瑞银：中国AI模型API均价不足美国同类两成，毛利率持平
Claire Weston
瑞银测算显示中国AI模型API均价不到美国同类产品的20%，训练成本不足10%，但毛利率与美国同行基本持平——低价不靠补贴，靠的是结构性成本优势。
低价的钱从哪省出来的？
三层成本差全部指向同一个方向：参数更小、算法更省、电更便宜。
参数规模上，DeepSeek V4总参数1.6万亿，Kimi K2.6约1万亿；而Claude Opus 4.6和GPT-5.5分别约10万亿和5万亿——中国模型用更少的参数跑。
计算精度上，DeepSeek-V3率先引入FP8混合精度训练，V4进一步压到FP4；这意味着→ 同一块GPU上能塞进更多计算量，单位成本直接下降。
基础设施层，中国数据中心电价约4.4美分/度，美国约7.9美分/度，低约44%；GPU租用价格同样低约40%。
推理成本怎么压到这么低？
关键杠杆有两个：更低的MoE激活比例和KV缓存压缩。
美国早期MoE模型(混合专家架构，把大模型切成很多"专家"模块，每次只激活其中几个来回答问题)通常激活15%至30%的参数；中国领先模型只激活约3%至10%。用大白话说＝ 同样大的模型，中国版每次只"叫醒"很少一部分专家干活，算力开销小得多。
DeepSeek V4活跃参数比从V3.2的约5%降到约3%，但智能指数反而从42升到52——更省还更聪明。
KV缓存(模型记住之前对话内容的"记忆条")在多轮对话中占推理成本约70%；DeepSeek V4把缓存压到V3.2的约10%，综合成本比V3再降约10%。
毛利率持平说明了什么？
MiniMax通过端到端基础设施团队实现超过75%的算力利用率，行业平均只有40%至50%。
其M2.7模型毛利率超过40%，与Anthropic 2025年约40%的API毛利率基本一致。
这意味着→ 中国模型的低价不是"赔本赚吆喝"，而是成本结构本身就低一截，利润空间并没有被压缩。
性能差距还有多大？
2023年中国前沿模型综合智能约为美国顶尖模型的60%，到2025年已升至约90%。
分领域看：文本模型接近90%水平；全球前五视频生成模型中四个来自中国；AI编程可比肩美国上一代，但仍落后最新前沿。
这反映出 中国模型走的是"够用就行、极致压价"路线——在绝大多数商用场景里，90%的能力加20%的价格，采购决策不难做。
开源生态凭什么能加速追赶？
智谱和MiniMax 2025年研发支出合计约8亿美元，仅为Anthropic的约十分之一。
但中国团队大量复用彼此验证过的技术：Kimi K2和GLM-5用了DeepSeek验证的MLA潜在注意力设计，DeepSeek V4引入Moonshot AI的Muon优化器，Qwen3和GLM-4.5采用DeepSeek的GRPO强化学习方案。
用大白话说＝ 美国闭源模型各自为战，中国开源生态"集体实验、分散受益"——研发边际成本被系统性摊薄。
瑞银给了什么预期？最大的悬念是什么？
瑞银估算全球AI长期市场规模可能超过10万亿美元，基准预期(类比电动车、智能手机)：中国模型拿下全球30%至50%份额。
乐观场景(类比光伏)：若能力趋同、竞争纯看成本，份额可达80%以上；悲观场景(类比云计算)：若美国前沿模型保持能力领先且深度嵌入企业工作流，中国份额可能在10%以下。
高盛交易台负责人Rich Privorotsky把核心矛盾称为"价值万亿的问题"：更低的智能成本，究竟创造的需求多，还是摧毁的定价权多？
他援引OpenRouter实验：Gemini 3 Flash + Kimi K2.6 + DeepSeek V4 Pro的组合，以约一半成本全面超越单独运行的GPT-5.5和Opus 4.8——这反映出 答案的走向，将直接决定当前AI板块数万亿美元市值的合理性。
Content is for reference only, not financial advice.