这正是杰文斯悖论在最纯粹形式下的体现。 由于AI代币的成本下降，我们现在可以使用更多的代币来处理越来越复杂的任务。因此，关键点不是“AI变得更昂贵”；而是因为它变得更便宜且更强大，我们正在使用更多的代币来更好地解决问题。 对于几乎每一个相同的任务，我们只是使用了更多的代币来完成任务，以提供更好的输出。无论是编写代码、回答医疗问题，还是分析合同，我们今天使用的AI代币都远远超过以往，因为我们需要额外的性能点。在处理法律合同时，获得99%的正确答案与90%的正确答案是*非常*不同的，这绝对值得10倍到100倍的代币增加。 现在，在*某个*时刻，我们将开始在某些类型的任务上达到平台期，然后每个任务的成本将下降。例如，我们可能不需要比今天多100倍的代币来回答一个简单的医疗问题或总结一份文件。因此，最终，在相同的基础上，这些工作负载将变得更便宜，因为我们能够从模型中捕获效率提升。 *但是*，这个一般循环将基本上永远持续下去，因为我们将不断提高使用AI的标准。随着代币因算法突破、GPU价格竞争、一般计算效率和开放权重替代方案而继续变得更便宜，我们将找到下一组消费代币的方法。 我们将并行部署更多的代理以加快任务速度，我们将使用多代理系统来比较答案并达成共识，我们将解决更复杂的知识工作问题，并且我们将在后台运行更长时间的代理。 AI将同时变得越来越便宜，也会变得更昂贵。