AI账单越涨越高，智能却真的变便宜了：拆解三大计价维度

山姆·奥特曼曾承诺AI的智能成本会以每年十倍的速度下降，描绘出"便宜到无法衡量"的智能新前沿。但现实却恰恰相反——一位开发者坦言，去年全年个人使用AI大约花费800到1000美元，而现在任何一天都可能烧掉1000美元以上的token。随着Fable、Astra这类单位token更贵、生成token更多的模型出现，企业的AI账单像是没有尽头地往上涨。那么奥特曼的承诺到底失效了吗？

答案是：十倍变便宜其实真的发生了，只是我们用错了衡量方式。

为什么token价格看起来在暴涨

如果只盯着顶级模型的token报价，确实令人心惊。以Artificial Analysis的数据为例，GPT-5 medium的输出价格是每百万token 10美元、输入1.25美元；而到了GPT-6 Astra这一级别，输出价格飙到每百万50美元、输入10美元。这意味着输入输出成本都出现了5到10倍的上涨，和"十倍变便宜"的承诺完全背道而驰。

但token单价恰恰是衡量AI成本最糟糕的方式之一。真正需要考虑的其实是三个维度：每美元能买到多少token、完成一项任务需要消耗多少token，以及在特定智能水平下解决问题要花多少钱。只看第一项，就像只看油价而忽略了车的油耗和能跑多远。

值得一提的是，便宜端同样在飞速进化。像GLM 5.3 Flash这样的模型，输入每百万token仅15美分、输出50美分，很多地方还打五折。它的价格大约只有GPT-5的二三十分之一，却能在大量真实的agentic任务上跑赢GPT-5。顶端模型变得更疯狂，但底端模型也变得异常能打，两端都有实打实的进步。

token消耗量才是账单真相

单价便宜不等于总花费便宜，关键在于一个任务要烧掉多少token。视频中举了一个有趣的例子：Gemini 3.8 Flash的输出价格每百万3.75美元，看起来是GPT-5价格的一半不到、Astra的十分之一。但一旦换成"每个智能基准任务的成本"来衡量，差距立刻收窄——因为3.8 Flash在完成任务时极度"费token"，原本超过10倍的价格优势瞬间缩水到3倍以内。

更夸张的是Sonnet 5，由于它疯狂燃烧token，实际总成本甚至比Astra还高。这说明不同任务的计价逻辑完全不同：如果任务是读取80万token再做分类，那输入token才是主要成本，输出几乎可以忽略，这时就该选输入最便宜的模型；而如果是agentic开发工作，缓存等优化手段的作用会被放大得多。

所以成本从来不是单维度的，必须把"单价×任务token消耗"结合起来看，才接近真实支出。

把视角翻转：同等智能的成本在断崖式下跌

真正有说服力的分析，是把问题反过来——不问"一美元能买多少智能"，而问"某个固定智能水平，随时间推移要花多少钱"。作者为此做了不少研究，发现由于基准被不断刷爆、几乎所有评测都在过去一年里被迫重做，找到"分数相当的模型"比预想中困难得多。

最终他找到DeepSeek^广告 V4 Flash与GPT-5 codecs high在智能指数上大致相当，甚至在Humanities Last Exam、幻觉率测试等多个基准上还更强。而DeepSeek V4 Flash的输入token便宜21倍、输出便宜55倍。即便假设它效率低3倍，净算下来仍有约20倍的提升。换句话说，若目标是"同等智能便宜十倍"，现实是直接翻倍完成到了20倍。

Artificial Analysis的长期追踪更清晰：智能指数低于10分的任务，从2022年11月到2024年7月，成本从每任务60美分跌到2美分。10到20分区间，O1 Preview初期要15美元一个任务，几个月后Grok 3 Mini就以约百分之一的价格拿到更高分数——四个月内价格下跌近99%。而且每一轮降价都比上一轮更快。到了40分、50分这样的高端区间，Opus 4.7起步价3.85美元，随后5.6 Terra以近乎一半价格拿到更高分，GLM 5.3更以不到三分之一的价格超越，GLM 5.3 Flash则以约百分之一的价格逼近同等分数。

文中提到的"智能指数"和"Humanities Last Exam"等评测基准，来自AI研究机构对模型综合能力的量化尝试。Artificial Analysis的智能指数综合了推理、编码、数学、语言理解等多项基准的加权得分，用以横向比较不同模型的整体能力水平。Humanities Last Exam（HLE）则是由学术界设计的极难题库，涵盖哲学、历史、文学等人文学科的专家级问题，即便是顶级模型的正确率也普遍低于20%，因此常被用作区分顶端模型能力的"天花板测试"。正是因为这类高难度基准不断被刷新，旧评测迅速失去区分度，才导致作者在寻找"分数相当的历史对比模型"时遭遇困难——模型进步速度已经快过了评测体系的迭代速度。

Jevons悖论：越便宜，花得越多

既然同等智能真的变便宜了，为什么账单还在涨？第四个被作者刻意留到最后的关键是：用法变了。

过去我们让模型自动补全一个函数，现在我们丢给它一张bug截图，让它端到端地定位、修改、验证、合并到主分支。模型能做的事情多了太多，运行时间更长、任务更大、需要人工介入的次数更少。生成的token暴增，本身就是成功的标志——正因为模型更便宜、更强、更可靠，我们才敢把更重的活交给它。

这正是经典的Jevons悖论：当蒸汽动力变便宜、煤炭更易获取时，人类反而在这些东西上花了更多钱，因为它们终于便宜且好用到能进入过去无法触及的场景。AI账单上涨不是因为模型更贵了，而是因为我们在更多地使用那些强大的模型。

作者还特别点出，GLM 5.3 Flash不只是"同等能力更便宜"，它本身就是比GPT-5更好的模型：视觉处理更强、工具调用更好、尤其是在需要连续运行数小时的agentic工作流中表现碾压。GPT-5唯一的优势是无需搜索就掌握更多知识，但只要给两者都配上搜索工具，Flash往往能数量级地反超——因为它更会用工具。配好工具的模型，能全面压过去年最聪明的模型。

Jevons悖论由19世纪英国经济学家威廉·斯坦利·杰文斯提出。他在1865年的著作《煤炭问题》中观察到：蒸汽机效率提升后，煤炭的单位使用成本下降，但英国整体煤炭消耗量却反而大幅增加。原因在于，效率提升降低了使用门槛，使得原本不经济的应用场景变得可行，从而催生了全新的需求，总消耗量的增长完全抵消甚至超过了单位节省。在AI语境中，这一规律体现为：当推理成本下降到足以支撑"让模型自主运行数小时完成复杂任务"时，用户会将AI引入过去根本不考虑的场景，单任务消耗的token量级式上升，最终账单反而更高。这并非资源浪费，而是需求释放的必然结果。

结论：承诺早已兑现，只是账单藏在生产力里

作者坦言自己曾在两年前错判AI"已经触顶"，那是他人生中最糟糕的判断之一，教训就是不要低估进步速度。如今的现实是：AI变得比他想象中更强、更快、更便宜，便宜到人们开始毫无顾忌地在上面挥霍。

"智能便宜到无法衡量"或许没有以奥特曼暗示的方式实现，但"便宜十倍"的承诺早已被远远超越。去年我们用AI做的那些任务，今天确实便宜了那么多；区别只在于，我们现在能用它做更大、更难的事。一天烧掉1500美元确实惊人，但这笔钱买到的产出，是GPT-5时代根本无法完成的——LLM的支出，始终与它带来的生产力绑定在一起。