當(dāng)人們熱衷于討論 AI 智能體還能變得多強(qiáng)時(shí)，Toby Ord 把問題拉回到了一個(gè)更現(xiàn)實(shí)的維度：成本。 本文基于其文章 《Are the Costs of AI Agents Also Rising Exponentially?》 做延展解讀，嘗試回答一個(gè)值得所有人關(guān)注的問題——AI 不斷突破任務(wù)時(shí)長邊界的同時(shí)，它的使用成本是否也在悄然逼近，甚至接近人類勞動(dòng)成本？

AI 智能體的成本，也在指數(shù)級(jí)上升嗎？

關(guān)于 AI 近期發(fā)展，有一個(gè)極其重要、卻幾乎很少被認(rèn)真討論的問題。

過去幾年，我們已經(jīng)反復(fù)看到 METR 的圖表：AI 智能體能夠完成的任務(wù)時(shí)長，正在以驚人的速度增長。7 年前，GPT-2 只能處理那些只需要幾秒鐘的軟件工程任務(wù)；而如今，最新模型已經(jīng)能夠以約 50% 的成功率，完成那些通常需要人類數(shù)小時(shí)才能完成的任務(wù)。

隨著這一趨勢(shì)沒有明顯放緩，許多人自然開始進(jìn)一步外推：AI 何時(shí)能完成一整天的工程任務(wù)？一整周？甚至一整年？

但在這些討論中，往往缺少一個(gè)關(guān)鍵變量——成本。

只看能力增長，還不夠

過去 7 年間，AI 系統(tǒng)本身經(jīng)歷了指數(shù)級(jí)擴(kuò)張。模型參數(shù)量增長了數(shù)千倍，而單個(gè)任務(wù)中使用的 token 數(shù)量更是增長了數(shù)萬倍。雖然研究者也持續(xù)提升了效率，但一個(gè)完全合理的推測是：為了實(shí)現(xiàn) METR 所展示的“最優(yōu)表現(xiàn)”，其背后的成本也很可能在持續(xù)上升，甚至同樣呈指數(shù)增長。

這件事本身未必一定糟糕。

比如，如果 AI 每年能夠處理的任務(wù)時(shí)長增長 3 倍，而達(dá)到這種能力所需的成本也同步增長 3 倍，那么 AI 相對(duì)于人類的成本競爭力并沒有發(fā)生根本變化。甚至如果成本增長慢于能力增長，那么 AI 實(shí)際上會(huì)變得越來越便宜。

真正值得警惕的是另一種情況：如果成本增長速度快于任務(wù)時(shí)長增長速度，會(huì)發(fā)生什么？

如果真是這樣，那么最前沿的 AI 系統(tǒng)，雖然在“能力上”越來越強(qiáng)，但在“經(jīng)濟(jì)上”可能反而越來越不劃算。METR 的時(shí)間跨度趨勢(shì)，也就可能變得具有誤導(dǎo)性：它展示的是技術(shù)邊界如何不斷推進(jìn)，但其中一部分進(jìn)步，可能只是因?yàn)橥度肓嗽絹碓缴莩薜耐评硭懔Α?/p>

那樣的話，最先進(jìn)的 AI 更像是性能競賽中的“一級(jí)方程式賽車”——它展示了什么是可能的，卻不一定展示了什么是現(xiàn)實(shí)可用的。

一個(gè)更關(guān)鍵的問題：AI 的“每小時(shí)成本”如何變化？

因此，真正值得追問的問題應(yīng)該是：

AI 智能體的“每小時(shí)成本”究竟在如何變化？

這里所謂的“每小時(shí)成本”，并不是指模型實(shí)際運(yùn)行了多久，而是指：

一個(gè)模型在其 50% 時(shí)間跨度附近完成任務(wù)所需的成本，除以這類任務(wù)通常需要人類花費(fèi)的時(shí)間。

舉個(gè)例子，如果某個(gè)模型能夠以 50% 的成功率，完成“人類軟件工程師通常需要 2 小時(shí)完成”的任務(wù)，那么我們就可以把它執(zhí)行這類任務(wù)的費(fèi)用除以 2，得到它在這種任務(wù)上的“每小時(shí)成本”。

這個(gè)問題看似簡單，但現(xiàn)實(shí)中真正思考過的人并不多。

而一旦問起大家的直覺，答案往往差異極大。有人默認(rèn) AI 完成任務(wù)的總成本大體沒變，只是任務(wù)時(shí)長在不斷增長；這意味著 AI 的單位小時(shí)成本正在快速下降。也有人認(rèn)為，隨著前沿模型價(jià)格不斷上漲，AI 完成任務(wù)的總成本本身也在快速上升。

但事實(shí)上，大多數(shù)人——包括作者自己——其實(shí)并不知道，今天讓 AI 智能體完成一小時(shí)的軟件工程工作，究竟是幾美分、幾美元，還是幾百美元。

一個(gè)聽起來幾乎有些反直覺的問題開始出現(xiàn)：

AI 智能體每小時(shí)的成本，難道真的可能接近甚至超過人類嗎？

為什么不能直接拿“總花費(fèi)”來回答這個(gè)問題

作者曾向 METR 詢問是否能直接分享基準(zhǔn)測試的成本數(shù)據(jù)，原本以為只要把不同模型的測試花費(fèi)按發(fā)布日期畫出來，就能大致看出趨勢(shì)。

但問題沒有這么簡單。

原因在于，METR 的 headline time horizon，本來就不是為了衡量“達(dá)到某種表現(xiàn)的最低成本”，而是為了衡量：在不計(jì)成本的情況下，一個(gè)模型理論上能達(dá)到的最佳表現(xiàn)。

為此，他們會(huì)讓模型在 agent scaffold 中不斷運(yùn)行，直到性能明顯進(jìn)入平臺(tái)期。因?yàn)樗麄冴P(guān)心的是“這個(gè)平臺(tái)到底有多高”，而不是“從哪里開始變平”，所以他們會(huì)投入相當(dāng)多的算力，也不太在意是否已經(jīng)超出了達(dá)到該表現(xiàn)所需的最優(yōu)成本。

這意味著：不同模型的總測試花費(fèi)，有時(shí)只是剛好足夠進(jìn)入平臺(tái)期，有時(shí)卻可能遠(yuǎn)遠(yuǎn)超過所需。因此，總支出不能直接視為“實(shí)現(xiàn)該能力所需的經(jīng)濟(jì)成本”。

一張關(guān)鍵圖：性能如何隨著成本上升

幸運(yùn)的是，METR 發(fā)布了一張非常有價(jià)值的圖。它展示的不是單純的時(shí)間跨度結(jié)果，而是：

模型性能如何隨著成本增加而提升。這里的“成本”，主要指為了完成任務(wù)而投入更多 token，也就是更多推理算力所帶來的開銷。

圖中，黃色曲線代表人類表現(xiàn)。它的走勢(shì)大體接近線性：完成更長時(shí)間的任務(wù)，需要投入更多工作時(shí)間和工資，這幾乎是線性關(guān)系。比如，讓一位軟件工程師做 8 小時(shí)任務(wù)，成本大約就是 1 小時(shí)任務(wù)的 8 倍。

而其他彩色曲線，則代表不同的 LLM 智能體。

與人類不同，這些模型都展現(xiàn)出一個(gè)共同特征：邊際收益遞減。

也就是說，在一開始增加算力時(shí)，模型性能會(huì)有所提升；但隨著投入越來越多，收益開始變小，最后逐漸趨于停滯，進(jìn)入平臺(tái)期。繼續(xù)投入更多推理資源，帶來的提升已經(jīng)越來越有限。

作者也提醒，這些曲線末端有時(shí)會(huì)出現(xiàn)短暫上翹。這并不一定意味著模型能力突然躍升，而更可能是評(píng)測偽影：某些模型傾向于等到最后時(shí)刻才輸出答案，導(dǎo)致圖上看起來像是前面一段時(shí)間都在“橫盤”，最后卻突然向上跳了一下。

用“固定每小時(shí)成本線”重新看這張圖

為了從這張圖中進(jìn)一步提取信息，作者做了一個(gè)非常巧妙的處理：在圖中加入固定每小時(shí)成本線。

在雙對(duì)數(shù)坐標(biāo)下，這樣的線會(huì)表現(xiàn)為斜率為 1 的直線。對(duì)于這些線而言，越靠左，表示每小時(shí)成本越低。

然后，作者為每條模型曲線都找出一條“剛好與之相切”的固定每小時(shí)成本線。這個(gè)相切點(diǎn)，就是該模型所能達(dá)到的最低每小時(shí)成本。作者把它稱為模型的sweet spot。

這個(gè)點(diǎn)很重要，因?yàn)樗淼氖悄Ｐ驮凇皢挝怀杀拘省鄙献顑?yōu)的位置。

在 sweet spot 之前，隨著成本上升，模型的任務(wù)時(shí)長增長得更快，說明此時(shí)投入算力仍然非常劃算；而一旦過了 sweet spot，邊際收益遞減開始顯著出現(xiàn)，繼續(xù)往上加錢就不再那么值了。

AI 的最低“時(shí)薪”其實(shí)差異極大

從圖中可以看出，人類軟件工程師的成本大約是120 美元/小時(shí)。

而不同 AI 模型在 sweet spot 上的成本差異極大：高的如 o3，大約40 美元/小時(shí)；低的如 Grok 4 和 Sonnet 3.5，可以低到0.4 美元/小時(shí)。

這說明，雖然這些模型在“能完成多長任務(wù)”上的差距大約只有十幾倍，但在“最佳單位成本”上的差距卻可能達(dá)到兩位數(shù)量級(jí)。

更值得注意的是，sweet spot 只是這些模型最劃算的時(shí)候。

一旦進(jìn)入更長任務(wù)區(qū)間，尤其是接近平臺(tái)期時(shí)，它們的單位小時(shí)成本會(huì)迅速上升，往往高出 10 倍甚至 100 倍。比如，某個(gè)模型在最佳點(diǎn)可能只要幾角錢一小時(shí)，但一旦逼近其能力上限，成本就可能漲到十幾美元，甚至上百美元一小時(shí)。

換句話說：

模型越接近它的最長任務(wù)能力，往往也越不經(jīng)濟(jì)。

而這正是作者試圖強(qiáng)調(diào)的問題——如果人們只看“能做多久”，卻不看“做這么久要花多少錢”，就會(huì)對(duì) AI 智能體的現(xiàn)實(shí)可用性產(chǎn)生過于樂觀的判斷。

平臺(tái)期附近：能力還在漲，但成本可能已經(jīng)不現(xiàn)實(shí)

除了 sweet spot，作者還為每條曲線定義了一個(gè)saturation point（飽和點(diǎn)），用來近似表示“平臺(tái)期從哪里開始”。

這個(gè)點(diǎn)的定義雖然帶有一定任意性，但它比 sweet spot 更接近 METR 在 headline 結(jié)果中真正展示的“接近能力上限的表現(xiàn)”。

作者的分析顯示，不論看 sweet spot 還是 saturation point，結(jié)論都相似：

時(shí)間跨度更長的模型，通常成本更高；不僅總成本更高，連單位小時(shí)成本也往往更高；

某些模型在接近其峰值表現(xiàn)時(shí)，單位小時(shí)成本已經(jīng)接近甚至逼近人類水平。

這意味著一個(gè)重要判斷：我們也許正在接近這樣一個(gè)階段：AI 的“最強(qiáng)表現(xiàn)”雖然存在，但要以明顯不切實(shí)際的成本才能獲得。

如果這種趨勢(shì)持續(xù)下去，那么簡單根據(jù) METR 的時(shí)間跨度曲線去預(yù)測“AI 何時(shí)能做完一天、一周或一年的任務(wù)”，很可能會(huì)誤導(dǎo)人們。因?yàn)槟Ｐ偷谝淮芜_(dá)到這些能力時(shí)，也許仍然貴得難以實(shí)際部署。真正進(jìn)入大規(guī)?，F(xiàn)實(shí)應(yīng)用，還需要再等待一段時(shí)間，直到成本進(jìn)一步下降。

這篇文章真正想提醒我們的是什么？

作者并不是在否認(rèn) AI 智能體能力的快速進(jìn)步。相反，他承認(rèn)這條能力曲線非常驚人。

但他想提醒的是：

能力增長曲線，并不等于現(xiàn)實(shí)可用曲線。

如果實(shí)現(xiàn)這些能力所需的推理成本也在快速上升，那么“原則上能做到什么”和“經(jīng)濟(jì)上可行到能廣泛使用什么”之間，可能會(huì)出現(xiàn)越來越大的差距。

這也意味著，AI 智能體在現(xiàn)實(shí)世界中的部署速度，未必會(huì)與 METR 的時(shí)間跨度趨勢(shì)同步增長。技術(shù)前沿可以繼續(xù)高速推進(jìn)，但真正落地到企業(yè)、開發(fā)者和普通用戶手中的節(jié)奏，可能會(huì)慢得多。

作者的結(jié)論

基于現(xiàn)有圖表，作者認(rèn)為已經(jīng)有中等強(qiáng)度的證據(jù)表明：達(dá)到更長時(shí)間跨度所需的成本，可能也在指數(shù)上升；甚至連單位“每小時(shí)成本”本身，也可能在上升；一些模型在高端能力區(qū)間的成本，已經(jīng)接近人類勞動(dòng)成本。如果這些判斷成立，那么就意味著：METR 展示的趨勢(shì)，部分是由越來越高昂的推理投入推動(dòng)的；AI 的“理論能力邊界”和“經(jīng)濟(jì)可行邊界”會(huì)逐漸分離；現(xiàn)實(shí)世界中的 AI 智能體應(yīng)用，將越來越落后于單純從時(shí)間跨度曲線中得出的樂觀預(yù)期。

結(jié)語

在今天的 AI 討論中，我們已經(jīng)很習(xí)慣于追問：模型變強(qiáng)了多少、能完成多長任務(wù)、距離“自動(dòng)化工程師”還有多遠(yuǎn)。

但也許我們同樣需要開始認(rèn)真追問另一個(gè)問題：

這些能力，究竟是以怎樣的成本換來的？

因?yàn)檎嬲龥Q定 AI 是否會(huì)大規(guī)模改變現(xiàn)實(shí)世界的，未必只是“它能不能做到”，更是“它是否值得這樣去做”。