Goldman Sachs 研究显示，Google 搜索广告收入中有 18% 付给了流量获取成本（Traffic Acquisition Costs）。这其中，Apple 拿走了大头，大约占总量成本的 65%。

从这个角度，也可以体现 Android 对 Google 流量成本的节省价值。

附图来自 Leonis Capital 的研究，关于 OpenAI 在 2022 - 2025 年的收入和成本费用情况。

OpenAI 的总成本费用的增幅似乎远大于收入的增幅。预计 2025 年将有 90 亿美元的亏损。

ICONIQ Capital 在 2025 年 4 月 300 家生成式 AI 应用创业公司的调研显示，大模型选型角度的关键要素 Top 3 为：(1) 准确性；(2) 成本；(3) 定制化与微调 fine-tune。

其中成本这一项在 ICONIQ Capital 去年的调研中还处于较低的位置。2025 年的调研反馈很看重成本，侧面体现了实际应用需求的大增（应用商开始在乎成本）。

当前，30 亿参数的 “小模型“ 的性能已经达到最开始 ChatGPT 所使用的 1750 亿参数模型的效果。这得益于更好的压缩技术（distillation 蒸馏、quantization 量化等），以及更高质量的训练数据。

这个小型化过程会带来显著的好处：边缘侧和端侧通常算力是有限的，没办法部署大模型，但小型的模型如果性能够，就可以用的起来。（而边缘和端侧等低延迟特性就可以发挥起来了）。

与此同时，我们也想到了另一个问题，甲方企业 CIO 的难题。通常一个 IT 项目从立项招标到部署应用，起码要耗费几个月，甚至更久的时间。而模型改进（如下图所示）是以月为单位进步的，

从业人员 @0xPaulius 认为，在 OpenAI GPT 出现之前，聊天机器人用于某个特定用例的训练需要花费数月，以及 10,000 美金以上的训练成本，而且效果还很糟糕。

而使用 GPT、Llama 等大模型后，特定用户的训练效果会改善，而且训练成本只需要到 1,000+ 美元。

两百万 GPT-4 Token 的价格，在两年前是 180 美元，2024 年 7 月是 0.75 美元，两年时间下降了 240x 倍。

大模型的 “降价策略” 看起来比当年的公有云还有迅猛。当然，价格战意味着服务商需要有巧妙的 “低成本战略”, 留意 OpenAI GPT-4 不同版本的差别。

Holori 计算了从云提供商那里从欧洲或美国数据中心获取 50TB 数据到 Internet 的成本。

公有云服务商也许不希望客户从其基础设施离开。价格从高到低，分别是 AWS、Google Cloud、Azure 和 阿里云。

Epoch 研究显示，Google Gemini Ultra 的训练模型达到了 1.91 亿美元，而 OpenAI GPT-4 的训练成本估计为 7800 万美元。

对比，Google 最早的 Transformer 的训练成本仅为 900 美元。

所谓 Scaling laws （尺度定律），最浅显的理解就是物理规模得很大。

Mckinsey 的调研显示，电信运营商利用生成式 AI 降低运营成本的意向正在升温。

客户服务和网络运维是反馈最高的两个职能领域。

UBS 和 MIT Technology Review 一项成果发布显示，生成式 AI 对金融行业的影响（收入、成本、竞争）有哪些。

从研究结果看，无论是金融行业哪个具体领域，主要影响就是 “降低成本”，更确切的说是降低人力方面的成本。

由此可展开的话题是，AI 对人力的代替问题，有是代替是显性的，有的代替是隐性的，比如：降低了相关的业务需求。