一句话定义：固定成本（Fixed Cost）是不随业务量变化、只要开张就得付的钱；可变成本（Variable Cost）是随着用量一比一往上加的钱。在 AI 行业，训练和买卡属于前者，推理按 token 计费属于后者。
先打个比方。开一家健身房：房租、器械、装修是固定成本，不管今天来 10 个人还是 500 个人，这笔钱都一样；而毛巾、私教课时、淋浴热水是可变的，人越多消耗越多。AI 系统几乎一模一样：GPU 集群的采购或长约租用、一次大模型训练的算力与人力、数据采集与标注，这些都是“房租和器械”；而每一次用户提问所消耗的推理算力、按量计费的带宽与存储，就是“毛巾和热水”。
为什么在 AI 里这个区分格外要命。因为固定成本在 AI 里是阶跃式的：容量不是想要多少就有多少，而是买一个集群、签一份长约，跳一档。容量不够，请求就排队、超时；买多了，卡就躺在机房里折旧。可变成本则是线性的：流量掉一半，账单就掉一半，中间没有台阶。这两条曲线形状不同，决定了三套完全不同的逻辑：
| 维度 | 固定成本 | 可变成本 |
|---|---|---|
| 典型项 | 买卡或长租、一次性训练、数据与标注 | 推理 token、按量云资源、带宽存储 |
| 随用量变化 | 不随，呈阶跃式 | 近似一比一线性 |
| 扩缩容 | 需提前规划，容量刚性 | 弹性，随时增减 |
| 定价方式 | 摊薄到调用量，多用订阅或席位 | 按用量计价，天然匹配 |
| 止损 | 决策在投入之前，事后多为沉没成本 | 随时可关，风险可控 |
和几个相邻概念的区别。固定成本不等于沉没成本（Sunk Cost）：二手卡可以转卖、长约可以转租，但一次训练花掉的算力通常收不回来，这部分才真正沉没。固定成本除以总调用量就是平均成本（Average Cost），而推理的可变成本近似等于边际成本（Marginal Cost）。也正因为固定成本要被摊薄，规模越大单位成本越低——这就是“规模经济”（Economies of Scale），也是 AI 生意必须做大的经济学根源。
对从业者的实际意义。自研训练的人要先算一笔账：这笔固定投入要靠后续多少推理调用才能摊回来？用量起不来，就是越训越亏。做应用层的人用 API，是纯可变成本，单位经济性（Unit Economics）很好算——售价减掉 token 成本就是毛利；但量涨到一定程度，按量付费总额会超过自建一套集群的成本，这时把可变成本换成固定成本更划算，代价是从此为闲置容量买单。这个拐点取决于利用率，而非单纯的规模大小。同样，包年和长约本质上是把可变成本锁成固定成本，赌的是用量的下限。
所以看一份 AI 项目的预算，先问一句：这行支出是跟着人头和调用量走，还是签完字就固定了？答案不同，定价方式、扩缩容节奏和止损点就完全不同。具体报价与计费细则，以各家官方页面为准。