中國模型說的「便宜」，其實是三件不同的事——談 MoE 架構與選用時該問的問題

2026 年 7 月，中國三家主要 AI 公司接連發表新模型：DeepSeek 推出 V4-Flash、百度升級 ERNIE 5.1、阿里巴巴展出 Qwen 3.8-Max。三則消息的共同賣點都是「便宜」。

但把三則的宣稱並排看，會發現它們講的便宜不是同一件事——而這個差別，直接決定了它跟你的成本有沒有關係。

先界定：三種「便宜」

AI 的成本至少要分成三層來看，而報導經常把它們混在一起：

• 訓練成本　把模型做出來要花多少錢。這是廠商的資本支出，跟你的帳單完全無關。百度宣稱的「預訓練成本降低 94%」屬於這一層。
• 推論成本　模型回答一次問題，廠商實際耗掉的運算資源。這決定了定價的地板在哪裡。
• API 售價　你實際付的錢。DeepSeek 與阿里巴巴宣稱的「美商的十分之一／五分之一」屬於這一層。

關鍵在於：售價可以低於推論成本，那叫補貼，不叫技術突破。搶市佔階段的定價策略在雲端與電商產業都上演過無數次。訓練成本下降是廠商的好消息，售價下降才是你的好消息，而後者不保證能維持多久。

這不是說中國模型不便宜。而是看到「成本降低 94%」時，要先問這是哪一層的成本。

MoE：為什麼能同時做大又做便宜

三家不約而同走向 MoE（Mixture of Experts，混合專家）架構，這是理解整件事的技術關鍵。

傳統模型每回答一個字，都要動用全部參數。MoE 則把模型拆成許多「專家」子網路，每次只啟動其中一小部分。

用醫院來理解：一間大型醫院有上百位專科醫師，但你掛號看診時，系統只會把你分派給其中兩三位。醫院的總編制很大，但你這一次看診動用的資源，跟小診所差不多。

所以「2.4 兆參數」講的是醫院的總編制，不是你看一次診的成本。兩個數字都是真的，但回答的是不同問題。看 MoE 模型的規格時，總參數量（total）與每次啟動的參數量（active）要分開看，後者才跟速度與成本相關。

這個架構選擇也有現實背景：在高階運算晶片取得受限的情況下，MoE 讓團隊能用有限的算力做出參數規模很大的模型。限制往往會逼出不同的技術路線，而不是單純落後。

便宜之後，什麼變得可行

推論成本下降真正的意義，不是同樣的事花更少錢，而是過去因為不划算而沒做的事，現在划算了。

當每次呼叫的成本高，你只會把 AI 用在少數高價值的地方。成本降一個量級之後，這類任務才進得了考慮範圍：

• 把過去三年所有客服對話跑一遍，找出重複出現的問題類型
• 每一封進來的詢價信都自動分類與初步回覆
• 所有出貨文件在寄出前都過一次一致性檢查

這些任務的共同點是量大、單筆價值低、但加總起來很可觀。它們是成本下降真正打開的空間。

邊界：什麼時候便宜的模型不夠用

低成本模型在多數日常任務上足夠，但有幾類情況仍要用最強的模型：

• 長鏈條推理　需要連續十幾步不出錯的任務。錯誤率會沿著步驟累積，單步 95% 正確，十步之後只剩約六成。
• 錯了代價很高的判斷　省下的 API 費用，遠小於一次判斷失誤的成本。
• 需要最新知識的任務　與模型強弱無關，看的是訓練資料截止時間與能不能連網檢索。

務實的做法是分流：量大而簡單的用便宜模型，關鍵判斷用強模型。這比全站統一用一個模型更省，也更穩。

對台灣企業的意義：選用前該確認的四件事

一、資料會不會被用於訓練，以及能不能寫進合約。這是所有問題裡最重要的一個，而且與國別無關——美商服務同樣要問。要的是白紙黑字的條款，不是說明文件上的一句話。

二、資料實際存放在哪個地區。API 服務的機房位置決定了資料落地與跨境傳輸的合規問題。有出口業務的公司尤其要確認，因為這會出現在歐美客戶的供應商問卷上。

三、模型是否開放權重。這一項的影響最容易被低估。如果模型可以下載自架，資料就完全不必離開公司——這對受客戶保密協議限制而只能走地端的封測廠來說，是可用與不可用的分界。純 API 服務再便宜，碰到這類限制也是零分。

四、客戶端有沒有技術來源的限制。部分歐美客戶會在供應商合約中對技術服務來源設條件。這與技術好壞無關，是商業與法遵層面的問題，但踩到了會影響訂單，值得事前確認而不是事後解釋。

需要保留的懷疑

三則發表都由廠商自行公布效能數據，尚未見到獨立第三方的驗證。廠商自評的基準結果在各國廠商身上都需要打折看待，這不是針對誰。

另一個觀察指標是價格的可持續性。若目前的低價包含搶市佔的補貼成分，值得留意的是：當你的流程已經建立在某個 API 之上，之後調價時的轉換成本有多高。降低這個風險最實際的方法，是在架構上保持模型可替換——把 API 呼叫集中在一層，而不是散落在各處程式碼裡。

常見問題

「訓練成本降低 94%」代表我用起來會便宜 94% 嗎？

不代表。訓練成本是廠商把模型做出來的資本支出，與使用者付費無關。使用者實際負擔的是 API 售價，而售價由市場策略決定，可能低於實際推論成本（補貼），也可能維持高毛利。看到成本相關的宣稱時，要先確認講的是訓練成本、推論成本，還是售價。

MoE 架構的「2.4 兆參數」跟一般模型的參數量可以直接比較嗎？

不能直接比較。MoE 模型每次推論只啟動一小部分參數，總參數量與單次啟動參數量是兩個不同的數字。與推論速度和成本直接相關的是啟動參數量。比較不同架構的模型時，看總參數量會產生誤導。

台灣中小企業可以用中國的 AI API 嗎？

技術上可行，但選用前應確認四件事：資料是否用於模型訓練（需有合約條款）、資料儲存與處理的地理位置、模型是否開放權重可自架、以及客戶合約中是否對技術服務來源設有限制。有出口業務的公司尤其需要確認第二與第四項，因為這些會出現在歐美客戶的供應商合規問卷上。

該全面改用低成本模型嗎？

建議分流而非全面替換。量大、單筆價值低、驗收標準明確的任務適合低成本模型；長鏈條推理、錯誤代價高的判斷仍建議使用最強模型。錯誤率會沿推理步驟累積，單步 95% 正確率在十個步驟後約僅剩六成，這類任務省下的 API 費用通常不足以抵銷失誤成本。

出處

本文彙整以下報導，各項效能與成本數據為廠商公布內容，請以原始報導及廠商官方文件為準：DeepSeek V4-Flash 發布與 API 定價（Wired AI）、百度 ERNIE 5.1 預訓練成本宣稱（Nikkei Asia Tech）、阿里巴巴 Qwen 3.8-Max 參數規模與定價（TechCrunch AI）。

文中關於 MoE 架構運作方式、成本分層與錯誤率累積的說明，為通用技術原理，讀者可自行查證與驗算。