今年智能变得廉价——价值转移到了你用它构建的东西上

机器智能的价格在十二个月内下降了约四分之三。这不是脚注，它悄然改写了谁能胜出。

改变了计算方式的那个数字

值得静下来思考的数字是：一百万个令牌（AI模型计费的单位）的平均成本，在过去一年里从约10美元降至约2.5美元。十二个月内下降约四倍——而这是整个行业的核心投入。

很难想到有哪种可比的投入成本崩塌得如此之快。设想一下，如果电力、钢材或带宽的价格在一年内下跌了百分之七十五。许多在旧价格下毫无意义的商业模式，在新价格下突然算得过账了。当一项基础成本如此剧烈下跌，有趣的行动便转移到了能利用新价格的人身上——而那很少是定价的人。

我直接感受到了这一点。十八个月前，构建任何在循环中调用前沿模型的东西，都意味着盯着计费表、对每个请求精打细算。同样的循环如今花费之少，我已经不再计数。这种转变——从精打细算地使用智能，到放手去消耗它——改变了你愿意去尝试的事情。

是谁把价格压了下去

向下的压力很大程度上来自一个主导性美国实验室无法完全控制的方向：廉价而真正有能力的开源权重模型，其中许多来自中国。DeepSeek、Qwen、Kimi这些名字发布的模型，在编程、推理等高难度任务上具有竞争力，成本却只是零头，而且关键在于——开源权重你可以下载并自行运行。一旦一个有能力的模型可以免费获取且运行廉价，它便为每一个付费API设定了一道下限。

六月，商业媒体报道OpenAI正在权衡大幅下调令牌价格。这里有一个值得坦诚指出的真实张力：据报正准备上市的那些实验室，正是面临降价压力的那些；而降价恰恰压缩了公开市场投资者将要审视的利润率。

我要指出，围绕这些实验室流传的那些惊人的估值数字，在不同来源之间差异极大，应当谨慎对待。可验证的故事是令牌的价格，而非公司的价格。

如今护城河究竟在哪里

当原始智能稀缺而昂贵时，获得最好的模型是一项真正的优势。但当有能力的智能变得廉价、可从十几家供应商获取——而且越来越多可以免费下载时——模型访问就不再是护城河。它变成了一种商品化的投入，如同电力或云存储。

那么优势去了哪里？下游。它转移到了那些一直困难、如今依然困难的事情上：一个真正有用的产品、专有或来之不易的数据、能触达真实用户的分发渠道，以及让系统可靠而高效的工程。护城河是应用，而非模型。如果你是一个构建者而非万亿美元的实验室，这真是好消息。

模型搬到了你的笔记本电脑上

有能力的模型正越来越小，小到可以在你自己的机器上本地运行，完全没有按令牌计费。配合如今成熟的本地工具生态——Ollama、llama.cpp、LM Studio，以及苹果芯片上的MLX——完全离线运行一个有用的助手已经切实可行。驱动力一目了然：隐私、延迟、成本、合规上的安心。

本地模型在最难的推理上仍落后于前沿，因此正在形成的模式是混合式：一个小型本地模型处理日常、私密、高频的工作，只把真正困难的问题路由到前沿API。

这对你该学什么意味着什么

有价值的工程技能不再是"获得最好的模型"，而是构建成本高效的系统：缓存结果以免为同一答案付两次费，把简单请求路由到廉价小模型、困难请求路由到前沿模型，并把"每质量单位的价格"作为真正的采购指标来追踪。学会微调和部署一个开源权重模型，如今是这个领域最可迁移、不依赖厂商的技能之一。

我能建议的最便宜、回报最高的一步很具体：这周就安装Ollama或LM Studio，在本地运行一个小模型。它分文不花，而动手做一个小时，比读一个月更能让你了解推理、量化以及这些系统的真实极限。它也恰好是给好奇孩子的安全、零成本沙盒。

实验室会继续在前沿厮杀，那场较量确实意义重大。但今年悄然的真相是：前沿已经廉价到不再是大部分价值所在之处。价值转移到了那些足够接近真实问题、知道什么值得构建的人身上。那一向是更有意思的立足之地。

常见问题

如果模型在变便宜，实验室为什么还需要这么多钱？

训练前沿模型极度依赖资本——算力、数据、人才都需要巨额前期投入。你为每个令牌支付的价格下降了，但其背后构建模型的成本并没有下降得那么快。

廉价推理是否意味着我该停止为前沿模型付费？

不一定——它意味着让工具匹配任务。对最难的推理，前沿模型仍物有所值。对日常、高频的工作，廉价或本地模型往往绰绰有余。

开源权重模型真的能与大型付费模型竞争吗？

在许多任务上，是的——质量差距已从数年缩短到数月，在编程等特定任务上，一些开源模型已接近或处于顶级。它们在最难的推理上仍有落后。

本地运行模型有什么代价？

本地模型以部分能力换取掌控。它们通过大幅压缩在消费级硬件上运行，会牺牲一些质量。好处是隐私、零按次成本，以及不依赖任何厂商。