AI越来越便宜，为什么大家的AI账单却在爆炸？

这是我们所处的奇特经济中的一道谜题。运行AI模型的价格正以历史上几乎所有技术成本中最快的速度下跌——每百万token的平均成本一年内从约10美元降至2.5美元，2022年底每百万token要价20美元的能力，现在只需约40美分。与此同时，全球最大的科技公司之一据报道四个月烧光了全年AI预算。

两个事实都成立。理解它们为何共存，可以说是当下所有与技术沾边的人最有用的一课经济学。

数字里的价格崩塌

Token是AI模型读写的基本单位——大约四分之三个单词。所谓"每百万token的成本"，可以理解为让机器读写几本小说体量文字的价格。

这个价格在自由落体。对推理定价的分析发现，同等能力水平的单token成本每年下降9倍到数百倍不等，行业混合均价仅过去一年就降了约4倍。驱动因素朴实无华却层层叠加：每代新GPU带来2-3倍的单位美元吞吐量，软件优化把GPU利用率从约35%推高到75%左右，模型架构更精简，竞争——尤其是激进定价的新玩家——挤压了全行业的利润。

历史上有一个有用的押韵：电力、算力、带宽、存储——每一个都走过同样的弧线。资源便宜到一定程度，有趣的问题就从"它多少钱"变成了"它几乎免费之后，我们做什么"。

悖论：单价更便宜，账单更庞大

那么Uber为什么——按行业报道——到春天就花光了2026年的AI预算？因为其约5000名工程师中AI编程工具的使用率从32%跃升至84%，每位工程师每月花费500到2000美元。企业调查讲述着同一个故事：单token价格大幅下降，AI总账单上涨约320%，推理支出已占典型企业AI预算的约85%。

经济学家给这个现象起过名字：杰文斯悖论。1865年，更高效的蒸汽机让英国烧掉了更多而非更少的煤。当有用的东西变便宜，我们不会把省下的钱揣进口袋——而是为它找到多得多的用途。便宜的token没有缩减AI支出，而是让把AI用在一年前不划算的问题上变得合理，然后是那后面的一千个问题。

算术很简单：价格降4倍，用量涨20倍，账单就是5倍。而用量涨得这么快，是因为新应用真的有效：读完整个代码库的智能体、反复打磨直到满意的助手、处理每一份文档而非抽样的流水线。这些在2023年的价格下都负担不起。

近乎免费的智能究竟带来什么

迭代成为默认。当一份草稿只要半美分，你会生成二十份留下最好的。质量不再受尝试成本的限制。
"不值得自动化"的工作类别整体翻转。总结每通客户电话、分类每张工单、核查每条合同条款——这些从来不值得人力或昂贵算力的任务，突然过了门槛。
小型本地模型继承昨天的前沿。两年前需要数据中心的能力现在跑在手机上。超过二十亿部手机已在本地运行小语言模型。
瓶颈转移了。当智能便宜，稀缺的变成它周围的一切：干净的数据、判断该构建什么的眼光、驱动数据中心的电力，以及能验证输出的人。值得注意的是，行业自身的约束已从芯片转向电力。

Token经济学已是一门真本事

先测量再优化。大多数团队会发现支出集中在少数调用点——往往是重试、过大的提示词、塞满无用材料的上下文。
按难度路由。把简单任务交给小而便宜的模型，把前沿模型留给难题。仅靠这种路由，企业报告的成本降幅最高可达约75%。
积极缓存。用新算力重答同一个问题，是AI时代的"忘关灯"。
模型无关的设计。性价比领先者每隔几个月就换人。绑死单一供应商的团队会永远支付昨天的价格。

对家庭和个人职业，含义温和但真实：在自己的工作上尝试AI的边际成本正趋近于零。每月20美元的助手，能交付三年前企业花数百万才能组装的东西。弄清AI是否对你的工作有帮助，障碍已不是钱，而是认真尝试所需的那一小时注意力。

AI行业的不适现实

还有一个值得了解的褶皱，因为它塑造着下游的一切。Token价格通缩意味着AI公司必须不停地扩大使用量，才能让收入原地踏步——一台不断加速的跑步机。这就是为什么供应商争相向价值链上游迁移，卖成果和智能体而非裸token；也是为什么单价下跌的同时资本需求还在攀升。对用户美妙的通缩，对供应商是残酷的，它逼出的洗牌将决定今天的AI巨头五年后还剩谁。

便宜的智能、昂贵的电力、爆炸的用量、压缩的利润——这就是2026年AI经济的真实形状。它不像泡沫破裂，也不像火箭升空，而像此前每一项基础技术找到自己的价格。蒸汽机重要起来，不是在它新奇的时候，而是在它便宜的时候。

常见问题

AI这么便宜了，为什么我的ChatGPT和Claude订阅费没降？

订阅价格锚定的是服务对你的价值，而非运行成本。下降的推理成本主要体现为同样价格下更强的模型——今天的20美元套餐远强于2024年的——以及更慷慨的免费层级。原始成本的下降在API定价中最明显，那是企业支付的价格。

用一句话解释杰文斯悖论？

当有用的东西变得更高效或更便宜，它的总消耗量通常上升而非下降，因为新的用途变得划算——1865年的煤如此，今天的AI token也如此。

成本崩塌意味着AI公司有麻烦吗？

压力是真实的。单价下跌迫使它们靠规模增长才能原地踏步，所以供应商在推智能体和企业级成果等高价值产品。有规模、有高效基础设施、产品粘性强的玩家能繁荣；纯转售模型访问的中间商风险最大。

非技术人员该拿这些信息做什么？

两件事。第一，每隔半年左右在自己的工作上重新测试AI——单位美元能力提升得足够快，去年"不够好"的结论会过期。第二，把AI使用能力当作复利型技能：工具会不断变便宜变好，但指挥和验证它们的判断力，才是雇主持续支付溢价的东西。