AI 研究機構 Epoch AI 發表報告《The Plunging Price of Thought》，指喺相同測試表現下，AI 推論（inference，即模型實際產生答案嘅運算）成本，自 2023 年起平均每季下跌約 47%，相當於每年便宜約 13 倍，跌速超越摩爾定律（Moore's Law）所描述嘅晶片發展趨勢。對企業而言，價格急跌亦帶來一個問題：是否仍值得長期依賴單一 AI 供應商？
報告將 AI 產生答案嘅能力稱為「人工思考」（artificial thought），並同多項科技嘅成本變化做比較：按平均每年跌價速度，AI 推論約為 DNA 排序嘅 4 倍、傳統運算技術嘅 6 倍、鋰電池嘅 18 倍、早期電力發展嘅 54 倍。Epoch AI 提醒，AI 服務持續演變，跨技術比較只能作參考；若將跌速延伸至約五年，累計降幅可達數十萬倍，惟報告主要分析約三年數據，更長期屬推算。
以 GPQA Diamond 科學問答測試為例，Epoch AI 估計 OpenAI 於 2025 年 1 月推出嘅 o3，每題平均花費約 0.3 美元可達報告採用嘅 75% 表現水平；不到 18 個月後推出嘅 GPT-5.6 Luna 達到相同水平，每題成本約 0.0004 美元。按報告數據計算，成本下跌約 725 倍，就好似一輛售價 5 萬美元嘅新車跌至約 69 美元。
不過不同任務嘅跌價速度並唔一致：數學測試所需成本每年下降約 16 至 19 倍，棋類等遊戲測試約 7 至 10 倍。某表現水準剛達業界前沿時，其成本平均每季下跌 66%；約 2 年後，季度跌幅放緩至 32%。研究人員推測，廠商初期可憑領先表現收取較高價格，隨住競爭對手追上，價格便迅速回落。
有兩點限制要留意。其一，Epoch AI 衡量嘅係特定測試表現所需嘅最低成本，並非用户實際支付嘅價格，報告亦冇斷言 AI 訂閲制將難以維持。其二，廠商可能針對指定測試訓練模型（所謂「Benchmaxxing」），分數提升未必等同實際工作能力改善；研究採用部分較難預先準備嘅測試減低影響，但無法完全排除呢項限制。
對用户而言，若便宜模型已足以應付日常任務，持續選用最新旗艦模型嘅理由會減少，惟介面熟悉程度、現有工作流程整合同服務穩定性，同樣影響轉換供應商嘅決定。價格急跌對前沿供應商構成壓力，佢哋難以單靠模型表現維持溢價，晶片及電力等投入成本又可能增加經營壓力；不過價格急跌未必使訂閲服務失去價值，卻會促使供應商更清楚展示高價方案帶來咩實際效益。就企業而言，成本下降可降低試用 AI 嘅門檻，讓中小企以較少預算測試客服、文件整理及內部知識搜尋等用途；不過採購不宜只按公開測試分數或單次提問價格，應先用自身任務比較不同模型嘅準確度、總使用成本及與現有系統嘅整合難度，喺合約同技術架構上保留更換供應商嘅彈性，處理客户或員工資料時亦一併評估資料保護及存取權限。
模姐驗嚇貨：18 個月跌 725 倍，最吸睛都最易被誤讀——佢衡量嘅係「達致某測試水平嘅最低成本」，唔係你帳單上面見到嘅數；Epoch 自己都冇話訂閲制撐唔到。對用家真正有用嘅啟示：同一樣嘢幾蚊就做到，你仲要為「最新」買幾多單？將自己嘅真實任務拎出嚟比準確度、總成本同整合難度，先係唯一唔會錯嘅做法。
模姐｜深度調教
