AI 的可负担性危机

原文 ↗ Hacker News 讨论 ↗

AI 成本、定价与利润率

  • 对于“AI 是否太贵”存在强烈分歧。
    • 一些人说，按能力计算的 API 价格在几年内下降了约 50 倍；另一些人则指出，按 token 计算的价格在上升，而硬件/制冷成本正暴涨。
    • 对于推理是否是高利润业务（API 定价利润率 75%+），还是在计入折旧和持续重训后仍需补贴，也存在争论。
  • 订阅制与按 token 计费的数学关系也有争议：
    • 如果完全用满，固定费率方案看起来被大幅补贴；批评者认为这忽略了典型的未充分使用和缓存。
    • 另一些人认为，API 价格可能已经被“吸收”进去了，因此拿订阅来比较会误导。

企业行为与“Token 恐慌”

  • 多个轶事都提到，最初是“AI 大放送”，但一旦 token 账单到来，立刻开始收紧。
    • 对前沿模型的访问被限制，增加了审批和监控，一些工具甚至被完全关闭。
    • 现在公司更强调 ROI 和“默认使用便宜模型”，尤其是在编程方面。
  • 对昂贵 token 的需求似乎高度弹性：一旦预算和监控介入，使用量就会下降。

竞争：中文、开源与本地模型

  • 许多人提到中国和开源权重模型（如 DeepSeek、Qwen、GLM）便宜得多，而且越来越“够用”，尤其是用于编程。
  • 有些团队报告说，通过把本地模型、便宜的中文 API 和少量西方订阅混合使用，整个团队每月花费只有几百美元。
  • 人们担心美国的出口禁令和安全政策会把一些用户推离美国模型，或迫使国内基于外国权重进行“重新包装”的训练。

盈利能力、资本开支与泡沫风险

  • 每年在 GPU 和数据中心上的巨额 capex（约数千亿美元）被认为可能难以持续。
    • 有人将其与 dot-com/光纤以及核电经济学作比较；训练被比作不断重建一座发电厂。
  • 关于公开披露的盈利能力存在争论：
    • 有人指出“盈利季度”和增长中的收入。
    • 另一些人则认为，会计处理（一次性费用、排除折旧的 EBITDA、股票薪酬、回购）掩盖了真实经济状况。
  • 许多人预计，随着企业发现 ROI 有限且不均衡，市场会出现一次洗牌或“修正”。

开发者生产力与使用场景

  • 许多个体开发者报告生产力大幅提升：更快的上手、代码生成、审查和数据分析。
  • 另一些人认为，过了某个点之后，人类仍然必须深入理解代码，这会侵蚀净收益，尤其是对于生命周期较长的系统。
  • 人们担心过度依赖 AI 的“vibe coder”和学生会缺乏审查或调试 AI 编写代码所需的基础知识。

锁定、监管与未来市场结构

  • 对持久的供应商锁定持怀疑态度：适配层很薄，模型某种程度上是可替代的，切换相对容易。
  • 反方观点则认为，真正的锁定可能发生在企业层面，通过合同、合规和专有智能体平台实现。
  • 有人预测，LLM 最终会成为商品化的云服务（类似数据库），而硬件/推理效率将成为主要护城河。

社会、文化与“恶化”担忧

  • 担心 AI 驱动的 enshittification：无处不在的广告、AI 生成的垃圾内容淹没论坛，以及在“助手”界面中的隐性操控。
  • 担忧前沿实验室的生存取决于替代大量白领劳动，尤其是软件工程师。
  • 另一些人则认为，对“智能”的需求实际上是无限的，尽管金融上有波动，LLM 仍会留在这里，并持续改进。