智能变便宜了，为什么 AI 账单反而上涨？

2025 年 7 月，Sam Altman 谈到智能的成本会低到难以衡量。但我在整个 2025 年可能只花了 800 到 1,000 美元使用 AI，到了 2026 年，一天就可能消耗价值 1,000 美元的 token。前沿模型的单 token 价格可能更高，产生的 token 也多得多，所以账单看起来像是在朝相反方向走。

Primagen 提出了这个看似矛盾的问题：Altman 也曾说 AI 每年会便宜十倍，但 Astra 却很贵。我的简短回答是，获得某一水平的能力确实变便宜了。问题在于，我们经常比较的是不同能力水平和不同工作量。

先看 token 价格。图表显示，GPT-5 medium 每百万输入 token 为 1.25 美元、每百万输出 token 为 10 美元；GPT-6 Astra 分别为 10 美元和 50 美元。最强的选项每个 token 可能贵几倍，但单看 token 价格，无法很好地衡量完成有用工作的成本。

我想区分三件事：单个 token 的价格、完成一项任务需要多少 token，以及解决它需要什么水平的能力。有用的问题是获得合格答案要花多少钱，而不是哪个模型的输出 token 最便宜。

也有非常便宜的模型。图上的 GLM-5.3-Flash 每百万输入 token 为 0.15 美元、每百万输出 token 为 0.50 美元；我还提到一些供应商提供折扣。按照我的体验，尽管它的 token 价格仅为 GPT-5 的一小部分，它在许多智能体任务中仍很有能力。

再看每项任务的 token 消耗。Gemini 3.8 Flash 的输出价格看起来不高，每百万 token 为 3.75 美元；但在展示的基准中，它消耗的 token 足够多，使得单项任务成本更接近价格较高的模型。Gemini 3.5 Flash 也是一个例子：token 单价低，并不保证任务成本同样低。

任务的形态也很重要。如果要对 80 万个输入 token 分类，输出又很短，输入价格可能决定大部分账单。对于智能体开发，缓存、可靠性和模型完成工作时的效率可能重要得多。没有一个模型对所有工作负载都是最便宜的。

Artificial Analysis 将基准表现与每项任务成本画在同一张图上，并标出帕累托前沿，即特定成本下能达到的最佳测评分数。在我讨论的例子里，从约 45～46 分、每项任务 0.82 美元提高到 50 多分、3.26 美元，需要为不大的分数提升多花几倍。这是基准对比，并不保证适用于每种应用。

我还想换个角度：把能力水平大致固定，再看成本随时间如何变化。跨代比较模型很困难，因为基准会饱和并被替换；现有的重叠测试不一定能反映模型之间的所有差别。

在我能找到的对比中，DeepSeek V4 Flash 与 GPT-5 Codex high 的综合智能指数相近，单项基准结果却有所不同。我展示的价格显示，DeepSeek 的输入 token 约便宜 21 倍，输出 token 约便宜 55 倍。相近的基准分数只是能力可比的近似指标，并不证明两个模型行为完全相同。

我没有找到可靠的数据来衡量两者的相对 token 效率。我估算约便宜 20 倍时，假设 DeepSeek 使用了三倍的推理 token；这是基于假设的示例，并非对每项完成任务成本的实测。按这个假设，降幅可能超过引出这场讨论的十倍。

Artificial Analysis 还追踪不同智能指数区间内的历史价格。画面中的历史图标注的是每百万 token 的混合推理价格，混合了缓存、输入和输出价格；不应将其理解为某个具体任务的实测费用。图中较早的能力区间出现了明显降价。

对于指数 10～20 的区间，图表从昂贵的 o1-preview 时代下降，到 2025 年 2 月 Grok 3 mini 的展示混合价格约为 0.16 美元，大约是早先约 15 美元的百分之一。我认为 o1 模型最初的高价格也是降幅如此显著的原因之一。

在更高的区间，我引用的数字也呈现类似趋势：约 20 分水平的模型便宜了许多，之后出现的模型也降低了达到 30 分和 40 分水平的价格。图表的成本轴使用对数刻度，因此相同的垂直距离代表的是倍数变化，而不是相同的美元差额。

在 40～50 分区间，我以 Opus 4.7、接着出现的 GPT-5.6 Terra、GLM-5.3 和 GLM-5.3-Flash 为例，展示相近指数水平的标示价格如何下降。新前沿刚出现时可能让人觉得昂贵，但旧有能力水平的价格仍可能大幅降低。

还有一个因素：我们的使用方式变了。以前我们让模型自动补全一个函数；现在可以给智能体一张 bug 截图，让它调查问题并完成修改。它运行得更久、消耗更多 token，也能在较少人工干预的情况下完成更大块的工作。

这有助于解释，为什么固定能力的价格下降，却仍可能伴随总账单上涨。我把它比作杰文斯悖论：当某种东西变便宜并能用于更多地方，人们可能会大量增加使用。这是我对趋势的解释，并不是证明每个客户账单成因的计算。

我预计前沿水平的能力也会变便宜。改变的不只是价格：在我的工作中，我更喜欢 GLM-5.3-Flash，而不是旧版 GPT-5，因为按照我的体验，它的视觉、工具调用和长时间运行的智能体工作流受益于过去一年的改进。这是针对实际工作流的偏好，不意味着它在不使用工具时知道得更多。

记住的知识更少的模型，如果善于搜索和使用工具，仍可能更好地解决知识任务。在我关心的工作流上，配合好工具的小模型可以胜过较旧的大模型。这些实际差别未必能由一个智能分数体现。

我以前也误判过进展。两年前，我看到一些基准成绩似乎趋于平缓，就认为 AI 可能已经到达顶峰。我们需要新的基准，而我低估了后来进步的速度和幅度。这段经历提醒我，对任何单一指标都要保持谦逊。

我的意思并不是说账单是假的。一天花掉 1,500 美元是真实的，也可能令人震惊。我的观点是，与去年相当的任务可能便宜了很多，而我们现在选择花钱完成更大、更难的工作；以前的模型无法以同样的方式完成这些任务。

AI 支出与我们要求模型完成的工作量，以及结果有多大用处有关。我预计能力会继续提高，获得某一水平能力的成本也会继续下降，即使我们的总支出看起来没有减少。真正值得比较的是，我们花钱换来了什么工作和质量。