当智能成本下降 100 倍时会发生什么
运行 AI 模型的成本快速下降，正让许多人把“智能”视为一种廉价而充裕的资源，并提高了对个人代理、软件开发到机器人和研究自动化等各方面的预期。评论者讨论当前的大语言模型是否构成真正的智能、更便宜的 token 会通过杰文斯悖论式效应带来多大的用量增长，以及开源低成本模型是否会削弱昂贵前沿系统的经济基础。其他人则强调速度、硬件限制、数据稀缺和商业模式不确定性等现实约束，认为要判断机器智能的真实长期价格和影响还为时过早。
对文章的整体反应
- 评论者强烈称赞成本/性能图表的清晰度，尤其是动画化的帕累托前沿。
- 一些人认为这些图表是快速能力提升的第一个“无可否认”的视觉证据。
- 少数人想知道是否用线性尺度会更好地传达进展，不过那样可能会让图表难以阅读。
机器人技术是主要受益者
- 许多人认为机器人技术是廉价智能最明显的受益领域：叠衣服、处理垃圾、工厂任务。
- 当前限制：机器人速度慢，往往只能在受控环境中工作，并且缺乏丰富的人类式传感器，尤其是触觉和力反馈。
- 争论：一些人认为机器人在普通家庭用途上“仍然遥远”；另一些人则说它已经在工业场景中提供了强大价值，并且正在稳步扩展。
硬件、成本与速度
- 一些人预计专用芯片和更好的蒸馏还会带来另一个 50–500 倍的效率提升。
- 对于前沿级模型是否真的能在智能手机上运行，还是更适合在数据中心托管，存在分歧。
- 许多人认为速度（延迟）比每个 token 的价格更像瓶颈，尤其是在交互式工作流中。
“智能”到底意味着什么
- 一派把 LLM 视为高级搜索，并坚持真正的工程智能仍然是人类的。
- 另一派认为智能本质上就是预测，因此 LLM 的行为已经算是一种智能形式。
- 还有人强调，生物性的、具身的人类智能与基于文本训练的模型在性质上是不同的。
需求、杰文斯悖论与 token 消耗
- 许多人预期会出现类似杰文斯悖论的效应：更便宜的 token 会驱动更多使用（更长时间运行的代理、多代理系统、持续实验）。
- 有人指出，在其他领域（例如照明）中，效率提升仍然降低了总资源占比，这表明结果取决于需求弹性。
- 智能需求被广泛认为可能是无上限的，尤其是在软件和研发中。
模型质量、开源模型与经济性
- 用户反馈，小型模型和开源模型在许多任务上已经“足够好”，而成本只是其一小部分。
- 强调的权衡包括：更便宜的模型可能更慢、不那么可靠，或者需要更多“思考”，因此实际耗时和一致性很重要。
- 关于当前推理是否在被补贴，以及基础模型提供商是否能收回训练成本，存在争论。
- 一些人预测商品化会发生：专有模型保持领先，但开源模型加上蒸馏会持续侵蚀它们的优势。