AI大裁員：為何更便宜的模型突然成為最明智的選擇

BitcoinWorld

AI大瘦身：為何更便宜的模型突然成為最明智的選擇

人工智慧產業長期以來奉行一個簡單而有力的前提：模型越大越好，最佳模型贏得一切。這一假設推動了規模競賽，OpenAI和Anthropic等公司投入數十億美元訓練規模不斷擴大的前沿模型。但一場悄然而至、可能具有顛覆性的轉變正在發生。不斷攀升的成本迫使企業重新審視對最昂貴AI的依賴，一個注重成本的模型選購新時代正在開啟。問題不再只是關於原始性能，而是關於效率，而答案可能重塑整個AI經濟格局。

規模化假設承壓

多年來，AI產業的發展軌跡由「苦澀的教訓」所定義：利用龐大的算力是提升性能最可靠的途徑。各實驗室在質量上展開競爭，這意味著默認使用最先進的可用模型。投資者補貼了高昂的推理成本，令用戶幾乎沒有節省開支的動力。如今，這一動態正在改變。Token價格不斷上漲，補貼逐漸放緩，企業首次感受到真實的成本壓力。尋找更便宜的替代方案成為自然而然的回應。

Coinbase的Armstrong預測戲劇性轉變

Coinbase聯合創始人Brian Armstrong提出了一個鮮明的預測：在12至18個月內，80%的AI工作負載將運行在比當今前沿系統便宜99%的模型上。只有剩餘20%的任務——那些需要最高智能的任務——將繼續使用最新一代模型。若此預測成真，將代表AI經濟學的根本性變革。大部分節省下來的費用將直接來自OpenAI和Anthropic等主要實驗室的收入來源，在它們接近IPO之際，可能造成重大財務衝擊。

現實測試展現潛力

初步證據顯示Armstrong的預測並非無稽之談。法律AI工具Harvey近期與推理平台Fireworks AI合作進行的測試表明，在不損失任何質量的情況下，成本可以降低3倍。該系統智能地將較簡單的任務路由至規模更小、價格更低的模型（Fireworks的GLM 5.1），並將更強大的Claude Opus保留用於最複雜的法律工作。Harvey聯合創始人Gabe Pereyra指出，質量的定義正在演變——從對所有任務都使用最強大的模型，轉變為以最高效率獲得正確答案的最佳模型。

真正的分界線：大模型與小模型，而非開放與封閉

新興的成本戰常被定性為美國實驗室的專有模型與DeepSeek等中國公司的開放權重模型之間的較量。然而，這種框架忽略了更重要的核心。關鍵的分界線在於大模型與小模型之間。一家公司可以透過從前沿模型切換至更便宜的開放權重替代方案來節省成本，但也可以透過切換至同一實驗室更小、更便宜的版本實現相似的節省。這場價格戰存在於大規模推理與小規模推理之間，對於更廣泛的產業轉變而言，哪種類型的小模型勝出並不重要。

這對產業未來意味著什麼

若大多數企業部署能夠在更小、更便宜的模型上同樣有效地運行，將對不斷增長的推理需求造成嚴重抑制。這反過來又會引發難題：如何為訓練前沿模型的巨額成本提供合理依據。產業正處於十字路口。它可以選擇擁抱效率，但冒著其最昂貴產品增長放緩的風險；也可以尋找新方法，證明前沿模型的額外成本物有所值。答案將決定AI革命下一階段的贏家與輸家。

結論

AI產業的根本假設正在接受考驗。隨著企業面臨真實的成本壓力，向更小、更便宜模型的轉變不再是理論上的可能，而是現實的必要。其影響可能是深遠的，潛在地放緩主要實驗室的收入增長，並迫使對整個規模化範式進行重新評估。未來幾個月將揭曉：產業能否學會接受更便宜的AI模型，抑或對前沿智能的需求依然難以滿足。

常見問題

Q1：為何更便宜的AI模型現在變得更具吸引力？
Token價格上漲及投資者補貼放緩，正為使用AI的企業帶來真實的成本壓力。這迫使它們尋找更高效的選項，而非默認使用最強大的模型。

Q2：使用更便宜的模型是否意味著質量下降？
不一定。早期測試（例如Harvey進行的測試）顯示，透過智能路由任務，企業可以在大幅降低成本的同時實現相同的質量。關鍵在於為正確的工作使用正確的模型。

Q3：這一轉變將如何影響OpenAI和Anthropic等公司？
廣泛轉向更便宜模型可能會降低對其最昂貴推理服務的需求，在它們準備上市之際潛在地影響其收入。這將挑戰它們的商業模式——這些模式建立在客戶願意為最佳智能支付溢價的假設之上。

本文《AI大瘦身：為何更便宜的模型突然成為最明智的選擇》最初發表於BitcoinWorld。