AI模型价格下降1000倍，为什么我们支出的成本没有随之降低？

2025年12月12日，波士顿大学的 Andrey Fradkin 团队发布了一项令业界瞩目的研究 《The Emerging Market for Intelligence: Pricing, Supply, and Demand for LLMs》（智能的新兴市场：LLM的定价、供给与需求）。

https://andreyfradkin.com/assets/LLM_Demand_12_12_2025.pdf

这不仅仅是一份市场报告，更是一次对AI微观经济学的深度扫描。研究团队基于全球主流LLM聚合平台 OpenRouter 和 Microsoft Azure 的后台数据（涵盖数百万亿Token的消耗），试图回答一个核心问题：

当AI的价格以指数级速度下跌时，这个市场究竟是在走向同质化的“大宗商品红海”，还是会演化出全新的价值护城河？

以下是小编对这篇论文的个人解读。

“价格摩尔定律”与消费升级的博弈

我们正在经历一场“算力通缩”。

论文数据显示，从2023年到2025年，SOTA（最先进）级别模型的推理价格下降了约 1000倍 。与此同时，供给端呈现爆发式增长：仅2025年一年，OpenRouter上的可选模型就从253个激增至651个。

图1：过去两年Token价格的断崖式下跌

解读： 图中红色实线代表Prompt Token价格的中位数。可以看到，自2023年以来，价格曲线呈现陡峭的下降趋势。哪怕是高端模型，其价格门槛也在不断被打破。

然而，数据揭示了一个反直觉的现象：

尽管单位算力成本“跳水”，但在OpenRouter平台上，用户平均支付的每Token单价（Token-Weighted Average Price）却保持了惊人的稳定。

这打破了“AI将迅速廉价化”的简单线性预测。虽然旧技术的成本在归零，但市场对“更高智能”的需求弹性极大。用户并没有因为GPT-3.5级别的能力变得近乎免费而大规模停留在该水平，相反，他们将节省下来的预算，全部投入到了更昂贵、更聪明的新一代模型（如Claude 3.7或Gemini 2.5 Pro）中。

这不是一场逐底竞争（Race to the Bottom），而是一场持续的消费升级。

开源与闭源：90%的价格鸿沟与30%的份额天花板

在同等智力水平（基于Artificial Analysis Intelligence Index测算）下，开源模型的价格平均比闭源模型低 90% 。

按常理推断，如此巨大的价格优势应该让开源模型横扫市场。但事实并非如此。

图2：开源模型（红色）与闭源模型（蓝色）的市场份额博弈

解读： 尽管开源模型（红色区域）在2025年上半年曾短暂冲高，但可以看到，蓝色区域（闭源模型）始终占据主导地位。开源模型的市场份额长期徘徊在 30% 以下，并未因价格优势而实现反转。

这揭示了AI市场的非价格壁垒依然坚固。

1. 隐性成本： 企业用户看重稳定性、合规性以及数据隐私（Brand Reputation & Privacy），这些是单纯的模型权重无法提供的。
2. 部署差异： 闭源模型通常提供更完善的API服务和SLA保障。
3. 信任溢价： 90%的差价，本质上是用户为“确定性”支付的溢价。

场景分化：编程昂贵，翻译廉价

AI并不是一种标准化的商品，它在不同场景下的“支付意愿”天差地别。

论文通过分析不同应用场景（Use Cases）的平均支付价格，绘制了一幅“AI价值热力图”：

图3：不同应用场景的平均支付价格（$/百万Token）

• 高溢价区（上部）：SEO ($1.40) 和 编程 ($0.84)。用户愿意为这些场景支付高昂的费用，因为代码的准确性至关重要。

• 低溢价区（下部）：法律 ($0.16) 和 翻译 ($0.17)。这表明在这些任务中，中端模型已足够胜任，用户不愿为此支付溢价。

这意味着通用大模型（AGI）在商业落地时，将面临严峻的垂直差异化挑战。未来的利润高地，将集中在那些“稍微聪明一点就能创造巨大价值”的领域，而非通吃所有场景。

替代效应：是“切蛋糕”还是“做蛋糕”？

当一个新模型发布时，市场会发生什么？论文通过数据区分了两种截然不同的竞争模式。

模式一：同室操戈（Cannibalization）

图4：Claude 3.7 发布后的“完美替代”现象**

解读： 在红线（Claude 3.7）拉升的瞬间，灰虚线（Claude 3.5）几乎呈镜像下跌。这说明该品牌用户忠诚度极高，但不同代际产品之间是完全的替代品。

模式二：市场扩张（Market Expansion）

与 Claude 不同，当 Google 发布 Gemini 2.0 Flash 时，它并没有显著抢走其他模型的份额，而是带动了平台整体流量的上涨。

这一发现至关重要。它说明高性能模型（Frontier Models）主要在争夺存量高端用户，而高性价比模型（Cost-effective Models）则在不断开发新的应用场景，做大整个市场的蛋糕。

企业的真实策略：表面多情，实则专一

对于企业是否会同时使用多个模型（Multihoming），数据给出了一个看似矛盾的结论：

图5：企业多归属行为与单一模型依赖度

解读： 左图显示，超过 50% 的企业（橙色及以上区域）在单月内会调用多个模型 。但右图揭示了真相：绝大多数企业将 90% 以上 的Token消耗（右侧高柱）集中在单一模型上。

所谓的多模型策略，目前更多停留在“测试与备选”（Experimentation）阶段。企业在寻找最适合自己的那一个模型，一旦选定，转换成本依然存在，使得企业在短期内会形成较强的路径依赖。

结语：Jevons悖论的阴影与曙光

经济学中有一个著名的 Jevons悖论：技术的进步提高了资源利用效率，反而会增加（而非减少）对该资源的消耗。

在AI领域，我们似乎看到了这一悖论的雏形。短期内，需求的价格弹性略高于1，意味着降价确实带来了使用量的超额增长。

但更长远的启示在于：AI市场的格局远未固化。

这既不是一个赢家通吃的垄断市场（各细分领域领头羊不同），也不是一个完全同质化的红海。无论是深耕高溢价的复杂推理，还是通过高性价比拓宽市场边界，在这个快速膨胀的宇宙中，每一个生态位都蕴藏着巨大的机会。

数据来源：Fradkin, Andrey, et al. (2025). "The Emerging Market for Intelligence: Pricing, Supply, and Demand for LLMs." https://andreyfradkin.com/assets/LLM_Demand_12_12_2025.pdf

文章来自于微信公众号 “SciAiTech”，作者 “SciAiTech”