Искусственный интеллект вступил в эпоху раздвоенной экономики: стоимость создания моделей переднего края продолжает расти, а стоимость их использования — снижаться. Обе тенденции развиваются одновременно.

Обучение ИИ-модели переднего края может требовать десятков или даже сотен миллионов долларов вычислительных мощностей. Epoch AI оценивает, что затраты на оборудование и энергию для таких тренировочных запусков росли примерно в 2,4 раза в год.

После завершения обучения модели картина меняется. По данным Epoch AI, цена достижения фиксированного уровня ИИ-производительности падала примерно на 47% каждый квартал с 2023 года — то есть примерно в 13 раз в год.

В этой статье собраны основные цифры о стоимости обучения, инференса и тарифах на токены на основе данных Epoch AI, Стэнфордского университета, DeepSeek, OpenAI, Anthropic и Google. Все цены — стандартные опубликованные тарифы по состоянию на октябрь 2026 года.

Статистика стоимости ИИ-моделей в цифрах

• Расходы на обучение ИИ-моделей переднего края росли примерно в 2,4 раза в год.
• Epoch AI прогнозирует, что крупнейшие тренировочные запуски могут превысить 1 млрд долларов около 2027 года, если тенденция сохранится.
• Вычислительные затраты на обучение GPT-4 оцениваются примерно в 79 млн долларов.
• Gemini 1.0 Ultra оценивается примерно в 192 млн долларов.
• Llama 3.1 405B оценивается примерно в 170 млн долларов.
• Grok-2 оценивается примерно в 107 млн долларов.
• DeepSeek сообщила о 5,576 млн долларов за официальный тренировочный запуск DeepSeek-V3 — без учёта более ранних исследований и расходов на персонал.
• Оборудование составляет около 47%–67% затрат на разработку моделей переднего края; ещё 29%–49% приходится на исследовательский персонал.
• Энергия составляет лишь около 2%–6%.
• Стоимость равного уровня ИИ-производительности падает примерно на 47% в квартал, или примерно в 13 раз в год.
• Инференс уровня GPT-3.5 подешевел более чем в 280 раз между концом 2022 и концом 2024 года.
• GPT-6 Luna и Claude Haiku 5.5 стоят 0,10 доллара за миллион входных токенов и 0,50 доллара за миллион выходных токенов.
• Кэшированные токены на некоторых API могут быть на 90%–95% дешевле обычных входных токенов.

Растущий разрыв между дорожающим обучением и удешевляющимся использованием находится в центре экономики ИИ. Далее в статье каждая сторона рассматривается по очереди.

Сколько стоит обучить ИИ-модель?

Однозначного ответа нет. Затраты варьируются от нескольких сотен долларов для ранних исследовательских моделей до сотен миллионов долларов для систем переднего края.

Индекс ИИ Стэнфорда (AI Index), использующий оценки, разработанные совместно с Epoch AI, отслеживает динамику стоимости обучения. Стэнфорд отмечает, что эти цифры в основном отражают использованные вычислительные ресурсы, а не полную экономическую стоимость создания каждой модели. Тем не менее изменение за семь лет впечатляет: оригинальный Transformer стоил менее 1000 долларов в пересчёте на вычисления, тогда как GPT-4 обошёлся примерно в 79 млн долларов — более чем в 100 000 раз дороже.

Не каждая модель следует восходящей линии. Llama 2 70B стоила около 3 млн долларов — меньше, чем GPT-3 за 4 млн долларов, и значительно меньше, чем PaLM 540B за 12 млн долларов. Размер модели, тип чипов и метод обучения — всё это влияет на итоговый счёт.

Стоимость обучения моделей переднего края растёт в 2–3 раза в год

Epoch AI изучила десятки крупных ИИ-систем и оценивает, что амортизированные затраты на оборудование и энергию для тренировочных запусков переднего края росли примерно в 2,4 раза в год с 2016 года. Отдельный метод на основе цен на облачные вычисления показал схожий темп в 2,6 раза в год. Два независимых подхода, указывающих на один диапазон, повышают надёжность оценки.

Если тенденция сохранится, Epoch прогнозирует, что крупнейшие модели переднего края могут пересечь отметку в 1 млрд долларов за тренировочный запуск около 2027 года. Стэнфорд отметил в 2026 году, что отраслевые оценки для новых систем переднего края теперь варьируются от сотен миллионов долларов до 1 млрд за итерацию.

Это не означает, что каждая будущая ведущая модель будет стоить миллиард долларов. Архитектуры mixture-of-experts, лучшие данные, улучшенные алгоритмы и более дешёвое оборудование — всё это может снизить объём вычислений, необходимый для заданного уровня производительности. DeepSeek показала, сколь значительной может быть эта разница.

Стоимость обучения DeepSeek-V3

DeepSeek привлекла широкое внимание, сообщив о затратах на вычисления для обучения DeepSeek-V3 в размере около 5,576 млн долларов. В её техническом отчёте указано, что полный официальный процесс обучения занял около 2,788 млн GPU-часов Nvidia H800.

При предполагаемой цене аренды 2 доллара за GPU-час итоговая сумма составляет 5,576 млн долларов.

Эту цифру часто неверно трактуют. Это не полная стоимость разработки V3. DeepSeek заявила, что в неё не включены более ранние исследования, эксперименты с архитектурой, абляционные исследования, работа с данными и другие затраты на разработку. Поэтому её нельзя напрямую сравнивать с оценками, включающими более широкий спектр расходов на R&D; корректное сравнение требует одинакового охвата с обеих сторон.

Что эта цифра действительно показывает, так это то, что решения в области дизайна и инженерии могут резко снизить стоимость финального крупного тренировочного запуска — вывод, значимый для всей отрасли.

Вычисления — лишь часть затрат

Создание модели переднего края требует большего, чем GPU. Epoch AI оценивает распределение общей стоимости разработки по трём основным направлениям: оборудование составляет примерно 47%–67%, исследовательский персонал — ещё 29%–49%, а энергия — лишь около 2%–6%.

Дополнительные расходы могут включать приобретение и очистку данных, неудачные эксперименты, пост-обучение и обучение с подкреплением. Тестирование безопасности, оценка моделей, сетевая инфраструктура, хранение и дата-центры также увеличивают общую сумму.

В результате публикуемая стоимость финального тренировочного запуска может существенно занижать реальные затраты на создание конкурентоспособной модели переднего края, и разрыв между этими двумя цифрами может быть значительным.

Инференс и тарифы на токены

Обучение против инференса

Обучение создаёт модель; инференс её запускает. Компании платят за инференс при каждом использовании модели. Если миллионы людей пользуются моделью ежедневно, совокупные расходы на инференс могут превысить стоимость первоначального обучения.

Эта динамика становится всё важнее по мере того, как ИИ проникает в кодинг-агентов, ИИ-поиск, клиентский сервис, голосовых помощников, анализ видео и автоматизацию бизнеса. Ответ чат-бота в несколько сотен токенов стоит недорого; кодинг-агент, читающий миллионы токенов, многократно вызывающий инструменты и работающий часами, потребляет гораздо больше вычислений.

Текущие цены на токены

Большинство коммерческих ИИ-API взимают плату за токен. Токен — это небольшой фрагмент текста; миллион токенов соответствует сотням тысяч английских слов, хотя точное соотношение варьируется.

Тарифы Gemini 4 Argon в 2 и 10 долларов являются вводными до 30 ноября 2026 года. Google сообщает, что после этого стандартные цены составят 4 доллара за входные и 20 долларов за выходные токены.

Это прайсовые цены, а не собственные затраты провайдеров на работу моделей.

Небольшие модели против моделей переднего края

GPT-6 Luna от OpenAI берёт 0,10 доллара за миллион входных токенов и 0,50 доллара за миллион выходных токенов. Claude Haiku 5.5 от Anthropic имеет ту же базовую цену для промптов до 100 000 токенов. Anthropic выпустила Haiku 5.5 в октябре 2026 года и заявляет, что модель в среднем примерно на 75% дешевле в эксплуатации, чем Haiku 4.5.

По этим тарифам компания, отправляющая 100 млн входных токенов в модель по 0,10 доллара, платит всего 10 долларов, а 10 млн выходных токенов по 0,50 доллара за миллион стоят ещё 5 долларов. Выходные токены дороже, поскольку модели генерируют токены по одному, что требует больше вычислений.

Дешёвые модели подходят не для каждой задачи. Системы логического вывода переднего края требуют гораздо больше вычислений, и провайдеры accordingly берут за них больше: Anthropic указывает цену Claude Opus 5.5 в 4 доллара за миллион входных и 20 долларов за миллион выходных токенов — в 40 раз дороже выходных токенов Haiku 5.5.

Этот разброс даёт ИИ-агентам ясный стимул направлять простые задачи небольшим моделям, оставляя дорогие модели для сложных рассуждений.

Стоимость ИИ-инференса резко снизилась

Индекс ИИ Стэнфорда приводит наглядный пример. В ноябре 2022 года производительность уровня GPT-3.5 на бенчмарке MMLU стоила около 20 долларов за миллион токенов. К октябрю 2024 года Gemini 1.5 Flash-8B достиг того же уровня бенчмарка за 0,07 доллара за миллион токенов — падение более чем в 280 раз менее чем за два года.

Стэнфорд установил, что цены на инференс падали в 9–900 раз в год в зависимости от измеряемой задачи. Диапазон широк, поскольку у каждого бенчмарка и каждого уровня производительности своя ценовая история.

Причина не только в снижении прибыли. ИИ-модели и оборудование, на котором они работают, стали значительно эффективнее.

Цена равного уровня ИИ-возможностей падает в 13 раз в год

Исследование Epoch AI за сентябрь 2026 года выходит за рамки сырых цен на токены и измеряет стоимость достижения фиксированного уровня производительности модели. Epoch оценивает, что эта стоимость падала примерно на 47% каждый квартал с 2023 года. За полный год это даёт снижение примерно в 13 раз.

Арифметика проста. Если цена падает на 47% в квартал, остаётся 53%. Через четыре квартала остаётся около 7,9% — почти одна тринадцатая.

Epoch отмечает, что это снижение быстрее прежних крупных технологических кривых стоимости, включая секвенирование ДНК, универсальные вычисления, литий-ионные батареи и стоимость электроэнергии. Темп зависит от задачи.

Оборудование и ПО удешевляют работу ИИ

Инференс ИИ выигрывает от постоянного улучшения экономики чипов, которое Стэнфорд отслеживает через три годовых тренда в аппаратном обеспечении для машинного обучения. Современные GPU также используют числовые форматы меньшей точности, улучшенные системы памяти и более быстрые соединения между чипами. Каждое изменение позволяет дата-центру выполнять больше работы за те же деньги.

Программное обеспечение усиливает этот выигрыш. Такие методы, как квантизация, дистилляция, разреженность, архитектуры mixture-of-experts, спекулятивное декодирование, непрерывная батчинг-обработка и улучшенные компиляторы, снижают объём вычислений на каждый ответ. В результате тот же объём ИИ-возможностей со временем можно предоставить меньшими вычислительными ресурсами.

Кэширование и пакетная обработка снижают затраты ещё больше

Современные API всё чаще предоставляют скидки на повторяющуюся информацию. Представьте ИИ-агента, отправляющего один и тот же корпоративный справочник на 100 страниц с каждым запросом: провайдер может кэшировать этот текст вместо повторной обработки каждый раз.

OpenAI берёт 0,20 доллара за миллион кэшированных входных токенов для GPT-6 Sol против 2 долларов за обычный ввод — скидка 90%. Google Gemini 4 Argon в настоящее время дисконтирует подходящий неявно кэшированный ввод на 95%.

Пользователи, которым не нужны мгновенные ответы, также могут платить меньше. OpenAI оценивает пакетную (Batch) и гибкую (Flex) обработку для GPT-6 Sol примерно в 50% стандартных тарифов. Пакетная обработка подходит для классификации документов, ночного анализа, извлечения данных, масштабной суммаризации и офлайн-оценок.

Тарифы на ИИ начинают напоминать облачные вычисления: клиенты платят разные суммы в зависимости от скорости, надёжности и гибкости рабочей нагрузки.

Стоимость задачи и общие расходы на ИИ

Почему цена за токен может вводить в заблуждение

Модель по 1 доллару за миллион токенов не всегда дешевле модели по 2 доллара. Предположим, первой модели нужно 5 млн токенов для выполнения задачи, а вторая справляется с 1 млн. Первая модель стоит 5 долларов за задачу, вторая — 2 доллара.

Модели логического вывода делают эту проверку ещё важнее, поскольку они могут создавать большое количество внутренних «мыслительных» токенов, и часть из них тарифицируется. Anthropic заявляет, что Claude Sonnet 5.5 использует меньше токенов на задачу, чем Sonnet 5, что может удешевить её в реальных рабочих процессах даже при похожих прайсовых ценах. Компании всё чаще отслеживают стоимость успешно выполненной задачи, а не только цену за миллион токенов.

Что удерживает снижение цен

Три силы снижают стоимость инференса: более эффективное оборудование, более эффективные архитектуры моделей и сильная конкуренция между провайдерами.

OpenAI снизила API-цены GPT-6 Sol и Luna примерно на 50% по сравнению с промо-версиями GPT-5.6, одновременно улучшив возможности. Anthropic заявляет, что Haiku 5.5 обходится примерно на 75% дешевле за типичную рабочую нагрузку, чем Haiku 4.5. Google также конкурирует в тарифах на токены.

В результате сценарии применения ИИ, которые два-три года назад были слишком дорогими, теперь помещаются в обычные продукты.

Снижение затрат может увеличивать общие расходы

Дешевеющий ИИ не всегда означает снижение отраслевых расходов. Компания могла бы не автоматизировать миллион клиентских чатов по 1 доллару за каждый. По одному центу за чат она может автоматизировать их все.

Эта картина напоминает парадокс Джевонса, при котором более эффективное использование ресурса ведёт к росту его общего потребления. Это может объяснять, почему крупнейшие облачные компании продолжают тратить сотни миллиардов долларов на ИИ-дата-центры, даже когда стоимость каждого запроса падает.

Итог

Экономика ИИ движется сразу в двух направлениях. На переднем крае расходы на обучение росли быстро: GPT-4 потребовала, по оценкам, 79 млн долларов вычислений, Gemini 1.0 Ultra — около 192 млн, а Llama 3.1 405B — около 170 млн; Epoch AI оценивает рост затрат на обучение моделей переднего края примерно в 2,4 раза в год.

После выпуска моделей стоимость их использования быстро падает. Инференс уровня GPT-3.5 снизился с примерно 20 долларов за миллион токенов в 2022 году до 0,07 доллара в 2024-м, а более новое исследование Epoch оценивает падение стоимости фиксированного уровня ИИ-производительности примерно в 47% в квартал, или примерно в 13 раз в год. К октябрю 2026 года небольшие коммерческие модели стоили всего по 0,10 доллара за миллион входных и 0,50 доллара за миллион выходных токенов.

Короче говоря, самые передовые модели дороже в создании, но дешевле в использовании. Если это продолжится, влияние ИИ может определяться не столько тем, сколько стоит обучить одну модель, сколько тем, что произойдёт, когда миллиарды людей и компаний получат доступ к мощному ИИ по ценам, близким к обычному облачному программному обеспечению.

Источники

• Epoch AI: The Plunging Price of Thought
• Epoch AI: How Much Does It Cost to Train Frontier AI Models?
• Стэнфордский университет: 2025 AI Index Report, Research and Development
• Стэнфордский университет: 2026 AI Index Report
• DeepSeek: DeepSeek-V3 Technical Report
• OpenAI: Introducing GPT-6 Sol and Luna
• OpenAI: API Pricing
• Anthropic: Claude Haiku 5.5
• Anthropic: Claude Sonnet 5.5
• Google AI: Gemini 4 Argon Pricing

Эта статья впервые была опубликована на CoinCentral.