引言：同一家公司的 AI，价差却像两个世界

你在对话框里让 AI 写一篇 800 字小作文，可能只花几分钱；让它生成一张 1024×1024 的图片，却要几毛到几块；再让它生成一段 5 秒的视频，价格直接跳到十几块甚至更高。

同样是"AI 干活"，为什么价差这么大？答案不在"模型更聪明"，而在算力消耗——AI 产品的定价，本质是 GPU 烧电烧得有多快。这篇扫盲文，我们一层层拆开看。

一、先搞清楚：聊天为什么"便宜"

聊天大模型（LLM）的工作方式，本质是逐字接龙：每生成一个字（Token），都要把前面所有内容再"读"一遍，预测下一个字。

• 按 Token 计费：一次普通对话，回复可能只有几百到一两千 Token，算力消耗可控。
• 缓存红利：系统提示词、历史对话可以被缓存复用（KV Cache），后续生成大幅变便宜。
• 单次计算量小：生成一个 Token，只做一次"预测下一个字"的前向计算，和整幅图像相比，量级差很多。

所以聊天是按"字数"计费，一次几厘到几分钱很正常。

二、生图为什么贵：一场"从噪声中雕琢画面"的重活

聊天是写文字，生图是"画整幅画"。当前主流生图模型（如 Stable Diffusion、Midjourney、Flux）基于扩散模型（Diffusion Model），原理和写文字完全不同：

1. 从纯噪声出发：模型先随机生成一张全是噪点的图。
2. 逐步去噪：每去噪一次，都要把整张潜空间图完整过一遍神经网络，让画面清晰一点点。
3. 反复迭代：通常要重复 20~50 步，才能得到能看的成品。

这带来了三个量级上的碾压：

维度	聊天（LLM）	生图（扩散模型）
生成单位	一个字（Token）	整幅图像
每步计算	预测一个 Token	全图过一遍网络
迭代次数	1 次	20~50 次去噪
计费方式	按 Token	按张数

粗略估算，生成一张 1024×1024 的图，计算量相当于几千甚至上万 Token 的文本生成，贵几十到上百倍完全合理。

还有两个隐藏成本：

• 分辨率是平方增长：1024×1024 的像素数是 512×512 的 4 倍，计算量跟着翻倍往上走。
• 缓存几乎失效：聊天可以缓存重复内容，但每张图都是全新的像素组合，生成过程难以复用。

三、视频为什么按秒收费：一秒 = 24 张图的连拍

视频比图片贵一个数量级，原因一句话就能说清：视频 = 逐帧生图 + 帧间一致性。

• 一秒 24~30 帧：生成 1 秒视频，相当于连续生成 24~30 张图。
• 每帧都走完整去噪流程：没有捷径，每一帧都要从噪声"雕"出来。
• 时序建模额外烧钱：光有 30 张独立的图还不够，还要保证画面里的人物、光影、动作是连续合理的，这需要专门的时序（Temporal）模块跨帧建模，又是一笔不菲的算力。

所以按"秒"收费并不是拍脑袋，而是因为秒就是计费的自然单位——一秒视频的算力成本 ≈ 二三十张图的成本之和，再乘上时序建模的系数。平台按秒报价，只是把背后的算力账换算成了用户好理解的单位。

四、算力账单：钱到底花在了哪

把上面三部分合成一张总账：

任务	大致算力消耗（相对）	用户感知的计价单位
一次聊天回复	1	Token / 次
一张 1024² 图片	数十 ~ 上百	张
1 秒 AI 视频	数百 ~ 上千	秒

这些数字背后是真实的硬件账单：一张 H100/A100 显卡时租价、数据中心电费、模型推理的峰值算力占用。生图和视频动辄让 GPU 满载跑几十秒甚至几分钟，聊天一眨眼就结束，成本自然差着数量级。

五、以后会越来越便宜吗？

会，而且已经在发生：

• 蒸馏与少步数推理：SDXL-Turbo、LCM 等把去噪步数从 30~50 压到 1~4 步，速度提升一个数量级，价格随之下降。
• 缓存与复用：相同场景、相同底图的生成可以缓存复用。
• 专用芯片与推理优化：针对扩散模型的算子优化、更高效的视频生成架构（如 DiT）都在持续拉低成本。
• 规模化效应：用户越多、算力越便宜，单次生成的边际成本越低。

现在"贵"的背后，是技术还在快速进步阶段的真实成本；等生成效率再上一个台阶，价格自然会跟着下来。

结语：价格是算力的一面镜子

回到开头的问题——AI 生图比聊天贵、视频按秒收费，不是因为平台"故意坑你"，而是因为每一次生成背后，都是真实 GPU 在高速运转、真金白银的电费在燃烧。

下次你看到一张惊艳的 AI 图片、一段丝滑的 AI 视频时，可以想一下：那一秒背后，是几十帧画面从噪声中一点点"雕"出来的重活。理解这一点，你就能看懂 AI 产品的定价逻辑，也更能理解"算力为王"这四个字的分量。