科技公司對成本效益高的AI模型表現出興趣

人工智慧的蓬勃發展依賴於一個核心假設：規模更大的模型能力更強，而最強大的模型才能取得成功。如今，這個行業即將面臨這樣一個挑戰：當這一假設開始出現裂痕時，會發生什麼？

不斷上升的成本已經迫使使用者重新考慮使用規模更小、價格更低的模型。這種基於成本考慮的模型選擇方式是前所未有的，目前還不清楚它將如何重塑整個行業——但它的影響很可能是深遠的。

Coinbase聯合創始人Brian Armstrong最明確地表達了一個預測：絕大多數任務將會轉移到價格更低的模型上。

Armstrong在X平臺上寫道：“對智慧的需求幾乎是無限的，但在12到18個月內，80%的工作負載將會使用成本降低99%的模型來處理；而剩下的20%工作負載仍然會依賴最新一代、能夠最大化智慧水平的模型。”

如果Armstrong的預測成真，這對人工智慧行業來說將是一個具有重大意義的轉變。

在此之前，大多數人工智慧公司都是透過提升模型質量來進行競爭的，這意味著它們會優先選擇最先進的模型。但如果同樣的任務可以用價格更低的模型來完成，而且質量不會受到影響，那麼這無疑意味著人工智慧行業的經濟格局將會發生巨大變化。更重要的是，這些成本節省所帶來的收益，很大程度上將直接來自那些大型研究機構的收入——而對於即將上市的開源AI公司來說，這無異於是一次沉重的打擊。

這對整個行業來說可能是一場具有顛覆性的變革，而關鍵的問題在於：各家公司是否已經準備好轉向使用規模較小的模型？

初步的測試結果表明，在適當的配置下，使用價格更低的模型完全可以在不犧牲質量的前提下完成任務。例如，法律人工智慧工具Harvey最近進行的一項測試顯示，該工具在與推理平臺Fireworks AI合作的情況下，將推理成本降低了三倍，而且質量絲毫沒有下降。這項測試結合使用了Claude Opus和Fireworks的GLM 5.1模型，在處理要求最高的任務時改用了Opus模型，結果就是伺服器的壓力大大減輕，整體成本也得到了降低。

Harvey的聯合創始人Gabe Pereyra在接受TechCrunch採訪時說：“在法律領域，質量始終是第一位的。然而，對質量的定義也在發生變化——不再僅僅是使用最強大的模型來處理所有任務，而是要選擇那些能以最高效率得出正確結果的模型。”

人們常常將這種趨勢描述為大型研究機構與中國的開放原始碼模型之間的競爭，但這種看法其實忽略了更本質的問題。真正的區別並不在於私有模型和開放原始碼模型之間，而在於大規模模型和小規模模型之間。將GPT-5.5替換為DeepSeek的V4Flash確實可以節省成本，但換成GPT-5.4-mini也同樣能夠達到良好的效果。

目前，大型研究機構自主研發的推理技術與獨立提供的開放原始碼模型之間正在進行一場激烈的價格競爭。而對於“小型模型與大規模模型之間的競爭”這一更宏觀的問題來說，究竟哪種型別的小型模型能夠勝出其實並不重要。

所有這些觀點看起來似乎都很顯而易見——當然，人們不應該使用超出實際需要的計算資源——但這種觀念與迄今為止主導整個行業的發展策略是截然相反的。由於之前取得了巨大的成功，各研究機構都傾向於訓練那些計算需求極高的模型，不斷推動人工智慧模型能力的上限。在投資者的大力支援下，客戶們也沒有理由不選擇最先進的模型。

然而，隨著代幣價格的上漲和補貼政策的減少，使用者們首次面臨著成本壓力。我們目前還不知道這種新的成本壓力是否真的會促使企業使用者轉向使用規模較小的模型。他們同樣可以透過減少呼叫次數、縮短上下文視窗的長度，或者乾脆放棄那些效果不佳的應用場景來節省成本。

但如果事實證明，大多數應用場景使用規模較小的模型同樣能夠取得良好的效果，那麼這無疑會對當前日益增長的對推理服務的需求產生嚴重的影響——同時也會引發新的問題：如何為訓練這些高階模型所投入的成本找到合理的解釋呢？