AI价格雪崩:比PC时代快5倍,当“智能”趋近免费,真正的巨变才刚开始一张看似普通的价格曲线，可能正在揭示人工智能行业最重要的变化。图中，蓝线代表20世纪80年代个人电脑的价格指数，深红线代表大语言模型的价格指数，金线则代表经过质量调整后的“价格—智能比”。三条曲线都从100出发。个人电脑用了大约200个月，才从昂贵的少数人玩具，逐渐变成普通家庭可以买得起的工具。大语言模型完成类似幅度的价格下降，只用了约40个月。速度快了五倍以上。更值得注意的是那条金线：如果把模型能力提升也计算进去，AI的实际价格下降得更快。这意味着，我们面对的不只是“大模型降价”，而是一场前所未有的“智能通缩”。一、AI不是简单地变便宜，而是边降价、边变强过去的技术产品，通常遵循一条比较容易理解的规律：旧产品降价，新产品涨价。三年前的旗舰手机会降价，但最新款依然很贵；老款显卡会便宜，但性能最强的显卡仍然维持高价。大模型却出现了一种更激进的情况。模型价格不断下降，新模型的能力却在持续提高。同样一笔钱，过去只能生成几篇普通文案，现在可以处理长文档、分析数据、编写代码、识别图片，甚至调用工具完成一整套工作流程。NBER的一项研究发现，2023年中期，达到GPT-4级别能力的模型，每百万输入Token价格约为30美元；到2025年末，达到相近智能水平的最低价格已降至约0.03美元，短短两年下降约1000倍。NBER相关研究另一项来自a16z的统计也得出了相似方向的结论：在保持模型能力大致相当的情况下，LLM推理成本一度呈现每年下降约10倍的趋势。2021年，达到特定能力门槛的模型每百万Token需要约60美元；三年后，类似能力只需约0.06美元。a16z研究所以，真正下降的不是某一个模型的促销价，而是获得一单位“机器智能”所需要支付的成本。这就像一家公司原来要花一万元购买一次分析服务，现在只需要几元；更关键的是，今天这几元钱买到的分析能力，可能还比当初更好。二、为什么AI降价比PC时代快得多？个人电脑的普及，离不开芯片性能提升、制造成本下降和规模化生产。但PC终究是一件实物产品。每生产一台电脑，都需要芯片、内存、屏幕、主板、工厂、仓储和物流。即使技术不断进步，物理成本也不可能消失。AI则不一样。一个模型训练完成后，新增一次调用的边际成本主要来自算力、电力和服务器资源。它不需要重新制造一个实体产品，也不需要送货上门，可以在全球范围内被即时复制和调用。与此同时，模型行业的降价不是由单一因素推动的，而是多种力量同时发生：芯片性能在提高，量化技术让模型可以用更低精度运行；推理框架通过缓存、批处理和并行计算提高服务器利用率；模型架构越来越高效，同样的任务不再需要堆叠同样多的参数；小模型在特定场景中的表现，也开始接近过去的大模型。更猛烈的一股力量，则是竞争。闭源模型之间在打价格战，开源模型又把大量能力直接推向市场。一个开放权重模型发布后，多家云厂商都可以部署，服务商之间只能继续压低价格。NBER的研究显示，在控制智能水平后，开放模型的价格平均比闭源模型低约90%。硬件进步、算法优化、开源竞争和商业补贴同时出现，最终把AI价格推入了一条陡峭的下降通道。PC时代是一场持续15年的产业革命，AI则试图把同样的过程压缩进三四年。三、“智能趋近免费”会解锁什么？很多企业过去不是不知道AI有用，而是算不过账。让AI分析少量客服对话没有问题，但如果要分析每天几十万通电话，Token消耗就会迅速放大；让AI辅助一名程序员写代码可以接受，但让它持续扫描整个代码仓库、检查每一次提交，成本可能就很高。当推理价格下降一百倍、甚至一千倍之后，经济账便完全不同了。企业不再只让AI抽查1%的客服记录，而是可以检查100%；不再只处理最重要的十份合同，而是可以阅读所有合同；不再只给少数高管配备AI助手，而是让每一位员工、每一个工作流，甚至每一件商品都拥有自己的智能服务。过去，AI通常以一个独立聊天框出现。未来，它更可能藏在软件背后：邮件发出前自动检查风险，会议结束后自动生成任务，代码提交后自动测试，订单异常时自动调查，客户准备流失前自动触发挽回策略。当智能足够便宜，人们甚至不会再意识到自己正在使用AI。就像今天很少有人计算搜索一次网页用了多少服务器、发送一条消息消耗了多少流量一样，AI调用也可能变成软件中一个默认存在的基础能力。四、模型越来越便宜，企业花在AI上的钱却未必更少这里存在一个容易被忽视的悖论。AI单价持续下降，并不意味着企业的AI账单一定下降。流量变便宜以后，人们没有因此少上网，反而开始看高清视频、直播和短视频；存储变便宜以后，企业也没有减少数据，而是保存了更多日志、图片和备份。AI也会经历同样的过程。原来一个问题只调用一次模型，智能体为了规划、执行、检查和修正，可能调用十几次甚至几十次。原来一份报告只生成一个版本，未来系统可能同时生成五个版本，再让另一个模型比较、核验和改写。单次调用趋近于零，调用次数却可能增长一百倍。NBER的研究还发现，企业实际支付的平均Token价格并没有同步大幅下降。原因很简单：企业没有把降价全部用于省钱，而是不断升级到更强的模型。所以，“AI成本趋近于零”更准确的理解是：完成同一项任务所需的智能成本正在趋近于零，但整个社会对智能的总需求可能急剧上升。五、真正危险的，是只靠“调用模型”赚钱的公司当底层模型昂贵时，能够接入模型、包装一个界面，本身就是能力。但当不同模型能力逐渐接近、调用价格快速下降时，单纯依靠“模型套壳”建立的优势会越来越脆弱。今天卖几千元的AI功能，明天可能被办公软件免费赠送；今天需要专业产品完成的任务，下一代基础模型可能直接内置。这意味着，AI时代的护城河正在转移。真正值钱的不再是“我能不能调用大模型”，而是有没有独特数据、有没有嵌入客户的核心工作流、能不能稳定交付结果、是否获得用户信任，以及能不能承担错误产生的责任。模型能力会越来越像云计算和网络带宽：人人都可以买，价格不断下降。但知道该让AI做什么、如何把它接入业务、如何判断结果是否可靠，仍然十分稀缺。六、企业现在最不该做的，是继续等待不少企业仍在等待一个所谓的“最佳时点”：等模型再强一点，等价格再低一点，等行业方案再成熟一点。问题是，在一条快速下坠的成本曲线面前，等待本身也有成本。企业当然不必一上来就建设庞大的AI平台，但应该尽早完成三件事：找到高频、重复、结果可衡量的任务；建立可以随时更换模型的技术架构；积累自己的业务数据、评估标准和使用经验。因为模型降价是所有人都能享受到的红利，真正拉开差距的，是谁更早学会把廉价智能组织起来。未来几年，我们或许会看到一个有些反常的局面：大模型越来越便宜，AI公司的竞争却越来越残酷；AI工具越来越容易获得，企业之间的效率差距反而越来越大。当电脑价格下降时，最先受益的是买得起电脑的人。当互联网价格下降时，最先受益的是懂得利用网络的人。而当智能价格趋近于零时，最大的赢家不会是拥有最多AI概念的人，而是那些最快把AI嵌入产品、流程和组织的人。真正值得关注的，从来不是Token还能降到多便宜。而是有一天，当智能像电力和网络一样随取随用，我们今天习以为常的公司、岗位和商业模式，还能剩下多少。
夜雨聆风
