Written by Ralph Sun
权重开放模型和更高效的推理正在降低人工智能的成本。这可能会损害人工智能交易中固有的稀缺性溢价，同时使该技术对更多客户产生效用。决定性的问题在于，采用率和变现能力的扩张速度是否快于服务这些需求所需的资本。
开放模型最持久的影响可能不在于它们取代了每一个前沿模型，而在于它们重置了客户对大部分人工智能工作预期支付的价格。
这一前提已有证据支持。斯坦福大学 2025 年人工智能指数发现，在 2022 年 11 月至 2024 年 10 月期间，性能约达到 GPT-3.5 水平的系统的推理成本下降了 280 倍以上。同一份报告还发现，硬件成本每年下降 30%，能源效率每年提高 40%，且在选定的基准测试中，权重开放模型与封闭模型之间的差距已缩小至 1.7%。
目前的市场数据显示，Token 价格已经在下跌。Ornn 的 Anthropic Token 价格指数在 10 月 17 日定格为每百万 Token 0.85 美元，较 30 天前的 1.72 美元下跌了 50.6%，期间低点为 0.84 美元。所提供的图表显示该系列在 10 月 15 日为 0.84 美元，这与 Ornn 发布的每日结算值一致。
该指数具有参考意义，但应谨慎解读。它是 Anthropic 付费生产模型挂牌价格的每日成交量加权平均值。它不包括免费层级和权重开放模型的自我托管，并且可能受到客户使用的模型组合变化、缓存和容量分布的影响，而不仅仅是受标题所示的挂牌价削减影响。这使得它成为衡量平均付费 Token 成本的实用指标，而非衡量任何单一模型挂牌价或供应商利润率的纯粹指标。
这是一种非同寻常的单位成本通缩率。这使得未来几年内，每项有用人工智能任务的有效成本大幅下降变得合乎情理。然而，这并不保证每个供应商的 Token 价格都会按固定时间表下跌。
Token 价格并不等同于人工智能价值
Token 是模型输入或输出的单位。客户为每个 Token 支付的价格只是人工智能经济学的一个组成部分。可靠性、响应时间、上下文长度、工具使用、安全性、支持、集成、模型质量和分发都可以带有价格溢价。即使通用推理变得极其廉价，前沿供应商在处理最苛刻的工作负载时可能仍能获得溢价。
权重开放之所以重要，是因为它们创造了一个可靠的替代方案。企业可以下载、调整和托管模型，而不是从零开始训练，或为每项任务支付前沿 API 的价格。微软 2026 年的权重开放声明将其描述为：将前沿模型保留给真正的前沿问题，并在其他地方使用专门的、成本较低的模型。虽然这是一份倡导性文件，但其经济机制非常直观：更多可用的替代品削弱了市场常规端的定价权。
谷歌的 Gemma 发布展示了这种替代在实践中的样子。Gemma 3 引入了轻量级的开放模型，并带有官方量化变体，从而减少了模型大小和计算需求；谷歌表示其 27B 模型旨在单个 GPU 或 TPU 上运行。Gemma 4 扩展了这一方法，推出了面向边缘侧的模型，以及一个在推理期间仅激活 3.8B 参数的 26B 混合专家模型。
这些例子并不能证明每个模型都能在 CPU、手机或普通 GPU 上廉价运行。它们也不能证明所有开放模型都等同于领先的封闭系统。但它们展示了成本曲线下行的原因：更小、经过量化且稀疏激活的模型可以在更便宜的硬件上处理日益增多的有用任务。
因此，对投资者而言，更准确的表述并非“开源保证了 Token 价格崩盘”，而是：权重开放使得在标准化用例中可能出现激烈的成本竞争。在切换成本较低的领域，它们使溢价定价更难维持。但它们并未抹除因差异化能力、可信分发或运营可靠性而获得溢价定价的可能性。
效率改变的是分母，而不一定是总需求
人工智能基础设施的看空逻辑很直观。如果一项任务可以用更少的加速器、更少的瓦数和更少的内存来完成，那么对于给定的工作量，所需的芯片、服务器和数据中心可能会减少。每项任务的资本密集度会下降。对于任何定价基于计算需求永久增长的供应商来说，这是一个真正的风险。
但每项任务的效率并不等同于总需求。较低的成本可以使一项任务在更多产品、更多国家和更多客户群中具备经济性。它可以使试点功能变成默认功能。它可以将推理从中央云环境转移到笔记本电脑、手机、零售网点和工业现场。如果任务数量的增长速度快于每项任务所需计算量的下降速度，加速器、服务器和电力的总需求仍可能增加。
国际能源署（IEA）的情景研究间接证明了这一点。在其基准情景中，预计全球数据中心耗电量将从 2024 年的约 415 TWh 增长到 2030 年的约 945 TWh。主要受人工智能采用驱动的加速服务器用电量预计每年增长约 30%。然而，IEA 还展示了一个足迹低得多的“高效率”情景，以及一个需求在 2035 年左右达到 700 TWh 平台的“逆风”情景。
换句话说，效率并不能解决资本开支问题。它使结果更具弹性。如果采用加速，硬件支出可以保持高位；如果采用、利用率和定价跟不上供应，硬件支出则可能骤然减速。
福音：人工智能对消费者的渗透可以迅速扩大
成本通缩的最大赢家可能是下游业务。在本文中，“人工智能面向消费者”（AI2C）是指使用人工智能来改进搜索、创作、购物、支持、教育、娱乐和个人生产力的面向消费者的产品。
更廉价的智能让产品在客户遇到付费墙之前提供更多使用量。它支持本地化语言、实时多模态功能和更频繁的智能体交互。它还降低了服务低收入用户的成本，而在过去，高价的前沿 API 会使这类产品变得不具备经济可行性。
采用数据表明，这已不仅仅是一个理论故事。斯坦福大学 2026 年人工智能指数报告称，生成式人工智能在三年内的普及率达到人口的 53%，组织采用率达到 88%，到 2026 年初估计将为美国消费者创造 1,720 亿美元的年度价值。Sensor Tower 预计，生成式人工智能应用的使用时长将从 2025 年上半年的 172 亿小时增加一倍以上，达到 2026 年上半年的 360 亿小时。它还预计 2026 年上半年全球人工智能应用的应用内购买收入将超过 40 亿美元，较前六个月增长 36%。
这些数字并不能确定每个应用的利润池。但它们确实表明，更便宜、更易获得的模型正在进入一个使用量仍在快速增长的市场。
这就是商品化的福音。客户可以用同样的支出获得更多的能力，或者以更少的支出获得类似的能力。可触达市场随之扩大。应用层可以测试更多用例，并触达以前因成本过高而无法服务的用户。
诅咒：价值可能从资助建设的投资者手中转移
同样的过程对资本提供者来说可能是痛苦的。当模型质量变得更容易获得时，回报可能会从模型所有者或原始算力所有者转移到拥有客户关系、专有工作流、分发渠道或数据反馈闭环的公司。
这并不意味着每个芯片供应商、云提供商或前沿实验室都会失败。一些公司拥有规模、集成平台、电力合同和巨大的外部现金流，可以延长其投资视野。但这确实意味着投资者应该将对人工智能服务的需求与人工智能基础设施的回报区分开来。
Gartner 2026 年 10 月的情景说明了这一风险。据其估计，如果投资按目前的速度继续下去，到 2030 年底，超过 3.5 万亿美元的人工智能基础设施支出可能会面临减值风险。Gartner 预测 2026 年的支出将接近 1 万亿美元，2027 年至 2030 年间将再支出 6 万亿美元，同时预计归属于企业和消费者的人工智能收入将无法支撑所有计划资本开支的盈利回报。
这只是预测，而非已观察到的损失或不可避免的崩盘。但它指出了市场必须测试的核心错配：快速演进的硬件折旧是真实的，而终端用户的付费意愿仍在探索中。风险不仅在于需求放缓，而在于需求虽然增长，但其价格或利润率不足以让为此建设的基础设施获得回报。
人工智能交易现在是两条曲线之间的竞赛
第一条曲线是采用率：活跃用户、付费转化、留存率、单客收入、工作负载频率，以及从试点转向习惯性使用的工作流比例。第二条是供应：资本开支、可用算力、电力容量、加速器效率、折旧以及推理成本的下降。
如果采用和变现的增长速度快于单位成本的下降速度，较低的价格可以扩大总市场。在这种结果下，应用获得用户，云利用率保持强劲，基础设施支出即使在每项任务成本下降的情况下仍能继续增长。
如果供应曲线超过了真实需求，同样的效率就会对回报产生破坏性。模型提供商会通过竞争削减定价。算力利用率减弱。客户获得议价能力。设备折旧速度可能需要快于投资者的预期。硬件资本开支随后会减速——不是因为人工智能不重要，而是因为行业在现金流产生需求之前就建设了过剩产能。
基准情景可能比任何一种极端情况都更加不均衡。常规文本、图像和小型智能体任务可以迅速商品化。前沿推理、高可靠性企业工作流和紧密集成的平台可以更长时间地保持溢价。地理位置、监管、电力供应和分发渠道可能会在堆栈的各层产生不同的赢家。
市场应该关注什么
应通过经常性使用和付费行为来评估采用端，而不仅仅是下载量标题。消费者和企业的人工智能收入、留存、转化、工作负载频率以及与生产力挂钩的真实预算，比模型基准测试分数更重要。Sensor Tower 的参与度和应用内购买数据是衡量消费者势头的一个有用指标，而判断持久的企业变现能力则需要公司披露的信息。
资本开支端同样需要关注。投资者应关注超大规模企业的资本支出计划、加速器交付周期、电力合同、数据中心利用率、云定价、设备折旧政策以及任何资产减值。IEA 的基准情景、高效率和逆风路径是一个有用的提醒，即硬件效率和人工智能摄取量都是变量，而非固定假设。
因此，诅咒与福音是不可分割的。开放模型可能会使智能变得更廉价、更易获得。这对客户有利，并能极大地扩大 AI2C 的采用。但对于任何投资逻辑依赖于 Token、算力或硬件产能永久稀缺性溢价的投资者来说，这并不令人愉快。
结果将不取决于人工智能是否“真实”，而取决于商业采用是否变得足够深入、足够快且足够盈利，以吸收为预期需求而建设的产能。
