這正是傑文斯悖論在最純粹形式下的體現。 由於AI代幣的成本下降，我們現在可以使用更多的代幣來處理越來越複雜的任務。因此，關鍵點不是「AI變得更昂貴」；而是因為它變得更便宜且更強大，我們正在使用更多的代幣來更好地解決問題。 對於幾乎每一個相同的任務，我們只是使用了更多的代幣來完成任務，以提供更好的輸出。無論是編寫代碼、回答醫療問題，還是分析合同，我們今天使用的AI代幣都遠遠超過以往，因為我們需要額外的性能點。在處理法律合同時，獲得99%的正確答案與90%的正確答案是*非常*不同的，這絕對值得10倍到100倍的代幣增加。 現在，在*某個*時刻，我們將開始在某些類型的任務上達到平台期，然後每個任務的成本將下降。例如，我們可能不需要比今天多100倍的代幣來回答一個簡單的醫療問題或總結一份文件。因此，最終，在相同的基礎上，這些工作負載將變得更便宜，因為我們能夠從模型中捕獲效率提升。 *但是*，這個一般循環將基本上永遠持續下去，因為我們將不斷提高使用AI的標準。隨著代幣因算法突破、GPU價格競爭、一般計算效率和開放權重替代方案而繼續變得更便宜，我們將找到下一組消費代幣的方法。 我們將並行部署更多的代理以加快任務速度，我們將使用多代理系統來比較答案並達成共識，我們將解決更複雜的知識工作問題，並且我們將在後台運行更長時間的代理。 AI將同時變得越來越便宜，也會變得更昂貴。