算力还在涨价，AI 的思考一年便宜到十三分之一

2025 年 1 月 31 日，OpenAI 发布 o3。按 Epoch AI 的估算，要让这个模型在 GPQA Diamond 上拿到 75 分，平均一道题要花 0.30 美元。GPQA Diamond 是一份博士级的物理、化学、生物多选题。

不到 18 个月之后，OpenAI 的 GPT-5.6 Luna 在同一份题上拿到同样的 75 分，每题 0.0004 美元。价格掉了 725 倍。Epoch AI 给的比方是一辆标价 5 万美元的新车，现在卖 69 美元。

这两行数字出自 9 月 22 日 Epoch AI 发布的报告《The plunging price of thought》，作者是 Luke Emberson 和 David Roodman。报告的结论是，过去三年，达到同一水平的 AI 性能所需要的成本，平均每个季度下降约 47%，换算下来一年约 13 倍。这个数字来自他们数据最完整的五个基准，另外附了一些更早数据的粗略分析。

47% 这个数得先讲清楚它测的是什么，不然很容易读错。它测的东西和价格表上那一行不一样。大家平时比的是每百万 token 报价，报告问的是另一件事，想要某个确定的性能水平，最少要花多少钱。

做法是画一条成本前沿。对每个模型，在每个推理档位和每个 token 预算下，都能得到一个性能与花费的配对。把所有模型的这些点铺在同一张图上，取给定性能下最便宜的那个，就得到前沿。难点在于，很多模型只在某个固定推理强度下被跑过，预算收紧之后会怎样没人测过。

他们借用的是美国联邦机构 Center for AI Standards and Innovations 的方法。基准由一批题目组成，跑完会留下每道题花了多少 token、有没有答对的记录。有了这份记录就能反推，假如规定每题只许用 X 个输出 token，那些在 X 以内答完并且答对的题有多少，超时的题按猜对的概率算，四选一就算 0.25。把 X 从紧到松扫一遍，就得到一条性能对花费的曲线。Epoch 另外补跑了一批开放权重模型，自己跑的成本和 API 价格的偏差在 30% 以内。

五个基准分别是 AIME 的 OTIS Mock 卷（数据从 2023 年 3 月起）、国际象棋谜题（2023 年 6 月）、FrontierMath 第 1 到第 3 级（2023 年 11 月）、GPQA Diamond（2023 年 3 月），还有一个身份保密的游戏谜题集（2023 年 6 月）。分类不同降速也不同，数学题每季度降 50% 到 52%，棋类和游戏慢一些，39% 到 43%。

我第一个判断是，把 47% 当成一条会一直延伸下去的直线，账会算错。依据是报告自己给出的分段。刚冲上最高水平的性能，成本每季度降 66%，一年 75 倍；等两年过去，降速减半，每季度 32%，一年 4.7 倍。五个基准里有三个符合这个形状。也就是说新能力刚被证明可行时最贵，两年后基本跌到底。要排预算的人照这个形状排，比照一个平均值排靠谱得多。

同一天发生的两件事可以给这条曲线做个注脚。9 月 22 日 OpenAI 给 GPT-6 系列加了 Sol 和 Luna，Sol 定价每百万输入 2 美元、输出 10 美元，Luna 是 0.10 和 0.50 美元，都是上一代 GPT-5.6 对应版本促销价的一半。大约 90 分钟后 Anthropic 发布 Opus 5.5，定价 4 和 20 美元，缓存读取价从 0.5 美元降到 0.2 美元。两家前后脚降价这件事，用开放权重模型的压力来解释比用善意解释更顺。

报告也把这条曲线和其他通用技术放在一起比，比 1973 年之前的电价、比算力、比锂电池、比 DNA 测序分别快 54 倍、6 倍、18 倍、4 倍。作者据此认为，这可能是有史以来降价最快的通用技术。

我第二个判断是这条曲线不等于 AI 的账单会变小。依据同样在报告里。他们举的例子是这样，把几千篇科学论文里的错误挑出来，需要的认知量相当于把这类基准跑一百万次，就算一次只花一分钱，总账照样很大。而且价格往下走的同时能力还在往上走，通过一年级数学题现在几乎不要钱，证明困难定理仍然贵。省下来的钱会不会变成更多的调用，报告没有给答案。

这大概也是报告结尾那个矛盾说法的来处。AI 热潮把投入品的价格往上推，芯片和电力都在涨，而数据中心产出的价格在暴跌。两件事可以同时成立。

我第三个判断是 47% 这个数本身的精度要打折。依据是他们自己写的限定。他们没有给自助法置信区间，理由是标准重采样对成本前沿不适用，前沿只能往里缩不能往外扩；Simar 和 Wilson 在 1998 年提出的替代方案要求低效率分布同质，而 2023 到 2026 这段时间里前沿移动很快、参与的模型越来越多、采样越来越全，这个假设很可能不成立，硬算出来的标准误会虚假精确。

平均怎么取也很敏感。GPQA 用四种精度网格方式算，结果在每季度 42.9% 到 58.0% 之间。报告选的是均匀精度并裁剪掉 SOTA 段，得到 47.0%。换一种取法，这个数字能差出十几个百分点。

剩下三条限定同样写在报告里。基准可能被专门训练去刷分，他们把其中一个游戏基准的身份保密来缓解，那个基准的降幅是 44.0%（模型无关口径）和 38.7%（Box-Tidwell 口径），比平均值低，说明刷分的批评站得住，但没有把结论推翻。基准分数也不等于有用的市场价值，电和电池有直接的市场价格，AI 的分数没有。另外只有三年数据，时间窗短。

最后一条跟读到这里的人最有关系。报告明说，几乎没有用户会一直待在成本前沿上，不停地换模型。真实团队有工作流、有迁移成本、还要考虑稳定性。一个模型在纸面上便宜很多，不等于明天就该把全部调用切过去。

报告的数据和代码都放在 GitHub 上，愿意复核的人可以自己去跑。

支撑本文结论的主要来源，Epoch AI 报告《The plunging price of thought》（Luke Emberson 与 David Roodman，2026 年 9 月 22 日，epoch.ai），以及 TechCrunch 对 GPT-6 Sol、Luna 和 Claude Opus 5.5 发布的报道。