摩根大通解讀：Token和H100同步降價，AI成本開始降溫？

TL;DR
· 一份 2026 年 7 月行業跟蹤顯示，輸入 Token 價格和 H100 短租價格同步回落。
· 價格下行發生在調用量數倍增長、GPU 利用率仍高的樣本背景下。
· 成本壓力已有緩解，但輸出 Token、HBM 和高端集群供給仍限制降價幅度。

摩根大通 7 月發布的《Data Center Watch》顯示，AI 推理調用價格和高端 GPU 短租價格在當時同步降溫。

這條線索的直接含義是，AI 基礎設施最緊張的階段開始出現鬆動。對普通用戶和企業客戶來說，輸入 Token 價格下降，會讓調用大模型更便宜。對 AI 應用公司和雲廠商來說，H100 租金回落，說明算力市場不再像此前短缺期那樣處處排隊。

但這不是需求退潮的信號。該跟蹤樣本顯示，LLM Token 處理量較年初已經數倍增長，頭部模型利用率仍在 70%-80% 區間，高性能 GPU 利用率也超過 80%。價格降溫更像是供給、開源模型和推理效率一起追上需求的一部分，而不是 AI 需求突然走弱。

Token 價格小幅下探，用量還在放大

2026 年 7 月，主流模型的輸入 Token 價格繼續下探。按照該報告樣本，部分主流模型每百萬輸入 Token 價格大致落在 0.2-5 美元區間，7 月環比平均下降約 3%。

這個區間需要加限定。GPT-4o、Claude 3.5 Sonnet 等高性能閉源模型的輸出 Token 價格通常明顯高於輸入 Token，GPT-4o mini 等輕量模型價格也不能和旗艦模型直接混在一起比較。也就是說，報告裡的低價更多反映輸入 Token、輕量模型或托管商樣本口徑，不能理解為所有主流模型的完整調用成本都降到了同一區間。

即便如此，方向仍然清楚。對 AI 應用公司來說，同樣的問答、代碼生成、搜索增強或客服調用，單位推理成本在下降。過去幾年，大模型商業化最難算清的帳之一是「用得越多虧得越多」，輸入 Token 單價下行至少讓部分高頻應用更接近可承受的成本區間。

更關鍵的是，降價發生在調用量放大的背景下。2026 年上半年至 7 月，報告樣本中的 LLM Token 處理量較年初實現數倍增長，部分細分賽道增長超過 4 倍。OpenAI、Anthropic、Meta 等頭部模型利用率仍穩定在 70%-80% 的高位，Llama 系列開放權重模型放量也是推動調用量上升的重要原因。

市場看到的不是「沒人用了所以降價」，而是在更大調用量下，模型服務商、開放權重生態和基礎設施供給一起把單位價格壓了下來。

開放權重模型不再只靠低價競爭

開放權重模型的快速增長，是 7 月 Token 市場的另一條主線。

報告顯示，開放權重模型 7 月 Token 使用量環比增長 26%，同比達到去年同期的 63 倍；其成交量加權平均價格環比上漲 36%，Token 支出環比增長 71%。

這意味著，開放權重模型並不是單純通過低價擠壓閉源模型。隨著性能逐漸接近前沿水平，部分開放權重模型的調用價格、使用量和支出正在同步增長。

7 月，開放權重模型的支出份額升至 20%，高於 6 月的 12% 和 5 月的 10%。閉源模型雖然只占 Token 總量的 29%，卻仍貢獻了 80% 的支出，說明高性能閉源模型依然掌握大部分商業價值，但開放權重模型正在快速追趕。

按 Token 使用量計算，7 月排名前五的模型分別是 MiMo v2.5、DeepSeek v4 Flash、GLM 5.2、DeepSeek v4 Pro 和 MiniMax M3，合計占 Token 總量的 50%。

按 Token 支出計算，前五名則是 Claude Opus 4.8、Claude Opus 4.7、Fable 5、Kimi K3 和 GPT-5.6 Sol，合計占總支出的 54%。其中，Kimi K3 進入支出前五，意味著開放權重模型正在進入過去主要由閉源模型佔據的高價值區間。

對企業客戶而言，可選模型增多，有助於降低對單一閉源廠商的依賴。但從這份報告看，開放權重模型帶來的變化不只是壓低價格，還包括爭奪更高價值的調用場景和預算。

H100 租金下降，但高端卡沒有進入過剩狀態

GPU 租賃市場也出現了類似的結構性分化。

2026 年 7 月，非超大規模雲廠商市場中的 H100 平均租賃價格為每 GPU 小時 2.68 美元，環比下降 1.1%。這是 H100 租金連續七個月上漲後的首次環比回落。

這一降幅遠低於 15% 至 25%，也不能描述為「H100 租金下降兩成」。報告跟蹤的還是按 GPU 小時計算的平均月度租賃價格，而不是單卡周租金。

這說明供給側開始有反應。更多 GPU 進入雲租賃市場，雲服務商和算力平台競爭加劇，短租價格不再只由極端短缺決定。和高端 GPU 緊缺階段相比，買不到、租不到、排隊等卡的壓力有所緩解。

但高端資源仍然不便宜。H100 價格仍顯著高於 A100，GPU 整體利用率維持在 75%-90%，高性能 GPU 利用率達到 80% 以上。只要利用率還在這個區間，租金下行更像是擠掉一部分短缺溢價，而不是算力供給已經全面過剩。

對 AI 公司而言，這種變化帶來兩層影響。

一是推理業務成本更容易下降。推理需要持續、穩定、低延遲的算力供給，GPU 租金回落會改善 API 服務商、AI 搜索、代碼助手和企業智能體產品的成本結構。

二是訓練大模型的成本壓力難以同步消失。高端訓練不僅依賴 GPU 數量，還依賴集群互聯、內存帶寬、調度效率和穩定供電。H100 租金下降，不等於大規模訓練成本同幅下降，也不等於所有 AI 創業公司都能低價獲得同等質量的集群資源。

內存漲價放緩，高端集群降價不如短租直接

價格鬆動最不徹底的環節在內存。

2026 年 5-6 月，報告樣本顯示 DRAM 現貨價格快速上漲，DDR5 16Gb 等品類累計漲幅超過 90%-100%，到 7 月才趨於穩定。相比之下，HBM 仍因 AI 加速器需求維持高位，合同價還會滯後現貨價格 1-2 個季度。

對高端 AI 加速器來說，GPU 芯片本身不是唯一瓶頸，HBM、先進封裝和數據中心交付都會影響真實供給。即便租賃市場中部分 GPU 價格回落，上游內存和高端集群交付仍會限制整體成本下降的速度。

這也是為什麼「算力最緊時刻開始鬆動」不能直接寫成「算力短缺結束」。租賃市場價格回落，說明一部分短期供給壓力得到緩解。但高端訓練和大規模推理集群仍受內存帶寬、先進封裝和新一代 GPU 出貨節奏制約。

需要注意時間口徑。這份報告反映的是 2026 年 7 月樣本中的價格和利用率變化，更適合作為 2026 年中 AI 算力緊張退潮的切片，而不是對所有雲廠商、所有地區、所有長期合約價格的概括。

成本降了，模型廠商利潤壓力換了一種方式

Token 和 GPU 租賃價格下行，對 AI 應用公司是利好，但對模型服務商未必全是好消息。

調用價格更低，有助於刺激需求，擴大 API 使用量，也能讓更多企業把大模型接入真實業務流程。問題在於，如果價格下降快於推理效率提升，模型廠商和雲平台的利潤率會被擠壓。尤其在開放權重模型追趕、客戶議價能力增強的情況下，閉源 API 的高價空間會繼續受到挑戰。

對硬體和雲服務商來說，H100 短租價格回落也代表過去由極端短缺帶來的超高回報開始正常化。長期合同、地域差異、批量規模和現貨價格口徑不同，都会讓不同客戶拿到的真實價格出現明顯差別。單看周租金均值，不能直接推導所有雲廠商收入都會同步下滑。

這份價格跟蹤最明確的信號是，2026 年中 AI 基礎設施供給已經追上需求的一部分，單位調用和短租成本開始降溫。但邊界也很清楚：Token 用量仍在快速增長，高端 GPU 利用率仍高，輸出 Token 價格更貴，HBM 仍緊。成本下降先發生在更容易市場化交易的環節，最難鬆動的仍是高端集群和上游內存供給.