AI 成本危机：泡沫、豪赌，还是突破？

当前人工智能的状态可以用一个惊人的悖论来定义：虽然 LLM 在日常工作流中的效用不可否认，但其底层的经济逻辑正变得日益脆弱。从超大规模云服务商（hyperscalers）的巨额资本支出，到开发者享有的补贴后的 token 价格，该行业正以一种违背传统单位经济效益（unit economics）的投资规模在运行。

随着批评者认为 AI 仅仅是""too expensive""，支持者则认为我们正在见证一场关乎智能未来的高风险豪赌。这种紧张关系提出了一个关键问题：AI 热潮是科技行业的一次可持续演进，还是我们正处于一个由补贴 token 带来的黄金时代，而这个时代最终将以剧烈的回调告终？

AI 经济学的""Uber 模型""

支持当前支出最突出的论点之一是将其与 Uber 进行类比。在成立初期，Uber 处于巨额亏损状态，通过向司机支付过高费用并向用户收取过低费用来获取市场份额并建立网络效应。

许多观察家认为 AI 正在遵循类似的轨迹。其目标并非每个 token 的即时盈利，而是建立一个占主导地位的生态系统。正如一位评论员所言：

"This is just how the VC game works. Cross-town Uber rides don't stay $5 forever."

在这种框架下，当前的亏损被视为一种战略投资。如果最终目标是 AGI（通用人工智能）或 ASI（人工超智能），那么第一个实现它的先行者将获得不可逾越的优势。从这个角度来看，数万亿美元的资本投资并非""waste""，而是进入下一个计算时代席位的入场券成本。

收益递减的风险

然而，反方观点认为""Uber 类比""并不成立，因为 AI 的物理和计算成本与网约车有着本质的区别。虽然 Uber 最终可以优化其应用和定价，但前沿模型（frontier models）的能量和硬件需求是巨大的。

人们越来越担心我们正在追求收益递减。对""frontier""——即最强大的模型——的追求需要计算量和数据的指数级增长，然而由此带来的性能提升往往是边际性的。这导致一些人认为，当"Sonnet-level"智能足以应对 90% 的用例时，行业可能正在对""Opus-level""智能进行过度投资。

可持续性的路径：效率与专业化

如果当前的支出狂潮是不可持续的，那么该行业有几个杠杆可以利用以实现盈利：

1. 模型规模适配（Model Right-Sizing）

与其为每个任务都使用最强大的模型，不如转向""right-sizing""。这涉及在常规任务中使用更小、更便宜、更高效的模型，并将前沿模型保留给复杂的推理任务。这种趋势在开发者社区中已经显现，用户正在从高成本模型转向更便宜的替代品，如 GLM 或 Sonnet，以降低 API 账单。

2. 设备端 AI（On-Device AI）

向本地执行的转变——以 Apple Intelligence 为例——将推理成本从供应商转移到了用户的硬件上。这种""freeness""是推动采用的强大动力，因为当用户不再担心 token 额度时，他们更有可能将 AI 集成到他们的工作流中。

3. 将成本转嫁给消费者

有人认为市场会直接吸收这些成本。随着 SaaS 平台集成 AI，它们正以""AI features""的名义提高价格。由于许多企业现在已经深度依赖这些生态系统，它们已经失去了议价能力，可能只能接受溢价。

对企业的战略意义

对于集成 AI 的企业而言，教训在于不要将 LLM 视为魔杖，而应将其视为一种昂贵的生产依赖项。成功的组织可能不是那些使用 most AI 的组织，而是那些实施了严格的遥测（telemetry）和成本归因（cost-attribution）的组织。

正如一个技术视角所建议的，重点应放在：

• 衡量单位经济效益： 理解 AI 生成结果的准确成本。
• 任务对齐： 将模型的能力与任务的复杂度匹配（避免""Opus-ing""一切）。
• 基于 ROI 的扩展： 仅在结果证明其 token 支出合理时才扩展工作流。

结论：一场高风险的验证性实验（Proof of Concept）

无论当前的 AI 轨迹是泡沫还是突破，我们可能正处于一个""proof of concept""阶段。就像最初在大型机上运行的视频游戏曾是极其昂贵且不切实际的，今天的超大规模 AI 可能只是一个昂贵的先驱，预示着未来硬件将变得足够快且足够便宜，从而使这些能力变得无处不在且负担得起。

直到那时，行业仍处于一种紧张状态，处于那些预见即将到来的""rug-pull""（撤资/抽走地毯）的人与那些相信通往 AGI 的竞赛足以证明任何价格都是合理的的人之间。