我们发现有两种主要的竞争者 类型：一种是只在某一层面（如基础 设施、模型或应用程序）提供服务的 纯粹提供者，另一种则是在多个层面 提供服务的综合型提供者。就定价而 言，针对消费者的定价通常比较简单 明了（比如按用户数、按月收费）， 而针对企业的定价则较为复杂（比如 按呼叫次数、按小时计费、按收入份 额分成等）。然而，尽管存在不同的 竞争者类型，但是在企业规模扩大、 超越早期采用者或边缘应用场景时， 定价的简单性、可预测性和价值会变 得非常重要。 首先，基础设施层是生成式人工智能技术 堆栈中最成熟的领域，超大规模计算服务 提供商在这个领域占据了市场的主导地位。 这里的商业模式已经被证明是行之有效的， 就是提供可扩展的计算资源，并采用透明、 按消费计费的定价策略。
为了让生成式人 工智能工作负载更加稳定，超大规模计算 服务提供商已经与模型提供商签署了承诺， 以保证未来的工作负载，其中包括Azure 与OpenAI、Google 与Anthropic 以及AWS 与Stability.ai，还包括它们自己的专有模型。在这方面，NVIDIA 是领导者之一。他 们的 Ampere 和 Hopper 系列 GPU 分别 为训练和推理工作负载专门设计，再 加上他们的 Selene 超级计算集群，可 以加速训练时间。同时，AMD 的 CDNA2 架构也是专门为机器学习应用 的超级计算而设计的，这推动了高性 能计算市场的竞争。接下来是模型层，市场正在快速发展。 在这个领域，需要投入大量资源，模型 构建者必须不断审查体系结构（例如参 数、嵌入）以维持性能。他们必须吸引 和留住人工智能人才（如架构师、工程 师和数据科学家），设计框架、防护措 施和学习机制，以确保模型的稳健性和 可靠性。最后，由于生成式人工智能工 作负载需要大量计算，并需要专用芯片 的支持，因此可能会产生高昂的费用。 因此，我们看到一些公司开始通过收取 费用或将其整合到盈利产品中（例如 GPT-3.5整合到Edge，LaMDA整合到 Google Search）来收回投资。
