Экономика видео Sora AI: затраты OpenAI на вычисления составляют $65 при стоимости для пользователя в $20

Экономика Sora на единицу продукта
Согласно анализу приложения OpenAI Sora для генерации AI-видео, каждый подписчик за $20 в месяц, создающий 50 видео, обходится OpenAI примерно в $65 на вычисления. Чем больше пользователей взаимодействует с продуктом, тем быстрее он терял деньги.
Разбивка затрат
- Пиковые затраты на вычисления: $15 миллионов в день (оценка аналитика)
- Общая выручка за всё время: $2,1 миллиона на всех платформах за шесть месяцев
- Консервативная оценка: ~$1 миллион ежедневного чистого убытка после ограничений и оптимизации
- Коэффициент затрат: Генерация 10-секундного AI-видео стоит примерно в 160 раз дороже, чем эквивалентная генерация текста
Технические детали
Каждое 10-секундное видео обходится примерно в $1,30 на GPU-вычисления, требуя около 40 минут общего времени GPU на 4 параллельно работающих H100. При пиковой нагрузке, когда 25% из 4,5 миллионов совокупных пользователей Sora публиковали по 10 видео ежедневно, это приводило к 11,3 миллионам видео в день по $1,30 каждое.
Структурная проблема затрат проистекает из вычислительных требований видео: 10-секундное видео в 720p требует обработки примерно 80 000 небольших патчей пикселей в пространстве и времени по сравнению с несколькими сотнями токенов для типичных запросов ChatGPT. Потребность в вычислениях растёт пропорционально квадрату количества патчей — удвоение разрешения увеличивает стоимость вчетверо.
Контекст рынка
Согласно анализу, ни одна компания в сфере AI-видео не доказала свою чистую прибыльность. Runway сообщила о EBITDA -$155 млн, Pika имела выручку $7,6 млн при привлечённых $80 млн, и хотя Kling сообщила о годовом доходе $240 млн, они не публиковали данные о прибыли. Sora показала 1% удержания на 30-й день против 32% у TikTok, причём пользователи обычно создавали видео, просматривали их один раз и не возвращались.
📖 Read the full source: HN LLM Tools
👀 Смотрите также

Мультиагентные системы: Инженерные рабочие процессы против возникающего интеллекта
Анализ разработчика утверждает, что современные мультиагентные системы, такие как LangGraph и рабочие процессы AutoGen, функционируют скорее как микросервисы с оболочками LLM, обеспечивая декомпозицию задач, параллелизацию и модульность, а не истинный эмерджентный интеллект.
Transformer Language Model работает локально на стандартной Game Boy Color
Модель TinyStories-260K Андрея Карпати работает на стандартном Game Boy Color через пользовательскую прошивку, используя INT8 с фиксированной запятой и переключаемую банками память картриджа для весов и KV-кэша.

Квантование llama.cpp Q8_0 получает ускорение в 3.1 раза на видеокартах Intel Arc благодаря исправлению переупорядочивания в SYCL.
Исправление для SYCL-бэкенда llama.cpp повышает производительность Q8_0-квантования на видеокартах Intel Arc с 21% до 66% от теоретической пропускной способности памяти, достигая 15,24 токенов/сек против 4,88 токенов/сек ранее на Arc Pro B70 с моделью Qwen3.5-27B.

Claude Code v2.1.121: MCP alwaysLoad, очистка плагинов, исправления прокрутки терминала и исправления утечек памяти
Claude Code v2.1.121 добавляет alwaysLoad для MCP-серверов, команду plugin prune, фильтр по вводу для /skills, замену вывода PostToolUse, исправления прокрутки терминала и URL, а также несколько исправлений утечек памяти, включая рост RSS на несколько ГБ при большом количестве изображений.