计量计费的转变：新范式
Altman 的人工智能计量计费愿景与这种方法有着根本的背离。在公用事业模式下，用户只需为他们消耗的资源付费，类似于家庭根据使用的千瓦时支付电费或根据消耗的加仑支付水费。
这种转变需要多项技术和基础设施的发展：
计量人工智能的技术可行性
随着人工智能系统变得更加复杂和监控技术的进步，计量人工智能计费的技术实施变得越来越可行。现代人工智能平台可以跟踪资源消耗的各种指标，包括：
| 资源类型 | 测量单位 | 当前跟踪能力 |
|---|---|---|
| 计算能力 | FLOPS（浮点运算） | 提供高级跟踪 |
| 数据处理 | 处理的字节数 | 可以进行精确测量 |
| API调用 | 请求数量 | 目前被大多数平台追踪 |
| 响应复杂性 |
| 利益相关者群体 | 潜在好处 | 潜在挑战 |
|---|---|---|
| 消费者 | 仅按使用量付费 | 成本可预测性问题 |
| 企业 | 优化资源分配 | 复杂的成本管理 |
| 人工智能提供商 | 收入优化 | |
| 开发人员 |
| 公司 | 型号 | 主要功能 |
|---|---|---|
| OpenAI | 混合 | 使用即用即付积分订阅 |
| 人择 | 基于使用情况 | |
| 拥抱脸
| ||
| 谷歌人工智能 | 基于云的计量 |
