AI为什么这么贵？以及为什么迟早会降价
四个月烧掉一整年的 AI 预算
Uber 今年做了一件让所有人倒吸一口凉气的事——他们在第一季度就用完了全年规划的 AI 预算。不是超支 20%，不是超支 50%，是整整 12 个月的预算在 4 个月里烧得干干净净。
这家全球最大的出行公司不是个例。微软正在收紧内部 AI 工具的使用额度，Salesforce 要求每个团队重新评估 AI 支出，GitHub 的 Copilot 用量虽然激增，但内部已经在讨论如何降低每位开发者的 AI 开销。整个硅谷都在做同一件事：捂住钱包，重新算账。
而作为普通开发者，我最直观的感受来自一个下午。我花了 54 美元，让 GPT-5.5 帮我修了一堆 TypeScript 的类型错误——50 个文件，一个下午，54 美元。调了几个接口，改了几个类型定义，账单就抵得上一顿不错的晚餐。现在的定价是每百万输入 token 5 美元，每百万输出 token 30 美元。写代码尚且如此，如果拿它做更大规模的推理——文档处理、客服系统、数据分析——那账单简直不敢想。
AI 到底值不值这个价？从消费者的角度看，答案很明确：现在不值，而且很快就会不值。
能力天花板正在逼近
大模型的价格之所以高，核心原因是供应商在回收巨额的训练成本。每一代新模型都号称更强，但一个尴尬的事实正在浮出水面：进步的幅度越来越小了。
GPT-4 到 GPT-5 的提升是肉眼可见的，但从 GPT-5 到 GPT-5.5，用户感受到的差异主要体现在的不是”能做什么新事情”，而是”做得稍微好了一点”。推理能力、代码生成、长文本理解——这些核心指标的提升幅度在逐代递减。当模型之间的能力差异缩小到普通人难以察觉的程度时，“你必须买最贵的那个”的说法就站不住脚了。
消费者的心理有一个临界点：当最贵的模型比次贵的模型强 10% 但贵 10 倍时，大多数人会选择次贵的。而当差距缩小到 3% 时，贵的那个会彻底失去市场。这个临界点，正在到来。
开源模型正在改写成本结构
如果说能力天花板是从上往下压，那么开源模型就是从下往上顶。
GLM-5.2 就是一个寒光闪闪的例子。在多个编码基准测试中，它的表现同时超过了 GPT-5.5 和 Opus，而它的推理成本只有后者的十分之一。这不是实验室里的理论数据——任何人都可以下载权重，在自己的机器上跑。
开源模型的生态在过去两年发生了质变。早期的开源模型像是”穷人的替代品”——能用，但差点意思。现在的局面完全不同：顶级开源模型在某些特定领域已经能跟闭源商用模型掰手腕，甚至反超。代码生成是其中最明显的战场，数学推理、逻辑分析也在快速追赶。
对企业来说，这意味着一个简单的算术题：同样是完成 1000 个代码审查任务，用闭源 API 可能要花 100 美元，用自部署的开源模型只要 10 美元。当能力差距缩小到可忽略的程度时，没有任何 CFO 会容忍 90% 的成本冗余。
芯片变便宜，算力变快
模型本身的成本在降，跑模型的硬件也在变便宜。
英伟达 H100 是过去两年最稀缺的硬件，单卡价格一度被炒到 4 万美元以上。但专用 AI 芯片的爆发正在改写这个局面：Google 的 TPU、Cerebras 的晶圆级芯片、Groq 的 LPU——这些新玩家在推理场景下的性价比已经比 H100 高出 30% 到 70%。
更关键的是，这些芯片不是”PPT 产品”。TPU 已经部署在 Google Cloud 上服务数百万用户，Groq 的推理速度在某些场景下比 GPU 快一个数量级。当算力供给从”一家独大”变成”百花齐放”时，价格只有一条路可走：向下。
半导体行业的铁律从来没有变过：量上去，价下来。AI 芯片正在经历 PC 显卡在 2000 年代走过的路——从稀缺到充裕，从天价到合理。这个过程可能需要两到三年，但方向是确定的。
零切换成本让供应商不敢涨价
传统软件行业有一个让供应商舒服、让用户难受的东西叫”锁定效应”。你用了 AWS 的数据库，想切到 Azure？得改代码、改配置、做迁移测试，成本高到让你放弃。你用了 Salesforce 的 CRM，想换一家？数据迁移能把你的 IT 团队逼疯。
AI 模型没有这个问题。
OpenRouter 这类平台让模型切换变成了一次 API 调用的事。今天的 prompt 给 GPT，明天换成 Claude，后天试试 GLM——改一行代码就够了。如果一个模型涨价了，用户可以在几分钟内全部迁移到竞品上。这种零切换成本在软件行业的历史上极其罕见，但它正在重塑 AI 的定价逻辑。
传统软件公司的定价权来自”你离不开我”。AI 模型供应商没有这个护城河。你定价高了？用户转身就走，连道别都省了。这种竞争压力会迫使价格持续走低，直到接近边际成本。
本地模型是最后一击
以上所有因素都在发挥作用的时候，还有一个更长期的变量：本地模型。
RAM 的价格在过去二十年里下降了超过 1000 倍，这个趋势没有停止的迹象。四到五年后，一台普通笔记本电脑配备 128GB 甚至 256GB 内存会成为常态。到那时，一个 70B 参数的中等规模模型可以毫无压力地运行在本地设备上。
操作系统厂商已经在布局。未来版本的 Windows、macOS 乃至 Android，很可能内置本地模型推理引擎，让 AI 成为操作系统的基础能力——就像今天的 GPU 加速渲染一样，不需要为每一次推理单独付费。
这对消费者的意义是颠覆性的：当你可以免费在自己的电脑上运行一个”足够好”的模型时，云端 API 的定价权就彻底消失了。云服务提供商的定位会从”唯一的选择”变成”本地搞不定的场景才用”——类似于今天的关系型数据库和本地缓存的关系。
好日子在后头
说这些不是为了唱衰 AI——恰恰相反。真正的好消息是：AI 正在变得便宜，而且会越来越便宜。
从消费者的视角来看，过去两年我们经历了 AI 最贵的阶段。早期采用者支付的溢价补贴了研发成本，这是所有技术扩散的标准剧本。光伏板刚诞生的时候一度电的成本是几美元，现在不到 5 美分。手机通信在 1990 年代每分钟几块钱，现在几乎免费。存储设备在 1980 年代每 MB 要几百美元，现在每 GB 几分钱。
AI 走的是同一条路。Uber 四个月烧光一年预算的故事听起来吓人，但换个角度想：当竞价压力降下来、开源模型成熟起来、本地部署成为标配之后，同样的 AI 能力可能只需要现在十分之一的价格。
作为普通用户和开发者，我们能做的最好选择就是——等一等。让技术扩散的规律替我们省钱，让市场竞争替我们砍价。好日子，真的在后头。