人工智能研究机构 Epoch AI 发布最新报告指出，近年来人工智能推理成本正以超越摩尔定律的速度急剧下降。数据显示，AI 服务的价格每季度平均降低 50%，年度降幅高达 13 倍。这一速度不仅快于电池技术、DNA 测序技术，甚至超过了传统计算硬件的性能提升曲线。
尽管成本的大幅降低有望加速人工智能的普及，但也引发了关于前沿模型开发必要性的讨论。对于第三方 AI 服务商而言，这种极快的迭代和降价节奏使得建立客户忠诚度和维持稳定收入变得愈发困难。如果用户预期当前使用的服务在数周或数月内将变得更强大且更便宜，他们转向竞争对手的动力便显著增强。
报告分析认为，即便是 OpenAI 和 Anthropic 等头部实验室推出的领先模型，其竞争优势也可能只是暂时的。随着旗舰模型在帕累托前沿激烈竞争，代币处理成本持续下探，单纯依靠性能优势获取巨额利润的空间正在被压缩。
成本下降速度远超历史技术变革
Epoch AI 的报告量化了“人工思维”的相对成本变化。结果显示，在过去五年间，实现同等智能水平的 AI 成本下降了数十万倍。作为对比，从 1991 年到 2024 年，电池价格仅下降了约 100 倍；而自 1940 年以来，计算技术的成本下降幅度虽大，但耗时更长。
过去六十年间，摩尔定律一直是衡量计算性能与效率提升的核心指标，复合效应使得现代计算机运行速度远超以往。然而，当前人工智能在性能提升与成本控制方面的进展速度已超越这一经典规律。
在所有可比的技术指标中，DNA 测序成本的下降轨迹与 AI 最为相似。虽然 DNA 测序技术的相对成本降幅更大，但这一过程历时超过 20 年。相比之下，AI 仅用半个十年便实现了类似的跨越。这意味着 AI 的成本下降速度是 DNA 测序的四倍，是电池技术进步速度的 18 倍。
需要注意的是，该数据存在一定局限性：计算成本数据仅涵盖至 2001 年，电力成本追踪止于 1973 年，而 AI 成本的直接追踪始于 2023 年，此前数据基于短期趋势及外部研究推断得出。
此外，Epoch AI 并未针对单一特定模型进行测算，而是选取了在研究生级 Google-Proof Q&A (GPQA) Diamond 基准测试中得分达到 81.25% 或以上的模型群体，追踪其回答一道多选题的平均成本。这一指标虽能反映多领域知识处理能力，但未必涵盖 AI 能力的全部维度。它主要展示了新型号在完成相同任务时，不仅得分更高，且单位成本更低。
具体案例：GPT 系列成本骤降
报告中引用了 OpenAI 的具体产品数据作为例证。2025 年 1 月发布的 GPT o3 模型在 GPQA Diamond 测试中得分为 75%，每道题的处理成本为 0.30 美元。仅仅一年半后，OpenAI 推出的 GPT-5.6 Luna 模型在同等测试中表现优异，但每题成本降至 0.0004 美元。
然而，这种成本效益的提升在不同学科领域并不均匀，也非线性发展。Epoch AI 扩展研究范围，纳入更多涉及棋牌、数学等领域的基准测试结果后发现，改善速度差异显著。GPQA Diamond 指标显示成本迅速下降后出现停滞期；AIME OTIS 模拟测试则显示出更为规律的逐点进步；国际象棋难题基准虽未达到同等成功率，但也表现出稳定且常规的改进态势。
值得注意的是，在 2025 年至 2026 年间，前沿数学领域的成本效益改善几乎陷入停滞。同时，整体成本下降速率也在放缓。在五个主要基准指标中，初期每季度成本下降幅度为 66%，两年后这一数字降至 32%。这可能暗示着 AI 发展的边际效益递减，或是进一步降低使用成本面临原材料价格上涨等技术瓶颈。
基准测试的可信度挑战
Epoch AI 强调，这些数据最大的潜在风险在于“基准测试作弊”（Benchmark Gaming）。即开发者可能专门训练模型以在特定基准测试中获得高分，而这些测试本意是评估更广泛的能力。
这种现象并非新鲜事。早在 2003 年，Nvidia 和 ATI 就被发现在 3DMark 软件评测中存在类似行为。为了规避这一问题，Epoch AI 在基准测试中引入了随机元素，试图防止模型识别出测试场景或被针对性优化。尽管如此，部分未公开测试结果的模型显示出更高的成本下降率，这提示我们对现有数据的解读应保持一定的审慎态度。
用户留存与信任危机
对于投入数十亿美元基础设施开发前沿模型的 AI 开发者而言，市场格局的变化令人担忧。虽然 Fable、Mythos 以及最新的 OpenAI 模型运行成本高昂，但随着旗舰开发商之间的竞争加剧，代币成本不断下降。
如果其他模型能以低廉成本实现 90% 的智能水平，且这一成本在未来几周内继续下降，用户是否还有必要为最新功能支付溢价？特别是当这些低成本模型最终开源，允许第三方提供高效且实惠的版本时，付费服务的吸引力将进一步减弱。
然而，用户决策不仅仅取决于价格和智能水平。熟悉的用户界面、既有的工作流程以及组织内部的集成情况同样重要。对于任何持续的财务承诺，信任是关键因素。用户需要权衡：信任第三方服务提供的比过去一年所用模型更便宜的替代品，是否值得承担潜在的风险？
切换到新模型意味着需要验证新基准的真实性，并确信价格不会剧烈波动导致节省失效。用户还必须相信新系统在一周内不会遭遇性能追赶，且不存在安全漏洞或隐私问题。因此，尽管 AI 价格大幅下降，但这并不意味着订阅模式不可行，只是证明其价值的难度增加了。改变 AI 工具的选择，远比单纯追求最低成本或最高智能复杂得多。
