文章摘要
当人工智能成本下降100倍时，进步不仅体现在顶尖模型的能力突破上，更在于低成本使大量重复性任务变得可行。选择模型时需权衡能力与成本，而成本下降将解锁海量应用场景。
文章总结
智能成本下降100倍意味着什么？
大型语言模型的进步通常体现在“天花板”的提升——即最先进模型能完成以前无法完成的任务。但另一个常被忽视的方向是“地板”的下降：以多低的成本可以获得特定水平的智能。许多实用任务不需要最聪明的模型，而是需要足够好的模型被大规模应用，例如阅读某一主题的所有科学论文、检查档案中的每份合同、或总结大型论坛的所有帖子。这类任务的关键不在于模型能否完成，而在于能否在预算内完成一万次。
选择模型时，需要在能力与每次调用的成本之间权衡。作者最近关注到“地板”成本的变化：他们测量DANDI档案库中数据集被后续论文重复使用的情况，需要阅读约一万篇候选论文。按当前价格，用春季时处于前沿水平的模型完成一次全量分析只需一百多美元；而今年三月，同等能力的成本要几千美元；一年前，这种能力甚至无法用任何价格获得。这种成本变化将分析从“抽样可行”变成了“全面可行”。
根据Artificial Analysis的数据，智能指数与每任务成本的关系揭示了帕累托前沿的移动：今年二月每任务成本1.22美元的智能水平，如今只需0.022美元，不到六个月下降了56倍，且下降速度在加快。按当前速度，特定能力水平成本下降100倍大约需要一年。问题不在于是否会发生，而在于它会改变什么。
前沿的移动
帕累托前沿持续向左上方移动：同等成本下获得更高智能，或同等智能花费更少。2025年下半年前沿缓慢推进，但2026年2月、4月、6月和8月的前沿几乎完全被新模型取代。天花板从2025年8月的智能指数35.3（GPT-5，每任务0.26美元）升至2026年8月的63.1（Claude Opus 5，每任务2.34美元），一年内上升28点。同时，廉价模型的智能也在提升：GPT-5.6 Luna系列现在几乎占据了指数52以下的所有区间，2025年8月的天花板水平如今每任务仅需0.0088美元。
成本记录的变化
每个能力层级都遵循相似的轨迹：首先由大型前沿模型以高价实现，随后更便宜的模型（蒸馏模型或开源模型）迅速将成本降低一个数量级或更多。例如，指数≥40的层级在2026年2月首次由Claude Sonnet 4.6以1.22美元/任务实现，如今GPT-5.6 Luna以0.022美元/任务持有记录，成本下降56倍。指数≥50的层级在五个月内成本下降35倍。指数≥60的顶级层级目前仍维持高价（最便宜的Grok 4.6为0.84美元/任务），但按规律，蒸馏模型应在几个季度内将价格压至十分之一以下。
两个方向的进步
天花板提升改变了“可能”的边界——去年无法完成的任务现在可以完成。地板下降改变了“可规模化”的成本——原本能完成但无法大规模应用的任务现在变得可行。作者进行的文献扫描就是地板问题：模型只需阅读论文并回答明确问题，但需要处理所有候选论文。每篇论文成本从1美元降到0.02美元，意味着从试点研究变为全面普查。法律发现、系统综述、大规模数据整理、内容审核、客户支持分类等任务都具有相同特征，它们每几个月就会因成本下降一个数量级而变得可行。
更便宜的智能意味着更多投入
直观上，智能成本下降应导致支出减少，但实际情况相反。这符合杰文斯悖论：更高效的蒸汽机减少了单位工作的煤炭消耗，却因工作变得便宜而催生更多用途，最终增加了总煤炭消耗。当智能单位成本下降30倍时，原本就在做的工作变得更便宜，但更大的效应是那些因成本过高而从未尝试的工作现在变得可行。作者的文献扫描项目就是例子：去年成本下可能只做一次抽样分析，今年则对整个语料库运行，并在流程变化时重复，甚至计划对每个阳性结果运行三次以降低噪声。每篇论文成本下降了一个数量级以上，但项目总支出反而增加了。只要需求对价格高度弹性，前沿下降就意味着更多token被消耗，而非更少支出。
100倍变化意味着什么
如果过去一年的速度持续，2026年初每任务1美元的能力到年底将降至1美分，而当前每任务几美元的顶级模型将在几个季度内降至十分之一以下。这将带来几个直接后果：
- 阅读一切成为默认：每份文档1美分时，模型可以例行阅读某个领域的所有论文、档案中的所有记录、所有邮件或所有支持消息。问题从“看哪些文档”变为“对所有文档问什么问题”。
- 多轮工作流成为常态：运行三次任务并取共识的成本低于几个月前运行一次的成本，且能大幅提高准确性。
- 能力层级不再有意义：系统会根据需要自动路由到不同智能水平的模型，稀缺资源不再是智能本身，而是判断该用智能做什么、用于验证的基准真相、以及大规模运行的系统。这些部分不会变得更便宜。
评论总结
根据评论内容，总结主要观点如下：
1. 成本下降趋势显著，但存在争议 - 多数评论认可AI推理成本正在快速下降，预计可达50-500倍（评论3、5）。作者bkd9指出，图表展示了达到固定能力水平的最便宜方式随时间变化（评论1）。 - 但评论17强调“质量与价格”的权衡：便宜模型可能无法胜任复杂任务（如代码维护），且速度慢会抵消成本优势。
2. 对“智能”本质的质疑 - 评论7认为LLM只是“高级搜索引擎”，降低的是数据获取成本而非智能成本，工程师的智能仍不可替代。 - 评论19直言“这不是智能”，用户仍需费力引导模型（如要求Claude减少冗长输出）。
3. 应用场景与瓶颈 - 机器人领域：评论2指出处理速度是主要瓶颈（如折叠衣物需10分钟/件）。 - 小模型优势：评论6、13指出，对许多任务小模型已足够，且更快更便宜；评论11提到中国开源模型性价比极高。 - 速度比成本更重要：评论14认为响应速度是更大瓶颈，即使“钱不是问题”的项目也受限于LLM速度。
4. 杰文斯悖论与需求弹性 - 评论9、15引用杰文斯悖论：效率提升可能导致总消耗增加（如拉斯维加斯LED灯反而增加照明量）。评论15认为软件和智能的需求可能无限，因此token消耗将持续增长。
5. 经济影响与风险 - 评论20警告：美国经济依赖高价显卡，成本下降100倍可能导致经济崩溃。 - 评论18指出，当前推理成本被严重补贴，真实成本尚不明确。
6. 对自主代理的乐观预期 - 评论8认为成本下降将极大推动自主代理部署，降低“让代理自由运行”的经济门槛。
关键引用（保留中英文）： - “There’s still 50-500x cost reduction... from specialized chips + improved distillation”（评论3） - “I think speed is actually going to be a bigger factor than cost”（评论14） - “Jevons Paradox... when efficiency gains lead to rise in total consumption”（评论9） - “this shit is not 'intelligence'”（评论19）