AI 的成本曲线正在以远超以往任何技术的速度下坠，但“更便宜”这件事，需要拆开看。

发生了什么

据 The Decoder 报道，Epoch AI 的测算显示：在固定性能基准上，AI 达到同一水平所需的成本，正以每年约 13 倍的速度下降。这个数字衡量的是“达到某个既定能力线”的价格，而不是某个具体模型的价格标签。

MIT 的研究进一步做了剥离：如果把硬件进步和市场竞争带来的降价剔除，仅看算法本身的改进，年进步幅度约为 3 倍。也就是说，13 倍里既有芯片和算力的功劳，也有模型架构、训练方法、推理优化等纯算法层面的贡献。

但报道同时提醒，这不等于今天最强的模型更便宜。以推理模型为例，它们在单个任务上消耗的算力远高于普通模型，因此实际使用成本可能反而更高。

为什么重要

“固定性能的成本下降”是一个比“模型降价”更有信息量的指标。它回答的是：一年前需要花多少钱才能做到的事，现在花多少就能做到。13 倍/年的速度，意味着能力门槛正在被快速拉平——去年只有头部实验室能负担的推理能力，今年可能已经进入中小团队甚至个人的预算范围。

把 13 倍拆成硬件与算法两部分，也有现实意义。硬件红利受制于供应链和资本开支，不可能无限延续；算法红利则来自研究社区的持续迭代，理论上更可持续。MIT 给出的 3 倍，某种程度上是“即使硬件停滞，AI 也会继续变便宜”的下限估计。

影响与看点

对开发者而言，最直接的变化是：过去因为成本而放弃的用例——批量文档处理、长上下文分析、多轮自动代理——正在重新变得可行。选型逻辑也应随之调整：不再只问“哪个模型最强”，而是问“在这个任务上，达到可接受质量的最低成本是多少”。

对用户和产品团队来说，推理模型的定价结构值得警惕。能力更强往往意味着单次调用更贵，如果产品设计没有区分“简单任务走便宜模型、复杂任务走推理模型”，成本可能不降反升。固定基准成本下降是宏观趋势，具体账单取决于路由策略。

一个独立判断：成本下降的速度本身正在成为竞争维度。谁能把算法红利更快地转化为单位任务成本优势，谁就能把 AI 能力铺到更多原本不经济的场景里。真正的分水岭，不是最强模型有多强，而是够用的能力有多便宜。