Intel CEO 陳立武（Lip-Bu Tan）日前在星展銀行（DBS）主辦的座談會上，點名 DeepSeek、Kimi 及 GLM 等中國 AI 模型性能「已經足夠好」，而且 token 成本較低、普及「非常快」，又指市場會決定哪些模型最適合不同應用場景。第三方價格表顯示，DeepSeek 低價型號在非繁忙時段的輸入價為每百萬 token 0.15 美元（約港幣 HK$1.2），OpenAI 的 GPT-6.1 Sol 則要 2 美元（約港幣 HK$15.6）。晶片商掌舵人公開這樣說，反映企業選模型的準則可能正由追求最強，轉向夠用而且便宜。
Intel CEO 點名 3 款中國模型，稱性能已夠用
陳立武談到中國前沿模型時，舉出的例子是 DeepSeek、Moonshot 的 Kimi 及智譜（Z.ai）的 GLM，認為這類模型的性能已達夠用水平。
他同場表明自己堅定支持開源，認為開源是提升效率的最佳途徑，至於哪款模型最能令哪類應用受惠，則交由市場決定。換言之他沒有主張企業應該轉用中國模型，只是把選擇交回市場。Intel 本身賣晶片而不賣模型，低成本和開源模型愈普及，推理硬件的需求理應愈大，他這番話可能也帶有商業立場。不過無論他立場如何，價格表上的差距確實存在。
價差因型號而異，最便宜的不足美國旗艦 10%
模型 API 按 token（模型處理文字的計量單位）用量收費。以每百萬 token 計，幾款模型的定價如下：
| 模型 | 輸入價（美元） | 輸出價（美元） |
|---|---|---|
| DeepSeek V4.1 Flash（非繁忙時段） | 0.15 | 0.60 |
| Kimi K3 | 0.80 | 10.00 |
| GLM 5.3（Z.ai 直連 API） | 1.40 | 4.40 |
| GPT-6.1 Sol | 2.00 | 10.00 |
| Claude Opus 5.5 | 4.00 | 20.00 |
以上是第三方價格追蹤網站 10 月的數字，各站因平台、時段及層級不同而不一致。把 DeepSeek V4.1 Flash 的非繁忙時段價格除以 GPT-6.1 Sol 的定價，輸入價只是後者的 7.5%（0.15÷2），輸出價是 6%（0.60÷10）；換成 Anthropic 的 Claude Opus 5.5 作比較，則分別是 3.75% 及 3%。假設某部門每月處理 100 萬個輸入 token 及 100 萬個輸出 token，把輸入及輸出單價相加，DeepSeek V4.1 Flash 在非繁忙時段合計 0.75 美元（約港幣 HK$5.9），GPT-6.1 Sol 是 12 美元（約港幣 HK$94），Claude Opus 5.5 是 24 美元（約港幣 HK$187）。
不過這個差距有 2 個前提。DeepSeek 在繁忙時段收費加倍，輸入及輸出價升至 0.30 及 1.20 美元（約港幣 HK$2.3 及 HK$9.4），工作若集中在繁忙時段，實際成本會高於非繁忙時段的標價。中國模型亦非每款都明顯便宜：Kimi K3 的輸出價是 10 美元（約港幣 HK$78），與 GPT-6.1 Sol 相同；GLM 5.3 的輸出價是 4.40 美元（約港幣 HK$34），約為 GPT-6.1 Sol 的 44%（4.40÷10）。所以採購時應按自家工作的輸入輸出比例及使用時段，計算每項任務的成本，只比較最低標價容易失準。
用量上升靠成本與特定能力，而非跑分領先
成本差距有多大程度轉化為用量，可以參考 API 閘道平台 OpenRouter 的數字。顧問公司 Digital Applied 整理 OpenRouter 排名後指出，按每周 token 用量計，中國 AI 供應商在今年 4 月初合計佔比超過 45%，1 年前不足 2%。這只是單一閘道平台在第 2 季初的情況，不等於整體市場佔有率，但升幅與 Intel CEO 指普及很快的說法吻合。
同一份分析認為，用量上升並非因為跑分領先：當時用量排第 1 的 MiMo-V2-Pro 出自小米（Xiaomi），並非上述 3 款，在 Artificial Analysis 智能指數亦只排第 10。開發者看重的是綜合每 token 成本，以及編程、長上下文等特定能力。模型聚合平台 CoreAI 的觀察亦相近，指大部分採用屬於按工作量分流，企業沒有全面轉用，便宜層級的工作交給中國模型，難題仍留給前沿模型。這 2 間公司都有自家服務要推銷，說法屬業界觀點，但方向與 Intel CEO 指由市場按場景決定的看法一致，反映選型準則可能正由最強轉向夠用而且便宜。
IT 團隊選模型要先定質素門檻與數據邊界
模型夠不夠用，要由企業自己定義。IT 團隊可先為每類工作定出質素門檻，用自家真實工作樣本測試，不要只看排行榜或單一質素分；然後按工作量分流，量大而風險低的任務交給達標的最便宜模型，高難度推理留給前沿模型，架構上保留切換模型的彈性，避免過度依賴單一供應商。
合規及資訊保安主管則要先劃清數據邊界：哪些數據可以送往境外 API，哪些受規管數據必須留在內部，需要時可考慮自行部署開放權重模型，並檢視做法是否符合《個人資料（私隱）條例》等本地要求。與供應商洽談時，要問清楚繁忙與非繁忙時段的定價、數據儲存及處理地點，以及服務水平承諾，再以每項任務成本作比較。
如果夠用的模型愈來愈多，企業的競爭力可能較少取決於買到最強的模型，較多取決於能否把每項工作分配給合適的模型。
來源: Reuters
