AI模型成本将降99%：Coinbase CEO预测18个月内
年初还为每月几十美元的AI助手高呼真香，转眼账单暴涨十几二十倍——这不是玩笑，而是大量GitHub Copilot重度用户正在经历的账务冲击。6月1日起，GitHub Copilot正式切换至按Token用量计费的新规则，抛弃了过去的固定订阅制。部分高频开发者的月费从几十美元直线飙升至数百甚至上千美元。有开发者在社交平台晒出内部测算截图，显示其账单将从44.68美元暴涨至754.29美元；另有用户预估，下月支出可能高达847美元。
这远不止一次产品调价。背后是AI产业长期依赖“低价圈地—规模扩张—后期提价”路径所积累矛盾的集中爆发。更关键的是，Coinbase首席执行官Brian Armstrong和Hugging Face首席执行官Clement Delangue等一线决策者已释放明确信号：成本直降99%的轻量模型与开源小模型，或将承接未来八成AI任务负载。一场关于AI商业模式可持续性的深层思辨正在全面升温。
01
GitHub Copilot计费转向：补贴红利终结
GitHub Copilot本轮调整早有征兆。今年4月，GitHub首席产品官Mario Rodriguez公开表示，随着智能体（Agent）类应用兴起，旧有定价体系“已难以为继”——一次简短提问和一次耗时数小时的自主编码任务，在原有模式下收费完全相同，而GitHub一直在默默承担不断上涨的推理开销。
新规于6月1日正式实施。新体系根据调用的AI模型类型及实际消耗的Token数量，折算为“AI积分”，每积分价值0.01美元。订阅用户享有基础积分额度，并按订阅等级获得额外弹性积分。问题在于，不同模型的单位Token推理成本差异悬殊，尤其前沿大模型的Token消耗更高，最终费用自然剧烈波动。
用户反馈来得又快又尖锐。在GitHub官方Reddit社区，一位自称从首发日起就订阅Copilot Pro+的用户留言：“每月39美元虽贵，但尚可接受；如今换成积分制后，我粗略估算下月账单：847美元。”多位开发者将这种变化比作Uber早期策略——先以低于成本的价格培养用户习惯，等依赖形成后再大幅涨价。
Gartner分析师Arun Chandrasekaran在接受Business Insider采访时点出一个更令人不安的事实：Copilot的案例“或许只是冰山一角”。随着高阶推理模型与智能体工作流逐渐普及，推理端的算力需求只会继续激增，更多企业大概率会跟进按Token或按用量计费的模式。
02
补贴逻辑的系统性隐患
这次定价风波，折射出AI产业一个更深层的结构性困局。投资人Tommy Shaughnessy在社交媒体上系统梳理了他眼中“AI最可能的崩塌路径”。
他指出，长期以来按席位收取的固定订阅费，本质上是被严重补贴的，远低于重度用户的真实使用成本。一旦企业因数据合规、安全审查或定制化需求转向API直连调用，就会直接暴露在真实的按量计费之下。而实际情况中，Token消耗速度往往超出预期。他列举了多个例子来印证这个趋势，比如Uber在2026年仅用了四个月，就耗尽了全年的AI预算。
更关键的是，Shaughnessy进一步强调，当前头部AI厂商的利润率已经深陷负区间。据披露，OpenAI的利润率接近负122%——这意味着其运营高度依赖外部融资来采购GPU、训练模型并持续补贴终端用户。一旦投资者对商业化回报节奏失去信心，资本流入很可能骤然放缓甚至逆转。
当然，他也补充了边界条件：如果AI真的能驱动新药研发取得突破，或者催生出全新的业态，用户对高价服务的支付意愿也会同步提升，届时上述压力或许能得到缓解。
03
Coinbase CEO：低成本模型将定义主流
面对算力成本的持续走高，Coinbase首席执行官Brian Armstrong提出了一个相当清晰的演进框架。他判断，人类对智能化的需求几乎是无限的，但市场会快速分层：大约80%的任务，将在未来12至18个月内转向成本仅为现有方案1%的替代模型；只有剩下20%对智能上限有极致要求的场景——比如基础科学发现、复杂系统级智能体编排——才需要依赖最新一代的前沿大模型。
Armstrong把这个趋势类比为消费电子的演化史：顶配MacBook或高端游戏PC始终是小众选择，而AI领域成本下降的速度甚至比摩尔定律还快。据此他断言，未来真正的瓶颈将是能源供给与物理算力，而不是模型本身的能力上限。
他还透露了Coinbase内部的实践进展：公司正在大力推行提示词路由（Prompt Routing）机制，动态将请求分发到性价比最优的模型。在部分业务线上，他们已经做到了总成本基本稳定，但Token消耗量仍然在指数级增长。
04
开源小模型：多模型时代的现实支点
Hugging Face首席执行官Clement Delangue则援引了斯坦福大学的研究成果，为低成本模型替代提供了更量化的锚点。数据显示，本地部署模型在真实世界对话与推理任务中的准确率，已经从2023年的23.2%提升至71.3%，而运行成本与能耗仅为前沿API服务的极小比例。
Delangue由此提出了“多模型共存未来”的判断：绝大多数常规任务，将由本地化、开源、小型且经济高效的模型来承担；只有在没有其他可行方案时，才去调用前沿闭源API。
Shaughnessy的分析与这个观点形成了共振。他指出，DeepSeek V4在SWE-bench编程基准测试中的表现已经逼近Anthropic Claude Opus，但价格仅为后者的约三十分之一；目前最廉价的开源模型报价甚至低至其百分之一。他认为，中国实验室持续高强度地开源前沿级模型，让全球的推理服务商得以零成本获取核心模型资产，这正在实质性削弱闭源AI巨头的定价权与盈利空间。