DeepSeek принес весну для предпринимателей в области AI-приложений

Исходный заголовок: «DeepSeek принес весну для предпринимателей в области AI-приложений»
Исходный автор: Dongcha Beating

31 июля состоялся официальный запуск API DeepSeek V4-Flash в открытое тестирование.

Каждый миллион входных токенов стоит 1 юань; каждый миллион выходных токенов — 2 юаня. После кэширования, каждый миллион входных токенов стоит всего 0,02 юаня. Он поддерживает 1 миллион контекста, режимы мышления, вызовы инструментов и Responses API, а максимальное количество одновременных подключений для одной учетной записи достигает 2500.

В дальнейшем DeepSeek также будет использовать ценовую политику «пиковых и низких периодов», где цены в пиковые часы удваиваются. Тем не менее, цены все равно остаются удивительно низкими.

Согласно грубым расчетам, предоставленным официальными представителями DeepSeek, 1 китайский символ примерно потребляет 0,6 токена. Один миллион токенов может быть использован для обработки примерно 1,67 миллиона китайских символов. Если рассматривать только стоимость ввода, то для обработки примерно 1,67 миллиона китайских символов, стоимость составит всего 1 юань.

За последний год индустрия больших моделей уже привыкла к более длинному контексту, более сложным выводам и все более способным агентам. Каждый раз, когда модель обновляется, обсуждения неизменно сводятся к тому, кто кого превзошел, насколько продвинулся бенчмарк и сколько времени осталось до AGI.

Для предпринимателей в области AI-приложений есть еще один более практичный вопрос:

Сколько на самом деле стоит выполнение задачи.

Способности модели определяют, что продукт теоретически может делать, а цена вызова определяет, сколько возможностей команда действительно готова внедрить в продукт.

Сегодня днем я долго обсуждал это с ChatGPT в голосовом чате. Я сказал, что в настоящее время коммерческая модель для AI-приложений, по сути, сводится к перепродаже токенов.

Он несколько раз пытался предложить мне более приличное выражение, например, «розничная продажа выводительных возможностей» или «упаковка интеллектуальных услуг». Я сказал, что не стоит пытаться найти более красивую формулировку для этого бизнеса, перепродажа — это перепродажа, и неприятные слова не означают, что это неправильно.

AI-приложения выглядят как самая новая предпринимательская направленность последних нескольких лет, но на самом деле это старая бизнес-модель:

Закупка, переработка, ценообразование и последующая продажа.

Многие изменения в отраслях начинаются с резкого падения закупочных цен.

AI-приложения — это бизнес по перепродаже токенов

Ранее люди привыкли понимать AI-приложения через призму интернет-продуктов или SaaS.

После завершения разработки программного обеспечения его можно распределить между тысячами пользователей или миллионом. Конечно, добавление нового пользователя также приведет к дополнительным затратам на пропускную способность, хранение и обслуживание, но эти затраты обычно постепенно уменьшаются по мере увеличения масштаба.

AI-приложения отличаются. Каждый раз, когда пользователь генерирует изображение, пишет отчет, завершает код или заставляет агента выполнить еще один шаг, компании-приложения должны заново вызывать модель. Каждый раз, когда пользователь нажимает кнопку, поставщики услуг получают деньги.

Поэтому большинство чисто программных AI-приложений в настоящее время используют довольно простую базовую коммерческую модель:

Закупка токенов у компании-модели, упаковка общих возможностей модели в продукты для написания, программирования, дизайна, обслуживания клиентов, видео или агентов, а затем продажа пользователям через подписки, баллы и разовые платежи.

Например, Poe при запуске API прямо заявила, что цель ценообразования с добавлением баллов — взимать плату в соответствии с ценами, которые поставщик базовой модели взимает с нее.

Поставщики услуг получают деньги за модели и токены, Poe конвертирует их в баллы на платформе и продает пользователям вместе с единым входом, оплатой, переключением моделей и интерфейсами разработки.

Некоторые компании говорят, что они не продают токены, а продают результаты. Например, цена на программное обеспечение для обслуживания клиентов Intercom для AI-агента Fin составляет 0,99 доллара за каждое завершенное действие. Если пользователь подтверждает, что проблема решена, и не требует дальнейшей помощи от человека, или если Fin успешно завершает рабочий процесс, это может считаться одним результатом.

Это просто смена ценника: плата за место, плата за задачу, плата за успешно решенные проблемы — изменяется только единица измерения, которую видит пользователь. За кулисами компании-приложения по-прежнему должны вызывать модель и рассчитывать, сколько токенов потребуется для выполнения одной доставки.

Южносунский художник Ли Сунг нарисовал картину «Рынок с товарами». Торговец несет на плечах товар, включая кастрюли, иголки, закуски и игрушки. Один товарный груз — это передвижной магазин, и доход торговца состоит из выбора, упаковки и доставки товаров.

То же самое делает и компания AI-приложений. Производители моделей создают интеллект, а компании-приложения внедряют его в конкретные сценарии. Входящие токены, а на выходе — отчет, дизайн или видео.

Модельные компании продают интеллект, а компании-приложения — завершенные продукты.

Прибыль этого бизнеса в основном зависит от трех ценовых разниц.

Первая разница — разница в закупке.

Для одной и той же модели фактические затраты могут различаться для разных команд. Компании с большим объемом вызовов могут договориться о скидках, а команды с сильными инженерными способностями могут использовать кэширование, асинхронную обработку, пиковые вызовы и маршрутизацию моделей, чтобы еще больше снизить средние затраты. То, что другие делают за 1 юань, вы можете сделать за 0,5 юаня, и оставшиеся 0,5 юаня — это ваша прибыль.

Проще говоря, при закупке кто-то получает оптовую цену, а кто-то — туристическую.

Вторая разница — разница в использовании.

Некоторые пользователи, купившие подписку, ежедневно используют AI, как будто это рабочая лошадь, в то время как другие, полные амбиций при пополнении, через две недели уже не используют продукт. Если среднее потребление всей пользовательской группы ниже, чем было предусмотрено при проектировании пакета, неиспользованные лимиты создают пространство для прибыли.

Это похоже на логику годовой подписки в спортзале или тарифного плана мобильного интернета.

Но здесь есть один важный момент. Если поставка достаточно гибкая, то меньшее использование пользователями увеличивает прибыль. Если компания уже подписала жесткий годовой контракт, а оставшиеся токены все еще лежат на счету, это не прибыль, а просто товар, который не может быть продан.

Неиспользованные пользователями токены называются оседлыми, а токены, которые компания не может продать, называются зависшими товарами.

Третья разница — разница в продукте.

При одинаковом потреблении в 10 000 токенов некоторые продукты могут выдавать текст, который пользователю нужно будет долго редактировать; другие продукты уже завершили сбор данных, генерацию контента, проверку фактов, корректировку формата и окончательный экспорт. Затраты на базовом уровне могут быть схожи, но пользователи готовы платить совершенно разные цены.

Истинная ценность AI-приложения зависит от этого. Закупка определяет, может ли этот бизнес существовать, а продукт определяет, сколько он стоит.

Перепродажа токенов — это лишь основа, а продукт — это причина разницы в ценах.

Менеджеры продуктов становятся бухгалтерами

Проблема в том, что AI-приложения требуют постоянной закупки, поэтому вопросы продукта легко становятся вопросами стоимости.

В официальной инструкции по использованию Manus уже можно увидеть, как эти затраты формируют продукт. Manus вычитает баллы из ежемесячной подписки в зависимости от сложности задачи и необходимых ресурсов. При одинаковом вопросе к AI официально рекомендуется использовать режим чата для простых вопросов, не обязательно запускать полный автономный агент; для сложных задач лучше сначала проверить промежуточные результаты, чтобы избежать того, что агент продолжает выполнять задачи в неверном направлении и тратит больше баллов зря.

Эти рекомендации, безусловно, разумны. Но они также показывают одну из самых сложных сторон продуктов-агентов: чем более активным становится модель, тем труднее компании-приложения предсказать затраты.

Чат-бот, отвечая на вопрос, останавливается, и счета относительно легко подсчитать. Агент сам разбивает задачи, многократно ищет, открывает веб-страницы, вызывает инструменты и затем принимает решение о следующем шаге на основе промежуточных результатов. Пользователь дает только одну команду, а за кулисами может произойти десятки вызовов модели.

Таким образом, продукты начинают учить пользователей, как меньше нагружать агентов. Печально, что, чем дольше ведется учет, тем больше бухгалтер начинает контролировать продукт. Нужно ли запускать функцию, команда сначала рассматривает не потребности пользователей, а то, сколько будет стоить одна задача. Модель уже обладает более сильными способностями, но приложения не решаются полностью передать эти возможности пользователям.

Компании, безусловно, должны контролировать затраты. Ни одна стартап-компания не может позволить себе использовать самую дорогую модель как воду из крана для пользователей.

Некоторые продукты помещают более эффективные модели в дорогие пакеты, а обычные пользователи получают версию, которая проходит через множество ограничений. Способности модели не исчезают, они просто распределяются между разными пользователями после подсчета затрат.

Со временем в индустрии возникает странное искажение.

Пользователи, покупая AI-приложения, надеются, что модель будет лучше понимать, больше размышлять и выполнять больше задач. Однако компании-приложения, чтобы контролировать затраты, вынуждены заставлять модели меньше читать, меньше думать и меньше делать.

Продукты продают интеллект, а команда становится мастерами по его сокращению.

Кроме того, когда цены на верхнем уровне растут, компании-приложения должны сокращать лимиты; конкуренты, получившие более низкие затраты, сразу снижают цены на подписки; появляются новые дешевые модели, и старые маршруты и пакеты нужно пересчитывать. Хотя компании-приложения кажутся контролирующими продукт, самый важный переменный фактор всегда остается в руках поставщиков.

За последние два года предприниматели в области AI-приложений не столько страдали от нехватки идей. Они больше нуждаются в достаточно мощном, достаточно дешевом интеллекте, который можно без опасений внедрять в продукты.

DeepSeek снизил «умственные дорожные сборы»

Ценность DeepSeek заключается прежде всего в том, что это не просто модель, созданная для снижения цен. Она поддерживает 1 миллион контекста, режимы мышления и вызовы инструментов.

Когда в апреле была выпущена предварительная версия, DeepSeek заявила, что ее способности к выводу близки к V4-Pro и показывают аналогичные результаты в простых задачах для агентов. Обновленная версия, выпущенная 31 июля, не изменила структуру и масштаб модели, а в основном была повторно обучена, и несколько бенчмарков для агентов уже превысили предварительную версию V4-Pro.

Это очень важно.

Дешевые модели раньше тоже существовали. Проблема в том, что, хотя цена низкая, товар не всегда может быть бракованным. На самом деле, что нужно для применения ИИ, так это стабильный интеллект по максимально низкой цене.
По крайней мере, судя по опубликованным DeepSeek стандартам для агентов и кода, V4-Flash уже преодолел линию «достаточности» для ряда высокочастотных задач, а цена настолько низка, что команда может позволить себе частое использование.
Для большинства обычных пользователей большие модели, вероятно, уже пересекли критическую точку.
Обычные люди не заботятся о бенчмарках. Им редко важно, на сколько баллов модель опережает в каком-то тесте, они лишь интересуются, сможет ли она решить их задачи. Когда модель уже может читать материалы, делать выводы, настраивать инструменты и предоставлять результаты, дальнейшее повышение возможностей, безусловно, имеет ценность. Но стоит пересчитать, сможет ли эта ценность оправдать многократное повышение цен.
Ранее компании, разрабатывающие модели, утверждали, что они сильнее, и высокая цена казалась само собой разумеющейся. Но теперь это объяснение не выдерживает критики: где именно высокая цена, какую проблему решает дополнительная мощность и сколько пользователей действительно это нужно — все это должно быть обсуждено.
DeepSeek не сделала все модели дешевыми, она сделала так, что высокие цены на модели стали темой, требующей объяснения пользователям.
Ранее Pinduoduo действительно разрушила не только цены на товары. Она впервые показала потребителям, что многие повседневные товары могут продаваться так дешево. Брендовые наценки, затраты на каналы и промежуточные звенья, которые раньше считались само собой разумеющимися, внезапно стали требовать обоснования своего существования.
Pinduoduo разрушила психологию цен на товары.
DeepSeek разрушила психологию цен на интеллект.
### Предприниматели наконец могут сосредоточиться на продукте
Для индустрии приложений ИИ важнейшим следующим шагом является то, что предприниматели наконец могут вернуть внимание от верхнего уровня к нижнему.
Ранее большие модели обновлялись слишком быстро, и компании-применители легко могли быть унесены этим потоком. Сегодня они подключают более длинный контекст, завтра меняют на новую модель вывода, послезавтра снова добавляют возможности агентов на главную страницу. Продукт всегда кажется обновленным, но маршрут не определяется ими. Что выпускают производители моделей, то и демонстрируют компании-применители.
Типичная ситуация: процветание на верхнем уровне, потеря фокуса на нижнем.
Теперь базовые модели имеют шанс стать относительно стабильными производственными ресурсами. Команды больше не должны каждый день крутиться вокруг рейтингов моделей и не должны считать «подключение последней модели» самым важным прогрессом продукта.
Когда модели стабилизируются, у продукта больше не будет оправданий.
Модель может выполнить задачу — это только начало. Продукту нужно интегрировать задачу в реальный процесс, обрабатывать права доступа, данные, сотрудничество, проверку и неудачи, чтобы пользователю не приходилось каждый раз заново обучать ИИ, как работать. Эти вещи не так привлекательны, как параметры модели, и их трудно включить в бенчмарки. Но готов ли пользователь продолжать платить во втором месяце, часто зависит от этих деталей.
Ценность приложений ИИ не в том, чтобы выставить модель перед пользователем, а в том, чтобы сделать модель незаметной в процессе работы.
Когда пользователю больше не нужно выбирать модель, не нужно изучать подсказки и не нужно беспокоиться о том, сколько раундов вывода было использовано для выполнения задачи, приложение действительно завершает свою работу.
На этом этапе конкуренция между компаниями-применителями уже не в том, кто первым получит модель, а в том, кто лучше понимает работу, кто сможет превратить правила, которые не могут быть записаны в инструкции, в часть продукта.
Модель может стать сильнее за одну ночь, но понимание в индустрии не может. API могут быть подключены всеми, но способ работы, который действительно принимается пользователями, трудно воспроизвести.
Это также дает многим бизнесам, которые раньше казались недостаточно масштабными, новую возможность для существования.
Стартапы в области ИИ не обязательно должны начинаться с «следующего поколения входа», и не каждая компания должна создавать супер-агента, который обслуживает все человечество. Это может быть просто решение одной проблемы в области внешней торговли, обслуживание одного процесса для сетевых магазинов или избавление определенной категории специалистов от повторяющейся работы.
Рынок не должен быть таким большим, чтобы вместить всех. Достаточно, чтобы проблема была достаточно конкретной, доставка была достаточно стабильной, а ценность, получаемая пользователем, превышала цену, которую он платит — тогда бизнес сможет выжить.
Ранее, когда модели были слишком дорогими, маленькому рынку было трудно поддерживать полный продукт. Команды должны были стремиться к большему количеству пользователей, более высокой средней стоимости заказа и более быстрому финансированию, чтобы покрыть постоянно возникающие затраты на вывод. Многие стартапы, не найдя настоящих пользователей, уже были вынуждены рассказывать слишком большую историю.
Теперь история может быть немного меньше.
Малые команды могут сначала обслуживать небольшую группу людей, глубоко проработать одну задачу, а затем постепенно расширяться.
Это очень похоже на то, как выглядели многие «столетние магазины» в прошлом. При открытии они не думали о том, чтобы завоевать целую улицу, а просто старались хорошо обслужить несколько столиков у входа. Если еда вкусная и цена разумная, клиенты вернутся, и бизнес будет процветать.
Индустрия больших моделей любит говорить о масштабах, параметрах и конечных результатах. Однако стартапы в области приложений в конечном итоге должны вернуться к этой простой логике.
Кого вы обслуживаете, какую проблему вы решаете и почему нельзя обратиться в другую компанию — на эти три вопроса DeepSeek не ответит за предпринимателей.
Она просто позволяет командам не тратить большую часть времени на торги с верхним уровнем и дает возможность небольшим командам, которые не могут обучать большие модели и не имеют права получать специальные цены, получить относительно справедливый билет на вход.
Ранее модель сама по себе была барьером. Теперь модели могут покупать все, и различие заключается в том, для чего их использовать. Действительно дефицитные вещи постепенно сместятся к пользователям, данным, процессам и доверию. Кто ближе к реальной работе, у того больше шансов.
После того как DeepSeek снизила порог для интеллекта, приложения ИИ наконец перестали быть соревнованием моделей и снова стали бизнесом продуктов.
Западная династия Хань Чао Цуо в «Трактате о дорогих злаках» написал: «Дорогие злаки и дешевые золото и нефрит».
В последние годы большие модели больше походили на золото и нефрит. Параметры становились все больше, рейтинги все выше, их выставляли под светом софитов на пресс-конференциях, все видели их ценность, но очень немногие могли действительно использовать их в повседневной работе.
Задача уровня приложений заключается в том, чтобы превратить золото и нефрит в злаки.
DeepSeek не сделала за предпринимателей всю работу, она просто снизила цену на рис.
Что касается того, кто сможет открыть ресторан, это зависит от мастерства каждого.

Этот контент предоставляется исключительно в общих информационных целях и не является финансовым, инвестиционным, юридическим или налоговым советом. Любые мероприятия, вознаграждения, онлайн-акции или связанная с ними информация, упомянутые в настоящем документе, не должны рассматриваться как рекомендация, приглашение к покупке, продаже, торговле или иной сделке с какими-либо криптоактивами. Криптоактивы очень волатильны и могут привести к убыткам. Доступность услуг, продуктов WEEX и связанных с ними событий может варьироваться в зависимости от региона. Вы несете ответственность за обеспечение того, чтобы ваше участие соответствовало применимым местным законам и нормативным актам.