科技巨头能否学会“爱上”更便宜的 AI 模型？

背景

人工智能行业的繁荣长期以来建立在一个基本假设之上：模型越大，能力越强，而最强大的模型将赢得市场。然而，随着行业进入深水区，这一假设正面临前所未有的挑战。

不断攀升的算力成本和推理费用，已经迫使企业和用户开始重新审视那些更小、更便宜的 AI 模型。这种以成本意识为导向的“模型选购”行为在行业内尚属新鲜事，其最终影响尚不明朗，但极有可能对现有的 AI 产业格局产生深远影响。

核心内容

文章深入探讨了 AI 行业从“唯性能论”向“成本效益论”转型的可能性，并分析了这一转变背后的经济逻辑与技术现实。

1. 预测：大多数任务将迁移至廉价模型 Coinbase 联合创始人 Brian Armstrong 提出了一个极具前瞻性的预测：尽管对智能的需求近乎无限，但在未来 12 到 18 个月内，80% 的工作负载将运行在便宜 99% 的模型上。只有 20% 对智商上限有极高要求的工作负载，才会继续使用最新一代的大模型。如果这一预测成真，将是 AI 行业的一次重大范式转移。

2. 经济逻辑的转变：从质量竞争到效率竞争 在此之前，大多数 AI 公司的竞争焦点在于质量，这导致默认选择最先进的模型。但如果相同的工作负载可以由更便宜的模型以不降低质量的方式完成，AI 的经济结构将发生巨大变化。关键在于，节省下来的成本将直接削减大型实验室（如 OpenAI 和 Anthropic）的收入，而这恰恰发生在它们筹备 IPO 的关键时刻。

3. 技术可行性：小模型并非低质代名词 初步测试表明，只要系统架构合理，廉价模型可以在不牺牲质量的前提下替代大模型。

• 案例：Harvey 与 Fireworks AI 的合作 法律 AI 工具 Harvey 在与推理平台 Fireworks AI 合作进行的测试中，通过结合 Claude Opus 和 Fireworks 的 GLM 5.1，实现了推理成本降低 3 倍且质量不降。
  • 策略：将最密集的任务分配给 Claude Opus，其余任务由更高效的模型处理。
  • 结果：显著降低了服务器时间和总体成本。
  • 观点：Harvey 联合创始人 Gabe Pereyra 指出，质量仍是首要任务，但“质量”的定义正在演变——从“对所有事情使用最强大的模型”转变为“使用能以最高效率得出正确答案的最佳模型”。

4. 真正的分水岭：大小之争，而非开源与闭源之争 虽然舆论常将焦点放在大型实验室模型与中国模型或开源权重模型之间的对比，但这忽略了更本质的问题。真正的分歧不在于专有模型与开源模型，而在于大模型与小模型。

• 无论是从 GPT-5.5 切换到 DeepSeek 的 V4 Flash，还是切换到 GPT-5.4-mini，只要模型变小，都能实现成本节约。
• 目前，大型实验室的内部推理与独立服务的开源权重模型之间存在激烈的价格战，但对于“小模型 vs 大模型”这一宏观问题而言，哪种小模型胜出并不重要。

5. 行业惯性与现实压力 “不应使用超过必要的计算资源”这一观点看似显而易见，但它与过去主导行业的“扩展优先”（scaling-first）理念背道而驰。受“痛苦教训”（The Bitter Lesson）启发，实验室一直致力于训练计算量最大的模型，以推动 AI 能力的边界。在投资者高额补贴的背景下，客户没有理由选择非最先进的选项。 然而，随着 Token 价格上涨和补贴减少，用户首次面临真实的成本压力。目前尚不清楚这种压力是否会真正推动企业用户转向小模型，用户也可能通过减少调用次数、缩短上下文长度或放弃前景不佳的部署来节约成本。

关键要点

• 范式转移预测：Coinbase 联合创始人 Brian Armstrong 预测，未来 12-18 个月内，80% 的 AI 工作负载将迁移至便宜 99% 的模型，仅 20% 对极致智力要求高的任务保留在大模型上。
• 经济冲击：若小模型能在大范围任务中替代大模型，将大幅压缩 OpenAI、Anthropic 等头部实验室的收入，对其 IPO 进程构成潜在财务打击。
• 质量定义重构：Harvey 等企业的实践表明，通过混合架构（如结合 Claude Opus 与高效小模型），可在保持法律级高精度的同时，将推理成本降低 3 倍。质量不再等同于“使用最强模型”，而是“最高效地得出正确答案”。
• 核心矛盾：行业竞争的本质正从“专有 vs 开源”转向“大模型 vs 小模型”。无论小模型来自何方，只要体积缩小、成本降低，即可满足大多数场景需求。
• 历史惯性 vs 现实压力：过去十年，AI 行业受“扩展优先”理念和资本补贴驱动，盲目追求最大模型。如今，随着补贴退坡和成本上升，用户被迫重新评估性价比，这可能抑制对推理算力的无限增长需求，并引发关于训练前沿模型成本合理性的新质疑。

意义与影响

这一趋势若成为现实，将对 AI 产业产生地震般的影响。

首先，商业模式的根本性重构。AI 公司若继续单纯依赖“更大更强”作为唯一卖点，将面临巨大的市场风险。企业客户将更加注重 ROI（投资回报率），迫使模型提供商证明其小模型在特定场景下的等效性。

其次，头部实验室的估值压力。OpenAI 和 Anthropic 等公司目前的高估值部分建立在其前沿模型的技术垄断地位上。如果大多数工作负载流向廉价模型，其高昂的推理成本优势将被削弱，投资者将质疑其训练超大规模前沿模型的经济合理性。

最后，技术路线的多元化。行业将从单一的“Scaling Law”崇拜，转向更加务实的工程优化和架构创新。混合模型部署、动态路由（根据任务难度自动选择模型大小）以及针对小模型的高效微调，将成为新的技术高地。这标志着 AI 行业从“野蛮生长”的军备竞赛阶段，步入“精细化运营”的成熟阶段。