近期，AI大模型行业掀起了一场激烈的价格战。5月11日，智谱AI宣布将其入门级大模型GLM-3-Turbo的价格从5元/百万tokens降至1元/百万tokens，降幅高达80％。紧随其后，5月15日，字节跳动在火山引擎大会上宣布其豆包大模型主力版本定价为0.8元/百万tokens。5月21日，阿里云宣布其通义千问主力模型Qwen-Long API的输入价格直降97％。不久后，百度也宣布其文心大模型中的两款主力模型——ERNIE Speed和ERNIE Lite全面免费开放使用。
这场价格战不仅在中国市场蔓延，国外市场亦是如此。自去年以来，OpenAI已进行了多轮降价，其最新发布的GPT-4o价格也有所下调，并提供免费试用。谷歌在其新品发布会上也下调了模型调用价格，Gemini1.5Pro的价格为7美元/百万tokens，对于128k以下的输入，价格更是降低50％至3.5美元/百万tokens。
在这场科技行业的激烈竞争中，价格战的背后实则是对数据资源的争夺。国内外厂商纷纷采取低价策略以迅速占领市场，加速商业化落地进程并争取更大的市场份额。这一策略的关键在于，模型的迭代升级离不开庞大的数据支撑。因此，谁能够吸引并积累更多的用户数据，谁就有可能在未来的技术发展中占据领先地位，使自家模型在激烈的市场竞争中脱颖而出，走在行业的前列。
然而，网友对此有着不同的看法：“用户选模型，最主要还是看能力。能力不行，即使免费也不用。”“在用户量不大的情况下，价格带来的成本差距不明显。反倒是换模型的风险较大，重调prompt也着实不省心。”“模型免费容易导致滥用，造成算力浪费。”
确实，大模型的发展不应仅仅聚焦在价格层面。尽管短期内价格的降低可能影响用户的选择，但从长远来看，大模型行业的健康有序发展，关键在于模型的自身实力和创新能力以及行业内的规范与合作。
一方面，大模型需要不断提升其准确性、响应速度、适应性和可扩展性，并能够随着技术的发展和市场需求的变化，不断迭代和优化。这包括探索新的算法、架构和应用场景，高效利用算力资源，以满足多样化和差异化的应用需求。
另一方面，行业内的规范与合作对于确保大模型健康有序发展至关重要。需要制定合理的行业标准和规范，确保大模型的开发和使用符合法律法规，保护用户的数据安全和隐私权益。此外，企业间的合作也是不可或缺的。通过共享资源、技术和经验，能够有效降低模型研发成本，提高整个行业的竞争力。
技术创新是大模型领域的核心竞争力，但创新之路从不平坦。它需要投入大量的研发资源，也需要研究者持续探索并跨越技术的藩篱。在AI大模型的创新征途中，面对算法优化、数据处理、计算效率等方面的重重挑战，RWKV架构创新和DeepSeek模型的性能优化值得关注。
RWKV是一种创新的深度学习网络架构，它巧妙结合了Transformer和RNN（循环神经网络）的优点。Transformer因其在自然语言处理（NLP）领域并行化训练的优势广泛应用于机器翻译、文本分类和问答系统等任务。然而，Transformer在处理长序列时面临内存和计算复杂度呈二次方增长的挑战。相比之下，RNN在处理长序列时具有更好的内存和计算效率，但其训练过程相对较慢，且难以实现并行化。
RWKV结合了二者优势，其核心创新在于它能够实现高效可并行训练和高效推理的平衡，这是通过利用线性注意机制来实现的。这种设计使得RWKV既可以作为Transformer进行高效的计算并行化，以加快训练速度，又可以在推理阶段保持RNN的高效率。因此，RWKV在处理长序列时，既能有效克服Transformer内存和计算复杂度的问题，又能保留RNN在处理长序列时的优势，为深度学习领域带来了新的突破。
5月初，DeepSeek-V2模型发布，凭借创新的模型架构和卓越的使用体验，该模型迅速在技术领域内引发关注。相关数据显示，就中文能力来看，DeepSeek-V2在全球模型中处于第一档的位置，但其成本却是最低的。如何做到兼顾模型效果和成本？记者从其官网了解到，DeepSeek-V2没有沿用主流的“类LLaMA的Dense结构”和“类Mistral的Sparse结构”，而是对模型框架进行了全方位的创新，提出了媲美MHA的MLA（Multi-head Latent Attention）架构，大幅减少计算量和推理显存；其自研的Sparse结构Deep-SeekMoE进一步将计算量降低到极致，两者结合最终实现模型性能跨级别的提升。
卷价格没有意义。大模型发展赛道上，核心竞争力的构建不再仅仅依托于成本优势，而是更多地转向了技术的精进、应用场景的拓宽以及可持续发展的商业模式探索。大模型的发展将是一场马拉松，而非短跑冲刺，它要求参与者具备长远的战略眼光、扎实的研发基础和敏锐的市场洞察力。（记者吴双）
原标题：从“价格战”看AI大模型 短期策略与长期发展的平衡之道