智能成本暴跌100倍将带来什么
What Happens When the Cost of Intelligence Drops 100x
大模型进步常被聚焦于能力上限的突破，但更关键的变革在于成本下限的坍塌。过去半年，同等智能水平的任务成本已下降56倍，且速度正在加快。这意味着我们不再受限于“能否完成”，而是“能否以极低代价完成万次”。从DANDI Archive的文献复用到大规模合同审查，廉价模型让海量任务变得可行。Artificial Analysis的数据显示，Pareto前沿正加速左移，GPT-5.6 Luna等模型通过不同推理档位覆盖广泛区间，而开源模型也在中端市场占据一席之地。当智能变得像水电一样廉价，真正被解锁的不是更聪明的模型，而是前所未有的应用规模。
天花板解锁了新型任务，而地板解锁了规模。
HN 评论区
134- Balooga
Jevons Paradox [1]
> 当技术改进提高了某种资源的使用效率时，该资源的总消耗量不降反升。
[1] - https://en.wikipedia.org/wiki/Jevons_paradox
拉斯维加斯大道上昂贵的白炽灯被运行成本更低的 LED 灯取代了。但成本并没有因此下降，因为他们得以安装更多的灯具和更大的显示屏。
我认为 Token 也会发生同样的情况。随着 Token 成本的降低，这些模型只会消耗更多的 Token。
- andai
> 阅读所有内容将成为默认操作。按每份文档一美分计算，模型可以读完每一篇论文
我喜欢我们这个时代“阅读所有内容”的含义变成了“电脑替我读”。
我预计很快电脑就能去骑自行车，还能陪我妻子共度时光了。
- jbotdev
我认为速度实际上比成本更关键。即使是那些“钱不是问题”的项目，也常常卡在 LLM 的响应时间上。
当然，你可以通过子代理（subagents）并行工作来加速，但就像传统计算任务的并行化一样，收益是递减的。
我总听到有人说，只要改变工作方式，信任长时运行的代理并让它们多任务处理即可，因为对于许多用例来说，它们交互式工作太慢了。我认为，在一个我们仍期望人类在日常工作中重度引导和与代理交互的世界里，这种做法会很痛苦。
- AnotherGoodName
我认为一个巨大的影响领域是机器人。现在的机器人可以帮你叠衣服，但每件衣服大约需要 10 分钟。说真的。处理图像、找到角落、移动机械爪到衬衫角落、尝试抚平然后再折叠，这一系列过程耗时很长。
目前的机器人普遍移动速度极慢。你可能见过机器人在半受控环境中做后空翻，但看看它们开门等动作有多慢。处理时间是一个主要的瓶颈。
- newAccount2025
我越来越喜欢小模型。gemma4 26/31b 模型在我正在进行的奇怪散文分析任务上表现令人印象深刻。Nova-micro 真的很笨，但在它足够聪明能做事的时候，速度极快。我正努力保持自律，在构建基于这些技术的真实系统时，切实评估质量与成本。我可能得离开 Bedrock 了，因为它缺少许多其他可能成为有力竞争者的小模型。
- MichaelNolan
100 倍的降幅似乎还是低估了。即使没有任何模型改进，我们也应该能看到这种程度的下降。看看 TSMC 的利润率、Nvidia 的利润率，以及 OAI/Anth（据称）的推理利润率，都有 100 倍下降的空间。
目前这三者的利润率都处于异常高的水平。竞争将会席卷这三方。
- vanuatu
我认为很多人忽略了 Jevons 悖论中关于底层资源需求弹性的问题。
纺织业曾经历过 Jevons 悖论，即使在纺织机器被制造出来时，雇佣的纺织工人也更多了，直到全球对廉价服装的需求饱和，纺织工人也就完蛋了（农业和马匹也是同样的情况）。
软件行业目前正处于 Jevons 悖论中，但软件需求的天花板究竟有多高还非常未知。Web 开发可能 doomed，但我认为软件行业整体可能是无限的。
智能可能也是无界的（目前软件和智能紧密相连）。Token 消耗量完全有可能沿着曲线无限攀升。
- bdhdhduuyd
就我个人而言，我仍然认为 LLM 是非常先进的搜索引擎，缺乏真正的智能。在我看来，LLM 降低的是获取数据的成本，而不是智能的成本。我的意思是：我们告诉模型想要达成什么目标，模型在几秒钟内就会以代码的形式返回正确的数据。
这就是为什么“Stack Overflow 程序员”将很难与 LLM 竞争，但工程师仍然需要他们的智能。
好吧，这只是我的一点拙见。