تفسیر جی‌پی‌مورگان: کاهش همزمان قیمت توکن و H100، آیا هزینه‌های هوش مصنوعی در حال کاهش است؟

TL;DR
· یک پیگیری صنعتی در جولای 2026 نشان می‌دهد که قیمت توکن ورودی و قیمت اجاره کوتاه‌مدت H100 به طور همزمان کاهش یافته است.
· این کاهش قیمت در پس‌زمینه‌ای از افزایش چند برابری حجم درخواست‌ها و همچنان بالابودن نرخ استفاده از GPU رخ داده است.
· فشار هزینه‌ها کاهش یافته است، اما عرضه توکن، HBM و خوشه‌های پیشرفته همچنان محدودیت‌هایی برای کاهش قیمت ایجاد می‌کنند.

گزارش «Data Center Watch» جی‌پی‌مورگان که در جولای منتشر شده، نشان می‌دهد که قیمت‌های درخواست هوش مصنوعی و قیمت اجاره GPU‌های پیشرفته در آن زمان به طور همزمان کاهش یافته‌اند.

این سرنخ به طور مستقیم نشان می‌دهد که مرحله‌ای از فشار بر زیرساخت‌های هوش مصنوعی در حال کاهش است. برای کاربران عادی و مشتریان شرکتی، کاهش قیمت توکن ورودی، استفاده از مدل‌های بزرگ را ارزان‌تر می‌کند. برای شرکت‌های کاربردی هوش مصنوعی و ارائه‌دهندگان خدمات ابری، کاهش اجاره H100 نشان می‌دهد که بازار محاسبات دیگر مانند قبل در دوره کمبود نیست.

اما این نشانه‌ای از کاهش تقاضا نیست. نمونه‌های پیگیری نشان می‌دهند که حجم پردازش توکن LLM چندین برابر نسبت به ابتدای سال افزایش یافته است، و نرخ استفاده از مدل‌های پیشرفته همچنان در محدوده 70%-80% قرار دارد، و نرخ استفاده از GPU‌های با عملکرد بالا نیز بیش از 80% است. کاهش قیمت بیشتر به نظر می‌رسد که نتیجه‌ای از عرضه، مدل‌های متن‌باز و کارایی استنتاج است که به تقاضا نزدیک‌تر شده‌اند، نه اینکه تقاضای هوش مصنوعی به طور ناگهانی ضعیف شده باشد.

کاهش جزئی قیمت توکن، در حالی که مصرف همچنان در حال افزایش است

در جولای 2026، قیمت توکن ورودی مدل‌های اصلی همچنان در حال کاهش است. طبق نمونه گزارش، قیمت برخی از مدل‌های اصلی برای هر میلیون توکن ورودی به طور تقریبی در محدوده 0.2-5 دلار قرار دارد و در مقایسه با ماه گذشته به طور متوسط حدود 3% کاهش یافته است.


این محدوده نیاز به توضیح بیشتری دارد. قیمت توکن‌های خروجی مدل‌های بسته با عملکرد بالا مانند GPT-4o و Claude 3.5 Sonnet معمولاً به وضوح بالاتر از قیمت توکن‌های ورودی است، و قیمت مدل‌های سبک مانند GPT-4o mini نیز نمی‌تواند به طور مستقیم با مدل‌های پرچمدار مقایسه شود. به عبارت دیگر، قیمت‌های پایین گزارش شده بیشتر منعکس‌کننده قیمت توکن‌های ورودی، مدل‌های سبک یا نمونه‌های ارائه‌دهندگان است و نمی‌توان آن را به عنوان هزینه کامل درخواست همه مدل‌های اصلی در یک محدوده خاص در نظر گرفت.

با این حال، جهت‌گیری همچنان واضح است. برای شرکت‌های کاربردی هوش مصنوعی، هزینه‌های استنتاج واحد برای همان پرسش و پاسخ، تولید کد، جستجوی بهبود یافته یا درخواست خدمات مشتری در حال کاهش است. یکی از سخت‌ترین محاسبات در تجاری‌سازی مدل‌های بزرگ در سال‌های گذشته این بود که «هر چه بیشتر استفاده کنی، بیشتر ضرر می‌کنی»، کاهش قیمت توکن ورودی حداقل باعث می‌شود که برخی از کاربردهای پرکاربرد به هزینه‌های قابل تحمل نزدیک‌تر شوند.

نکته کلیدی این است که کاهش قیمت در پس‌زمینه‌ای از افزایش حجم درخواست‌ها رخ می‌دهد. از ابتدای سال تا جولای 2026، حجم پردازش توکن LLM در نمونه‌های گزارش شده چندین برابر افزایش یافته است و برخی از بخش‌های خاص بیش از 4 برابر رشد کرده‌اند. نرخ استفاده از مدل‌های پیشرفته مانند OpenAI، Anthropic و Meta همچنان در سطح بالای 70%-80% پایدار است و افزایش عرضه مدل‌های با وزن باز Llama نیز یکی از دلایل مهم افزایش حجم درخواست‌ها است.

آنچه بازار می‌بیند این نیست که «کسی استفاده نمی‌کند پس قیمت کاهش یافته»، بلکه در زیر فشار حجم بالاتر درخواست‌ها، ارائه‌دهندگان خدمات مدل، اکوسیستم وزن‌های باز و عرضه زیرساخت‌ها به طور مشترک قیمت واحد را کاهش داده‌اند.

مدل‌های وزن باز دیگر تنها به رقابت با قیمت پایین اکتفا نمی‌کنند

رشد سریع مدل‌های وزن باز، خط اصلی دیگری در بازار توکن در جولای است.

گزارش نشان می‌دهد که استفاده از توکن مدل‌های وزن باز در جولای نسبت به ماه قبل 26% افزایش یافته و نسبت به سال گذشته به 63 برابر رسیده است؛ میانگین قیمت وزنی معاملات نیز نسبت به ماه قبل 36% افزایش یافته و هزینه توکن نسبت به ماه قبل 71% افزایش یافته است.

این بدان معناست که مدل‌های وزن باز صرفاً از طریق قیمت پایین مدل‌های بسته را تحت فشار قرار نمی‌دهند. با نزدیک شدن عملکرد به سطح پیشرفته، قیمت درخواست، حجم استفاده و هزینه برخی از مدل‌های وزن باز در حال افزایش همزمان است.

در جولای، سهم هزینه مدل‌های وزن باز به 20% افزایش یافته است، که بالاتر از 12% در ژوئن و 10% در مه است. اگرچه مدل‌های بسته تنها 29% از کل توکن‌ها را تشکیل می‌دهند، اما هنوز 80% از هزینه‌ها را تأمین می‌کنند، که نشان می‌دهد مدل‌های بسته با عملکرد بالا هنوز بخش عمده‌ای از ارزش تجاری را در اختیار دارند، اما مدل‌های وزن باز به سرعت در حال پیشرفت هستند.

بر اساس حجم استفاده از توکن، پنج مدل برتر در جولای به ترتیب MiMo v2.5، DeepSeek v4 Flash، GLM 5.2، DeepSeek v4 Pro و MiniMax M3 هستند که مجموعاً 50% از کل توکن‌ها را تشکیل می‌دهند.

بر اساس هزینه توکن، پنج مدل برتر شامل Claude Opus 4.8، Claude Opus 4.7، Fable 5، Kimi K3 و GPT-5.6 Sol هستند که مجموعاً 54% از کل هزینه‌ها را تشکیل می‌دهند. ورود Kimi K3 به پنج مدل برتر هزینه‌ها به این معنی است که مدل‌های وزن باز در حال ورود به بخش‌های با ارزش بالا هستند که قبلاً عمدتاً توسط مدل‌های بسته اشغال شده بود.


برای مشتریان شرکتی، افزایش انتخاب مدل‌ها به کاهش وابستگی به یک ارائه‌دهنده بسته کمک می‌کند. اما از این گزارش مشخص است که تغییرات ناشی از مدل‌های وزن باز تنها به کاهش قیمت محدود نمی‌شود، بلکه شامل رقابت برای صحنه‌های درخواست با ارزش بالاتر و بودجه نیز می‌شود.

کاهش اجاره H100، اما کارت‌های پیشرفته به حالت مازاد نرسیده‌اند

بازار اجاره GPU نیز شاهد تفکیک ساختاری مشابهی است.

در جولای 2026، میانگین قیمت اجاره H100 در بازار غیر ابر بزرگ به ازای هر GPU ساعت 2.68 دلار بود که نسبت به ماه قبل 1.1% کاهش یافته است. این اولین کاهش ماهانه قیمت H100 پس از هفت ماه افزایش متوالی است.

این کاهش به مراتب کمتر از 15% تا 25% است و نمی‌توان آن را به عنوان «کاهش 20% اجاره H100» توصیف کرد. گزارش همچنان میانگین قیمت اجاره ماهانه را بر اساس ساعت GPU پیگیری می‌کند، نه اجاره هفتگی یک کارت.

این نشان می‌دهد که سمت عرضه شروع به واکنش کرده است. GPU‌های بیشتری وارد بازار اجاره ابری شده‌اند، رقابت بین ارائه‌دهندگان خدمات ابری و پلتفرم‌های محاسباتی افزایش یافته و قیمت‌های اجاره کوتاه‌مدت دیگر تنها تحت تأثیر کمبود شدید نیستند. در مقایسه با مرحله کمبود GPU‌های پیشرفته، فشار برای خرید، اجاره و صف کشیدن برای کارت‌ها کاهش یافته است.

اما منابع پیشرفته هنوز ارزان نیستند. قیمت H100 هنوز به طور قابل توجهی بالاتر از A100 است، و نرخ استفاده کلی GPU در محدوده 75%-90% حفظ می‌شود، و نرخ استفاده از GPU‌های با عملکرد بالا به بیش از 80% می‌رسد. تا زمانی که نرخ استفاده در این محدوده باشد، کاهش اجاره بیشتر شبیه به حذف بخشی از حقایق کمبود است، نه اینکه عرضه محاسبات به طور کامل مازاد شده باشد.

برای شرکت‌های هوش مصنوعی، این تغییر دو تأثیر دارد.

اول اینکه هزینه‌های کسب و کار استنتاج راحت‌تر کاهش می‌یابد. استنتاج به تأمین مداوم، پایدار و با تأخیر کم از محاسبات نیاز دارد، و کاهش اجاره GPU ساختار هزینه‌های ارائه‌دهندگان خدمات API، جستجوی هوش مصنوعی، دستیارهای کد و محصولات هوش تجاری را بهبود می‌بخشد.

دوم اینکه فشار هزینه برای آموزش مدل‌های بزرگ به راحتی از بین نمی‌رود. آموزش پیشرفته نه تنها به تعداد GPU‌ها بستگی دارد، بلکه به اتصال خوشه‌ای، پهنای باند حافظه، کارایی زمان‌بندی و تأمین برق پایدار نیز بستگی دارد. کاهش اجاره H100 به معنای کاهش همزمان هزینه‌های آموزش در مقیاس بزرگ نیست و به این معنا نیست که همه شرکت‌های هوش مصنوعی می‌توانند به راحتی منابع خوشه‌ای با کیفیت مشابه را با قیمت پایین به دست آورند.

افزایش قیمت حافظه کاهش یافته است، کاهش قیمت خوشه‌های پیشرفته به اندازه اجاره کوتاه‌مدت مستقیم نیست

بخش‌هایی که در آن قیمت‌ها کمتر از همه تغییر کرده‌اند، حافظه است.

در ماه‌های مه و ژوئن 2026، نمونه گزارش نشان می‌دهد که قیمت‌های نقدی DRAM به سرعت افزایش یافته و قیمت‌های DDR5 16Gb بیش از 90%-100% افزایش یافته و تا جولای به ثبات رسیده است. در مقایسه، HBM همچنان به دلیل تقاضای تسریع‌کننده‌های هوش مصنوعی در سطح بالایی باقی مانده و قیمت‌های قراردادی هنوز 1-2 فصل از قیمت‌های نقدی عقب‌تر هستند.

برای تسریع‌کننده‌های هوش مصنوعی پیشرفته، تراشه‌های GPU خود تنها گلوگاه نیستند، بلکه HBM، بسته‌بندی پیشرفته و تحویل مراکز داده نیز بر عرضه واقعی تأثیر می‌گذارد. حتی اگر قیمت برخی GPU‌ها در بازار اجاره کاهش یابد، عرضه بالادستی حافظه و تحویل خوشه‌های پیشرفته همچنان سرعت کاهش هزینه کلی را محدود می‌کند.

این نیز دلیل این است که «زمانی که فشار محاسبات در اوج خود بود، شروع به کاهش کرد» نمی‌تواند به سادگی به «کمبود محاسبات به پایان رسیده» ترجمه شود. کاهش قیمت در بازار اجاره نشان می‌دهد که بخشی از فشار عرضه کوتاه‌مدت کاهش یافته است. اما خوشه‌های آموزشی پیشرفته و خوشه‌های استنتاج در مقیاس بزرگ همچنان تحت تأثیر پهنای باند حافظه، بسته‌بندی پیشرفته و ریتم عرضه نسل جدید GPU قرار دارند.

توجه به زمان مهم است. این گزارش تغییرات قیمت و نرخ استفاده در نمونه‌های جولای 2026 را منعکس می‌کند و بیشتر به عنوان یک برش از کاهش فشار بر زیرساخت‌های هوش مصنوعی در میانه سال 2026 مناسب است، نه به عنوان یک خلاصه از قیمت‌های همه ارائه‌دهندگان ابری، همه مناطق و همه قراردادهای بلندمدت.

کاهش هزینه‌ها، فشار سود برای ارائه‌دهندگان مدل به شیوه‌ای دیگر تغییر کرده است

کاهش قیمت توکن و اجاره GPU برای شرکت‌های کاربردی هوش مصنوعی مثبت است، اما برای ارائه‌دهندگان مدل لزوماً خبر خوبی نیست.

قیمت‌های پایین‌تر درخواست، به تحریک تقاضا کمک می‌کند، حجم استفاده از API را گسترش می‌دهد و به بیشتر شرکت‌ها اجازه می‌دهد مدل‌های بزرگ را به فرآیندهای واقعی کسب و کار متصل کنند. مشکل این است که اگر کاهش قیمت سریع‌تر از افزایش کارایی استنتاج باشد، حاشیه سود ارائه‌دهندگان مدل و پلتفرم‌های ابری تحت فشار قرار خواهد گرفت. به ویژه در شرایطی که مدل‌های وزن باز در حال پیشرفت هستند و قدرت چانه‌زنی مشتریان افزایش یافته است، فضای قیمت بالای API‌های بسته همچنان تحت چالش قرار خواهد گرفت.

برای ارائه‌دهندگان سخت‌افزار و خدمات ابری، کاهش قیمت اجاره H100 نیز به معنای این است که بازده فوق‌العاده‌ای که قبلاً ناشی از کمبود شدید بود، شروع به نرمال شدن کرده است. قراردادهای بلندمدت، تفاوت‌های منطقه‌ای، مقیاس‌های عمده و تفاوت‌های قیمت‌های نقدی، همگی می‌توانند باعث ایجاد تفاوت‌های قابل توجهی در قیمت واقعی که مشتریان مختلف دریافت می‌کنند، شوند. تنها با نگاه به میانگین اجاره هفتگی نمی‌توان به طور مستقیم نتیجه‌گیری کرد که درآمد همه ارائه‌دهندگان ابری به طور همزمان کاهش خواهد یافت.

واضح‌ترین سیگنال این پیگیری قیمت این است که در میانه سال 2026، عرضه زیرساخت‌های هوش مصنوعی به بخشی از تقاضا رسیده و هزینه‌های درخواست و اجاره کوتاه‌مدت شروع به کاهش کرده است. اما مرزها نیز واضح است: حجم توکن‌ها همچنان به سرعت در حال افزایش است، نرخ استفاده از GPU‌های پیشرفته همچنان بالا است، قیمت توکن‌های خروجی گران‌تر است و HBM همچنان محدود است. کاهش هزینه‌ها ابتدا در بخش‌هایی که بازارسازی آسان‌تر است، رخ می‌دهد و سخت‌ترین بخش‌ها همچنان خوشه‌های پیشرفته و عرضه حافظه بالادستی هستند.