夜雨聆风
6月20日，德意志银行扔出一份研报，把AI行业一件皇帝的新衣扒了下来。
核心数据如下：
Claude Fable 5，单任务成本3.25美元，智能指数得分60。
DeepSeek V4-Pro，单任务成本0.05美元，智能指数得分44。
前者是后者的65倍。
但德银紧接着补了一句更狠的：对于90%的日常普通任务，两者表现几乎相当。
这意味着绝大多数企业正在为AI支付的溢价，不是性能溢价，是身份溢价。就像买奢侈品包包——logo的价值远大于皮革本身。
一、65倍的鸿沟，是怎么算出来的
Claude Fable 5的官方定价是：输入10美元/百万token，输出50美元/百万token。这是目前主流大厂里最贵的一档，没有之一。
DeepSeek V4-Pro的定价是：输入0.435美元/百万token，输出0.87美元/百万token。缓存命中时，输入低至0.0035美元——几乎等于不收钱。
简单按token单价算，输出端Claude是DeepSeek的57倍。如果算上缓存命中的场景，这个差距会拉大到上百倍。
德银用的是"单任务加权平均成本"，考虑了不同任务的token消耗结构，得出3.25美元 vs 5美分的结论，约65倍。
这个数字不是孤例。Beam AI在6月10日的一篇企业级测评里，算了一笔更具象的账：
一个典型的企业应付账款AI Agent，每天跑1000次，每次10万token上下文、5000token输出。
用Claude Fable 5：约37,000美元/月
用DeepSeek V4-Pro：约1,400美元/月
差26倍。
注意，这还只是一个Agent。如果企业同时跑十个、几十个呢？
Uber的例子更说明问题——四个月烧光了全年的Token预算，现在给每个员工设了每月1500美元的AI支出上限。
摩根大通更夸张：部分员工用大模型产生的词元成本，已经超过了其个人薪水。
当AI的使用成本从"隐性包月"变成"显性按量"，企业的成本意识会被瞬间激活。这不是猜测，是正在发生的事实。
二、90%的任务，是个什么概念
德银说"90%的普通任务表现相当"，这句话需要拆开来看。
不是说两者能力一样。前沿模型在最难的那10%任务上——复杂多步推理、陌生工具链的无人值守运行、跨领域的知识综合——优势是真实的、显著的。
SWE-bench Verified上，Claude Fable 5是95%，DeepSeek V4-Pro是80.6%，差14个百分点。这14个点，在某些场景下就是"能用"和"不能用"的距离。
GDPval-AA Elo（衡量企业综合工作流能力）上，Claude Fable 5是1932分，第二名Opus 4.8是1890分，GPT-5.5是1769分。中国模型没有参评，但按智能指数推算，差距在20%-30%。
但问题是：企业里有多少任务属于那10%？
客服问答、内容生成、数据提取、文档摘要、基础代码编写、常规数据分析……这些占据了企业AI使用量的绝大多数。
MMLU（通用知识测试）上，开源模型与闭源旗舰的差距已经从2023年的15-20个百分点，收窄到2026年的3-5个百分点。HumanEval（代码生成）上，差距也只有3-4个百分点。
对于这些任务，80分和95分的体验差距，远远小于65倍的价格差距。
这才是德银真正戳中的痛点：市场一直在用"前沿能力"给整个AI行业估值，但绝大多数实际付费场景，根本不需要前沿能力。
或者换个更扎心的说法，很多公司买的是F1赛车的票，实际只是开去超市买菜。
三、定价锚点的转移
这背后是一个更大的范式转换——AI行业的定价锚点，正在从"算力需求叙事"转向"运营成本叙事"。
过去两年，市场讲的是"算力不够"的故事。GPU越贵、训练成本越高，AI公司的估值反而越有支撑——因为这意味着壁垒。
当推理成本以每年90%的速度下降——相当于每12个月降价10倍——当中国团队用不到十分之一的成本拿出接近前沿的能力，"贵"不再是壁垒，反而成了包袱。
来看一组数据，2023年3月，GPT-4的输出价格是60美元/百万token。
2024年5月，GPT-4o降到15美元。
2026年，同等质量的推理成本已经降到0.4美元左右。
三年，降了150倍。
这个下降速度，比摩尔定律快7倍，比太阳能光伏快9倍，比锂电池快6倍。
德银的判断是：如果专有模型的真实成本效益被市场充分定价，AI相关股票面临的估值压力将是结构性的，而非短暂的。
这很容易让人想起2025年初的"DeepSeek时刻"——当时市场突然意识到，接近前沿的AI能力可以以远低于预期的成本构建，AI股遭遇剧烈冲击。
但那一次，市场很快用"需求增长"的叙事把估值拉了回来。
如果说上一次是"供给端的冲击"——有人能以更便宜的方式做出来；
那这一次就是"需求端的觉醒"——买方突然发现，自己根本不需要为那点边际性能支付几十倍的溢价。
前者是技术问题，后者是商业问题。
技术问题可以靠技术进步来回应，但商业问题——当客户开始认真算ROI的时候，整个行业的定价体系都要重写。
四、估值逻辑的崩塌与重建
估值范式的转换，已经在发生。
2023-2024年，市场给AI公司估值，看的是用户增长、模型参数量、训练算力——越烧钱越有想象力。PS估值给到40倍、50倍，没人觉得贵。
2025-2026年，风向变了。机构开始问：单位Token毛利是多少？资本回报率（ROIC）怎么样？自由现金流能不能转正？
2026年1月，微软发布财报后单日暴跌10%，市值蒸发3500亿美元，创2020年以来最大跌幅。原因是市场突然意识到：AI资本支出的规模，可能远超预期，而回报周期，可能远比想象的长。
高盛的数据更说明问题：超大规模企业股价与资本支出的相关性，从2024年的+80%，降到了2026年的+20%。
以前，你说要砸钱搞AI，股价涨。
现在，你说要砸钱搞AI，股价跌。
华尔街甚至出现了一个叫"HALO"的交易策略——Heavy Assets, Low Obsolescence（重资产、低淘汰率）。资金从高飞的AI软件股撤离，涌入电网基建、核能、重型机械等实体经济板块。
科技股的估值，正在从软件级（40-50倍PE），向工业/公用事业级（15-20倍PE）靠拢。
这就是成本鸿沟带来的第二层冲击：
如果AI能力的成本每年降10倍，那你今天砸下去的资本开支，三年后可能只值十分之一。
这种折旧速度，不是软件逻辑，是大宗商品逻辑。
五、前沿溢价不会消失，但会持续迁移
德银有一个观察很有意思：AI能力的成本每年降十倍，但前沿溢价不会消失，只会持续"迁移"。
今天的前沿模型，明天就是商品化能力；
明天又会有新的前沿模型，以新的高溢价出现。
所以"最好的"和"够用的"之间的价格鸿沟，结构上会长期存在。
但整条价格曲线上的每一个点，都在持续向零滑落。
这意味着什么？
意味着AI公司的定价权，不是一次性获得的，而是需要持续争夺的。你今天靠领先拿到的溢价，可能半年后就被抹平了。
这对估值逻辑的冲击是根本性的。
如果AI是一个SaaS生意，那高毛利、高留存、高复利，给30倍PS很合理。
但如果AI本质上是一个大宗商品生意呢？——能力持续商品化，价格持续下跌，赢家靠的是成本控制和规模效应，而不是技术壁垒。
那估值逻辑就完全不一样了。
现在的市场，显然还在按SaaS的逻辑给AI公司定价。
德银这份研报，相当于递了一张黄牌。
六、中国模型的位置
最后说说中国模型的位置。
很有意思的一点是，德银特别强调：廉价阵营不是"中国模型"的代名词。Meta、Nvidia、OpenAI自己的开放权重模型，同样在低成本区间。
这场竞争的本质分野，不是"美国 vs 中国"，而是"前沿专有 vs 开放权重"。
但客观来说，中国模型确实在成本竞争中处在最有利的位置。
DeepSeek V4 Pro的训练成本约550万美元，而GPT-4的估算训练成本约1亿美元，差18倍。
中国模型在全球API调用量中的占比，从2024年初的1.2%，飙升到2025年末的30%。
在美国企业市场，DeepSeek的使用份额从2026年4月的1%，跃升至5月的17%。
这不是简单的"低价竞争"。背后是中国团队在算法优化、工程效率上的真实进步。
Epoch AI的数据显示：美国与中国在前沿AI能力上的差距，平均约为七个月。而这一差距，与专有模型和开放权重模型之间的能力差距，几乎完全吻合。
对于中国企业来说，这既是成本优势，也是数据安全和主权优势。当数据不能出境、当国际形势存在不确定性时，"够用且便宜的国产选项"的价值，会被进一步放大。
但硬币的另一面是：如果全球AI的定价中枢被拉下来，中国模型公司的盈利能力，同样会受到压制。
便宜是优势，但一直便宜，未必是好事。
瑞银的判断相对中性：中美AI将形成差异化分工——美国守住高端高附加值场景，靠技术领先获取超额利润；中国依托性价比拿下海量标准化落地市场，复制电动车、智能手机的出海逻辑。
关键指标不再是算力投入，而是算力利用率、单位Token毛利、规模化落地的成本效率。
尾声
AI的价值从来不在于"用最好的模型"，而在于"用合适的模型解决合适的问题"。
这句话以前说，像是正确的废话。
现在再说，开始有了真金白银的重量。
因为当成本差是2倍的时候，你可以为了省心选贵的。
当成本差是10倍的时候，你需要掂量一下。
当成本差是65倍的时候——
你不掂量，你的老板会帮你掂量。
而这，可能才是AI行业真正走向成熟的开始。
从"追逐最酷的技术"，到"算清每一笔账"。
从"为未来付费"，到"为价值付费"。
泡沫会破，但真正的价值会留下。
就像所有技术革命走过的路一样。
（全文完）
