Anthropic 上 Microsoft Maia 200 完整解析：multi-cloud AI 算力戰爭如何讓中小企業 H2 採購成本降一半

過去 12 個月，主流 LLM 的每百萬 token 平均單價從約 10 美元掉到 2.5 美元，跌幅約 75%。Anthropic 的 Claude Opus 從 4.1 版的每百萬輸入 token 15 美元，到 4.6 版降到 5 美元，一個世代砍掉 67%。IntuitionLabs 整理的 2025 LLM API 對照 跟多份 2026 年中追蹤都指向同一個結論：AI 推理（inference）的單位成本，正在以每年腰斬的速度往下走。

這個跌價的成因是底層算力市場結構正在劇變，而非 OpenAI 或 Anthropic 自願降價的善舉。Anthropic 自己現在同時跑在 AWS Trainium 2、Google TPU v6、SpaceX Colossus，再加上 5 月跟 Microsoft 談的 Azure Maia 200——一家 AI 公司同時把推理工作切到 4 種不同的自研晶片上，這在兩年前完全無法想像。

對中小企業老闆而言，這場 multi-cloud 算力戰爭的真正意義不在於追新聞，而在於：H2（下半年）你採購的每一張 AI 訂單、每一份客製化 AI 系統合約，背後的「token 成本基準」很可能比你今年初規劃預算時又低了 30-50%。原本月燒 5,000 美元才養得起的 AI 客服，可能 2,500 美元就能跑。但同時，廠商選擇變更複雜，便宜路線藏在合約細節裡——這篇用辯論的方式拆給你看：multi-cloud 到底是中小企業的紅利還是陷阱，配 6 個合約談判技巧、3 種採購結構與一張決策樹。

先把事件講清楚：Anthropic 在 12 個月內接了 4 種算力

「Anthropic 跟 Microsoft 談 Maia 200」這則消息單獨看是商業合作新聞，但把它放在過去 12 個月的時間軸上，會看到一條清楚的策略軌跡。把這條軌跡看懂，後面的中小企業採購決策才會有座標。

這條軌跡背後的關鍵字是「multi-vendor silicon diversification」——同時使用多家供應商的自研晶片，避免單一鎖定。CNBC 5 月關於 Maia 200 談判的報導提到，Anthropic 是目前唯一一家在三種自研晶片計畫 + Nvidia GPU 上同時以 GW 等級運作的前沿 AI 實驗室，加上 Maia 後將成為四種。這代表他們的工程團隊有能力把同一個 Claude 模型，切成不同版本在不同晶片上跑，再用智慧路由派發請求。

更廣的市場脈絡是：Microsoft 的 Maia 200 採用台積電 3 奈米製程，CEO Satya Nadella 宣稱比上一代 token per dollar 提升 30% 以上；Google TPU v6 Trillium 在 2026 持續擴產；AWS Trainium 2 推理成本據報比 H100 GPU 便宜 30-40%。三家雲端巨頭加 Nvidia，外加 SpaceX、Cerebras、Groq 等新進者，第一次出現「沒有人能說自己穩穩握有 AI 算力定價權」的局面。Anthropic 把自己變成第一個願意當「白老鼠」幫每家自研晶片背書的客戶，換回來的是議價空間與成本下降。

這跟之前我們寫過的 Anthropic + SpaceX Colossus：對中小企業 AI 採購意味著什麼 與 Anthropic 965B 估值 + Opus 4.8：6 個月 AI 採購預算重整指南 是同一個事件序列的不同切片：投資端的天文數字、算力端的多元化、價格端的崩跌，三件事是綁在一起的。

正方論點：multi-cloud 競爭是中小企業 H2 採購的歷史紅利

把鏡頭從新聞稿拉回老闆的對帳單。multi-cloud 算力戰爭對中小企業到底是不是好事？先聽正方論點，這是這篇要捍衛的主要立場。

論點一：API 單價會繼續往下走，原本「養不起」的 AI 變成「養得起」

過去 12 個月主流模型 API 價格的跌幅已經寫在表格裡——GPT-5 nano 來到每百萬 token 0.05 / 0.40 美元，Claude Opus 從 15 美元砍到 5 美元。LangCopilot 整理的價格趨勢 把這個現象稱為「AI Price Collapse（AI 價格崩跌）」，並指出三個推力：摩爾定律式的硬體進步、Anthropic / OpenAI / Google 三方競爭、以及開源模型（Llama、Qwen、DeepSeek）拉低基準價的拉鋸效應。Maia 200、Trainium 2、TPU v6 同時擴產，等於在供給端再加一層通縮壓力。

論點二：你不用換廠商，便宜會自動傳遞下來

這點很多老闆會誤會：以為要主動把 Claude 換成 GPT 換成 Gemini 才能省錢。實情是，Anthropic 把 Claude 推理切到 4 種便宜晶片上之後，他們對 API 的成本下降會以「降價 + 推新模型」的方式自動傳遞給所有客戶——你不用做任何技術切換，續約那一刻就拿到。從 Opus 4.1 到 4.6 的 67% 降價就是最近一次案例。

論點三：H2 是合約重簽的好時機，談判籌碼大幅變多

過去廠商面對中小企業客戶常說「我們價格已經是市場最低了」，2026 下半年這句話的可信度直接歸零。每一個直接賣你 LLM API 的供應商、每一個用 LLM 包裝 SaaS 賣你的廠商，背後都正在享受底層算力降價的紅利。你拿著公開資料就能反問：「如果 Claude 兩個版本砍 67%、Gemini 3.5 Flash 又再砍一半，我為什麼要繼續付去年 Q4 的價格？」這是真實可用的議價籌碼，下個段落會展開成 6 個具體談判技巧。

反方論點：multi-cloud 同時也增加了採購複雜度與選擇成本

正方論點看起來很美，但要對讀者公平，反方的擔憂也要攤開。否則這篇就變成另一份新聞稿，而不是給老闆的判斷工具。

反論一：供應商太多反而讓決策癱瘓

以前選 AI 服務只要在 OpenAI / Anthropic / Google 三家裡挑一家，現在每家又長出 Azure OpenAI、Bedrock、Vertex AI、自架 LLM、台廠代理等多條路徑。McKinsey 對企業 AI 採用的長期追蹤指出，企業在生成式 AI 上「採購選項過多」已經成為導入的前三大瓶頸之一。對中小企業老闆來說，選項從 3 個變成 30 個，反而可能延遲決策半年——這半年的機會成本，往往比那 30% 降價更重要。

反論二：客製化開發團隊未必跟得上底層降價的速度

如果你是直接用 Claude.ai、ChatGPT Enterprise 這類 SaaS，降價會自動下放。但如果你委託台灣本地的客製化 AI 開發團隊做一套 AI 客服或 AI 文件分析系統，對方很可能用的是 12 個月前的模型、用 12 個月前的單價估算包價、合約裡沒寫「底層 API 降價時要回饋」。結果是底層降了 70%，你的月費分文未動。這是非常具體的陷阱，後面合約技巧那段會講怎麼防。

反論三：multi-cloud 也意味著「某個雲突然漲價或斷供」的風險變高

Anthropic 自己同時跑 4 種晶片是有意義的——他們在做風險分散。但你作為一個只用一家 SaaS 的小企業，反而對「這家 SaaS 背後跑哪個雲」沒有議價權。如果你的 AI 客服廠商把後端從 AWS 切到 Azure 中途出包，你完全沒辦法。multi-cloud 是供應商的紅利，對最末端的小客戶來說，反而是看不見的脆弱性。

反方論點要傳達的是：紅利不會自己掉進你的帳戶，要主動去領；並非要說「不要採購 AI」。下兩段就是怎麼領的具體做法。

把數字攤開：4 種算力路徑與 3 種採購結構的真實成本對照

辯論之後該看數據。下面這張表把 2026 上半年公開的 4 種算力路徑的相對成本指標彙整出來，所有數字都標來源、所有區間都註明假設。中小企業老闆不用記細節，重點是看「跨平台價差能拉到幾倍」這件事。

這張表的真正重點是讓你看到「同一個 Claude 跑在不同晶片上、成本差距可能達 40%」這件事，而非背數字。這 40% 不會自動跑到你的帳戶——它會留在 Anthropic 與雲端商手裡，除非你主動殺價或選對採購路徑。下一張表是給老闆看的「3 種採購結構」：

結構 A 最簡單但省錢空間有限；結構 B 最省錢但需要技術人力；結構 C 對多數中小企業最實際，但完全取決於合約怎麼寫——這也是下一段 6 個合約談判技巧要解決的問題。如果你想更系統化地理解「外包 AI 報價怎麼拆」，AI 系統外包報價的 6 種定價模式：預算、合約、議價框架 把每一種報價結構的合理區間都列出來了。

H2 合約談判 6 個具體技巧：把底層降價變成你的紅利

無論你是要重簽現有合約、還是要簽一份新的 AI 客製化開發案，下面 6 個條款是 2026 H2 的最低標準——少了任何一個，你都在替廠商吸收他們上游降價的紅利。

技巧 1：把合約期從 12 個月縮短到 3-6 個月，或加上「半年單價重議」條款

過去 SaaS 業界主流是「綁年約換折扣」，但在 token 單價每年腰斬的市場裡，年約等於替廠商鎖住你下半年該享有的降價。改成季約或半年約，或在年約裡加一行「每 6 個月雙方依市場公開單價重新議定」，是最低必要動作。廠商若拒絕，你至少知道對方準備吃這個價差。

技巧 2：寫入「Anthropic / OpenAI / Google 官方 API 降價時 30 天內回饋」條款

這條尤其針對採購結構 C（客製化 AI 開發）。具體寫法可參考：「乙方（廠商）所使用之底層大型語言模型，若其官方公開定價於合約期間下調，乙方應於官方降價生效日起 30 個工作日內，等比例調整本合約之模型使用費。」這條寫進去，廠商再用「我們用的是去年的價」搪塞就站不住腳了。

技巧 3：要求廠商揭露「底層模型名稱、版本、API 路由方式」

有些廠商會用 GPT-3.5 等舊模型包裝成「我們的 AI 引擎」收 GPT-4 的價。要求他們在合約附件中明確列出每一個 AI 功能用的是哪個模型、哪個版本、走的是哪家雲。目的是讓你有依據比對市場價，而非為了挑剔。Anthropic 把 Claude 同時跑在 4 種晶片，意味著「Claude API」實際背後可能是 Trainium、TPU、Maia 或 H100 的任何一種——你有權知道。

技巧 4：把 token 用量上限與 overage 計價寫在合約上、別讓廠商「無上限照流量收」

便宜的單價如果搭配不透明的用量，最後帳單照樣失控。合約上應該明確寫：每月包含多少萬 token、超過怎麼算（建議用「以該模型官方公開單價 × 1.1」這種公式而非廠商自定費率）、月底要不要結算未用配額。Investing.com 對 token pricing 經濟學的分析提到，許多 AI SaaS 的真實毛利就藏在「定價單位混淆」這層。寫死公式是最直接的解法。

技巧 5：加入「multi-cloud 容錯」條款

如果你的業務不容中斷（例如 AI 客服、AI 醫療輔助），合約裡寫明：當廠商使用的某一家雲端 / 模型供應商發生 4 小時以上斷線時，廠商有義務在 24 小時內切換到備援供應商。Anthropic 自己做 multi-cloud 是為了風險分散，你的廠商也該複製這層保護給你，不能他享受彈性、你承擔風險。

技巧 6：保留 90 天解約權 + 資料 / Prompt / 設定可攜性條款

AI 廠商換得比傳統軟體還快。合約裡寫明：任一方可提前 90 天通知解約、解約時廠商需在 30 天內以可移植格式（JSON / Markdown / CSV）交付所有 prompt 設計、知識庫、調校設定、對話紀錄。沒有這條，你會被綁在第一個簽的廠商上 3 年以上，完全失去享受市場降價的彈性。

「我到底該走哪一條」決策樹：從你的現況 5 個問題判斷

講了正反論點、4 種算力、3 種結構、6 個條款，老闆最後想知道的還是一句：「那我這家公司現在到底該怎麼動？」用下面這張決策樹跑一次，5 個問題裡你的答案會把你導到一條明確的路徑。

這張樹的核心邏輯只有兩件事：你現在「綁不綁得住」（合約狀態）、你「用多少」（月預算）。其他都是這兩件事的延伸。樹底下的所有路徑都會回到同一個動作——「合約照本文 6 技巧重簽」。如果你卡在判斷「廠商報的價合不合理」這層，怎麼找外包 AI 開發、怎麼比價、怎麼問報價：完整框架 跟 AI 系統開發費用拆解：怎麼讀懂報價單 是這篇的姐妹篇，看完合在一起用最有效。

3 個常見中小企業場景：直接告訴你下半年該動哪一塊

最後把上面這套東西落到 3 個最常見的中小企業情境，用業界經驗顯示的數字回答「H2 該怎麼動」這個問題。對號入座最快。

場景 1：30 人服務業，已用 Claude Team 訂閱（月 600 美元）

動作：盤點實際用量，多數團隊的 Claude Team 使用率不到 60%，可以裁掉冷座、把預算挪到 Anthropic API + 內部接 Slack。下半年同等產出可控在月 350 美元以內。如果你的客服或內容團隊月 token 量推估超過 3,000 萬，可直接走 API + Bedrock 路線，享 Trainium 推理折扣。

場景 2：80 人製造業，去年簽了 12 個月的 AI 客服 SaaS（月 2,500 美元）

動作：合約期通常到期前 60-90 天要書面提解約意願，先查清楚這個期限。同時要求廠商揭露使用的底層模型，用 Claude Opus 4.1 → 4.6 砍 67%、Gemini 3.5 Flash 又再砍一半的公開資料殺價。多數廠商會願意降到月 1,800 - 2,000 美元保住客戶，提前殺一次價就把 H2 紅利落袋。

場景 3：150 人零售業，正準備發包客製化 AI 文件分析系統（預估 80-150 萬台幣）

動作：合約一定要寫進本文 6 條款（特別是技巧 2「降價回饋」與技巧 6「可攜性」）。報價落差大時，把報價單裡的「模型使用費」與「人工開發費」分開列——前者該隨市場走、後者一次性。找外包 AI 開發、怎麼比價的完整框架 的拆價方法直接套上去。同時要求廠商支援雙模型（例如 Claude + Gemini）作為 multi-cloud 容錯。

有沒有照這套動，下半年的 AI 帳單差在哪

結尾用一張「沒動 vs 照做」的對照表，讓你直接看到 H2 採購紅利大概能落袋多少。數字以業界諮詢中觀察到的中位數估算，個別情況可能更好或更差，但結構性的差距會明顯存在。

這張表的數字是樂觀估計，但「結構性的省價空間存在」這件事是市場結構決定的，並非樂觀想像。Anthropic 同時跑 4 種晶片、AWS Trainium 推理便宜 30-40%、Gemini 3.5 Flash 又再砍一半——這些公開數字加總起來，等於下半年 AI 採購方第一次真正握有議價籌碼。問題只剩老闆有沒有把這份籌碼從廠商手裡拿回來。

常見問題

把這場算力戰爭，變成你下半年的採購紅利

看到這裡，這場「Anthropic 同時用 4 種晶片」的故事，已經被翻譯成你能直接動手的東西：4 種算力路徑的成本對照、3 種採購結構的省價空間、6 個合約必要條款、5 問題決策樹、3 種場景的具體動作。這些工具就算不找我們，你也帶得走、用得上——這就是恆遠寫部落格的本意。

如果你正在規劃 H2 的 AI 預算、或手上有合約準備到期、或正要發包一套客製化 AI 系統，可以把現況直接丟過來。先聊聊看你是哪一種情境、現在卡在哪、合約能不能搶在這波降價前重簽。這個階段我們陪你想，後面真的要動手再談範圍跟費用。歡迎了解 恆遠的客製化系統開發服務、AI 系統開發，或直接 把你的合約跟用量情況告訴我們。