GitHub Copilot 转向基于使用情况的计费模型

GitHub 宣布从 6 月 1 日开始对 Copilot AI 服务进行重大定价调整,从固定的每月计划转变为基于使用情况的计费,以更好地使成本与实际 AI 消耗保持一致。
GitHub 宣布对 GitHub Copilot 的定价策略进行重大转变,这是一项流行的人工智能驱动的代码完成服务,在全球开发者中获得了巨大的关注。从 6 月 1 日开始,这家微软旗下的公司将从当前的订阅模式过渡到基于使用情况的计费系统,旨在更准确地反映每个用户实际消耗的计算资源。这一战略支点与 GitHub Copilot 自商业发布以来的固定每月定价有很大不同。
这一变化背后的动机集中在更公平地调整成本与真实的使用模式。 GitHub 明确表示,新方法旨在“更好地使定价与实际使用情况保持一致”,同时确保 Copilot 在面对有限的 AI 计算资源需求迅速上升的情况下保持财务可持续性。随着人工智能服务不断激增并变得更加资源密集,该公司认识到其现有模型不再充分反映大规模运行如此高要求服务的运营现实。
目前,GitHub Copilot 订阅者在一个系统下运行,该系统涉及每月分配该公司所谓的“请求”和“高级请求”。每当用户与 Copilot 交互以请求代码建议、调试帮助或其他人工智能驱动的开发帮助时,就会耗尽这些分配。然而,这种广泛的分类方法掩盖了平台内执行的不同任务的实际计算需求的显着差异。
当检查单个“溢价请求”下的任务多样性时,当前结构的问题就变得显而易见。正如 GitHub 在其官方公告中所解释的那样,“如今,一个快速聊天问题和一个长达数小时的自主编码会话可能会花费用户相同的费用。”这种差异揭示了用户实际支付的费用与公司为提供这些服务而实际支付的后端基础设施成本之间存在根本性的不匹配。
为了更具体地说明这一问题,请考虑 Copilot 生态系统中的两种不同的用户场景。快速要求 Copilot 解释特定错误消息的开发人员会消耗最少的计算资源,并且可以通过相对较小的 AI 模型推理在几毫秒内得到答复。相反,另一位开发人员使用 Copilot 的自主代理在几个小时内生成、测试和完善多个复杂的代码实现,这对后端系统的需求呈指数级增长,需要持续的处理能力和多个 AI 模型评估。在之前的系统下,尽管实际资源消耗存在明显差异,但这两种场景的用户成本是相同的。
GitHub 承认,到目前为止,该公司已经通过其现有的订阅定价结构“吸收了该使用背后的大部分不断上升的推理成本”。这表明该公司实质上一直在补贴高级用户,同时可能对轻度用户收取过多费用。然而,该组织认识到,如果在整个用户群对人工智能计算资源的需求呈指数级增长的情况下继续采用这种方法,最终将使该业务模式变得站不住脚。
决定不再将所有“溢价请求”集中到一个定价类别中,这表明人们承认这种广泛的分类系统“不再可持续”。 GitHub 的声明强调了人工智能服务的爆炸性增长给全行业的云基础设施和计算资源带来了越来越大的压力。对有限 GPU 容量的竞争以及训练和服务大型语言模型的成本不断上升,迫使许多人工智能服务提供商重新考虑其定价机制。
人工智能服务向基于使用的定价的转变符合在多个人工智能平台和云服务提供商中观察到的更广泛的行业趋势。从 OpenAI 到各种企业人工智能供应商,公司越来越多地采用基于消费的模型,根据用户的实际资源利用率按比例收费。 GitHub 的举措将 Copilot 置于这一行业标准方法之内,同时试图通过与消费直接相关的透明定价来维持订阅者满意度。
这种新计费模式的实施将需要 GitHub 开发更精细的测量和跟踪系统来实时监控实际使用模式。该公司需要建立明确的定价等级,以反映不同类型的人工智能操作,从简单的代码完成到复杂的自主代理任务。此外,GitHub 必须向其现有用户群有效传达这些更改,以防止意外的账单冲击并在此过渡期间保持客户信任。
向基于使用量计费的转变也对不同的开发者群体产生影响。主要利用 Copilot 偶尔提供代码建议的轻度用户可能会看到他们的账单减少,而广泛使用自主功能和多小时编码会话的高级用户可能会遇到更高的成本。开发人员和组织需要仔细监控他们的 Copilot 使用模式,以了解此定价变化将如何影响他们的预算。
GitHub 的宣布代表着人工智能开发工具如何实现商业盈利和可持续发展的关键时刻。该公司认识到,大规模提供复杂人工智能功能的经济效益与传统软件服务模式有着根本的不同。通过实施基于消费的定价,GitHub 旨在为未来创新奠定更可持续的基础,同时确保 Copilot 能够继续获得必要的计算资源和改进。
这一转变也反映了人工智能行业面临的更广泛的挑战:在可访问性和用户采用与可靠提供这些服务所需的大量基础设施投资之间取得平衡。随着需求持续呈指数级增长,像 GitHub 这样的公司必须找到既对用户公平又在经济上可行的定价模型,以维持其人工智能平台的质量、安全性和创新。
来源: Ars Technica


