以盘古大模型为代表的AI项目，其成本结构主要包括算力投入、模型训练、行业定制开发和后期运维，盈利模式则主要依赖项目制收费、SaaS订阅和效果分成。盘古大模型在金融和交通领域的落地，清晰地展现了这些特点。
成本结构解析
人工智能项目的成本主要来自四个环节：
- 算力成本：包括自建数据中心或租赁云服务的费用，是持续投入的大头。
- 模型训练成本：大模型需要海量数据和长时间训练，对GPU等计算资源消耗巨大。
- 行业定制开发成本：将通用模型适配到具体行业（如金融、交通）需进行数据标注、模型微调和场景化开发。
- 运维成本：模型上线后的持续监控、迭代更新和技术支持。
以华为盘古大模型在电力行业的应用为例，其CV大模型用于电力设备的日常巡检和缺陷识别，这类场景对算力有明确投入要求，但具体数值官方尚未公布。
盈利模式对比
不同商业模式下的盈利方式和毛利率水平存在差异：
| 盈利模式 | 典型场景 | 特点 |
|---|---|---|
| 项目制收费 | 交通行业高速巡检系统 | 一次性交付，收入较高但非持续 |
| SaaS订阅 | 智慧文旅的智慧客服机器人 | 按年/月收费，现金流稳定 |
| 效果分成 | 辅助保险销售按转化付费 | 与客户收益挂钩，激励性强 |
盘古大模型在金融领域辅助保险销售和银行客户经理进行营销推介，以及在交通行业的高速巡检，分别对应了效果分成和项目制收费两种模式。整体来看，SaaS订阅模式的毛利率通常高于项目制，而效果分成模式则能实现与客户的长期共赢。