科技公司对成本效益高的AI模型表现出兴趣

人工智能的蓬勃发展依赖于一个核心假设：规模更大的模型能力更强，而最强大的模型才能取得成功。如今，这个行业即将面临这样一个挑战：当这一假设开始出现裂痕时，会发生什么？

不断上升的成本已经迫使用户重新考虑使用规模更小、价格更低的模型。这种基于成本考虑的模型选择方式是前所未有的，目前还不清楚它将如何重塑整个行业——但它的影响很可能是深远的。

Coinbase联合创始人Brian Armstrong最明确地表达了一个预测：绝大多数任务将会转移到价格更低的模型上。

Armstrong在X平台上写道：“对智能的需求几乎是无限的，但在12到18个月内，80%的工作负载将会使用成本降低99%的模型来处理；而剩下的20%工作负载仍然会依赖最新一代、能够最大化智能水平的模型。”

如果Armstrong的预测成真，这对人工智能行业来说将是一个具有重大意义的转变。

在此之前，大多数人工智能公司都是通过提升模型质量来进行竞争的，这意味着它们会优先选择最先进的模型。但如果同样的任务可以用价格更低的模型来完成，而且质量不会受到影响，那么这无疑意味着人工智能行业的经济格局将会发生巨大变化。更重要的是，这些成本节省所带来的收益，很大程度上将直接来自那些大型研究机构的收入——而对于即将上市的开源AI公司来说，这无异于是一次沉重的打击。

这对整个行业来说可能是一场具有颠覆性的变革，而关键的问题在于：各家公司是否已经准备好转向使用规模较小的模型？

初步的测试结果表明，在适当的配置下，使用价格更低的模型完全可以在不牺牲质量的前提下完成任务。例如，法律人工智能工具Harvey最近进行的一项测试显示，该工具在与推理平台Fireworks AI合作的情况下，将推理成本降低了三倍，而且质量丝毫没有下降。这项测试结合使用了Claude Opus和Fireworks的GLM 5.1模型，在处理要求最高的任务时改用了Opus模型，结果就是服务器的压力大大减轻，整体成本也得到了降低。

Harvey的联合创始人Gabe Pereyra在接受TechCrunch采访时说：“在法律领域，质量始终是第一位的。然而，对质量的定义也在发生变化——不再仅仅是使用最强大的模型来处理所有任务，而是要选择那些能以最高效率得出正确结果的模型。”

人们常常将这种趋势描述为大型研究机构与中国的开放源代码模型之间的竞争，但这种看法其实忽略了更本质的问题。真正的区别并不在于私有模型和开放源代码模型之间，而在于大规模模型和小规模模型之间。将GPT-5.5替换为DeepSeek的V4Flash确实可以节省成本，但换成GPT-5.4-mini也同样能够达到良好的效果。

目前，大型研究机构自主研发的推理技术与独立提供的开放源代码模型之间正在进行一场激烈的价格竞争。而对于“小型模型与大规模模型之间的竞争”这一更宏观的问题来说，究竟哪种类型的小型模型能够胜出其实并不重要。

所有这些观点看起来似乎都很显而易见——当然，人们不应该使用超出实际需要的计算资源——但这种观念与迄今为止主导整个行业的发展策略是截然相反的。由于之前取得了巨大的成功，各研究机构都倾向于训练那些计算需求极高的模型，不断推动人工智能模型能力的上限。在投资者的大力支持下，客户们也没有理由不选择最先进的模型。

然而，随着代币价格的上涨和补贴政策的减少，用户们首次面临着成本压力。我们目前还不知道这种新的成本压力是否真的会促使企业用户转向使用规模较小的模型。他们同样可以通过减少调用次数、缩短上下文窗口的长度，或者干脆放弃那些效果不佳的应用场景来节省成本。

但如果事实证明，大多数应用场景使用规模较小的模型同样能够取得良好的效果，那么这无疑会对当前日益增长的对推理服务的需求产生严重的影响——同时也会引发新的问题：如何为训练这些高端模型所投入的成本找到合理的解释呢？