【AI 杂谈】降价80%之后，AI的第一批用户开始撤退

降价80%之后，AI的第一批用户开始撤退

2026年7月30日，OpenAI宣布GPT 5.6 Luna降价80%，输入价格降到$0.20/百万Token。（来源：OpenAI官方公告）

同一天，Meta发布Q2财报。自由现金流从去年同期的$85.5亿暴跌至$7.84亿，降幅91%。当季经营现金流$318.6亿，资本开支$310.8亿 — 几乎全部利润砸进了数据中心和服务器。（来源：Meta Q2 2026财报）

8月1日，亚马逊完成对OpenAI的$500亿投资，科技史罕见的单笔AI投资规模。（来源：Amazon SEC 10-Q filing）

8月3日，阿里发布Qwen 3.8-Max，2.4万亿参数，API输入价仅为Claude Opus 5的40%。同时宣布旗舰模型下周开源权重 — 最先进的模型即将免费。（来源：千问官方博客）

6月，Uber在工程博客中披露了一组数字：公司92%的工程师每月使用AI编码工具，31%的新代码由AI编写。但AI相关成本自2024年以来增长6倍，单个开发者月成本达到$2,000。Uber的反应不是扩大使用，而是设定每人$1,500的硬性月限额。（来源：InfoQ/Uber Engineering Blog）

五天内，同一个行业发出了完全相反的两个信号。

信号A：AI从未像今天这样便宜。GPT 5.6 Luna单任务成本降至$0.075，在同等智能水平下甚至低于部分同类竞品。（来源：Artificial Analysis Intelligence Index v4.1）长三角Token运营中心一次接入100+模型，模型本身正在变成水电一样的公共品。（来源：腾讯新闻）

信号B：AI从未像今天这样让用户感到财务压力。Meta烧到只剩$7.84亿现金流，Uber开始给工程师设预算帽，Alphabet同期自由现金流转负。

这两个信号之间的矛盾，不是某个公司的战略失误。AI产业自己跟自己打起架来了。

供给侧：为什么AI在"跳崖式降价"？

这不是降价，是正反馈回路在加速。三条线索同时发生。

模型能力趋同，差异化正在消失

Chatbot Arena榜单上，Qwen 3.8-Max的综合能力仅次于Claude系列，CodeArena全球第四。（来源：LMSYS Chatbot Arena）GPT 5.6 Luna在"50分智能"以上的价格区段给出最低价。（来源：Artificial Analysis）DeepSeek V4-Flash正式版API公测上线，MiniMax H3开源。（来源：InfoQ/CSDN综合报道）

当3-4家厂商都能提供相近水平的模型能力，价格就成了唯一还能打的牌。差异化在消失，替代成本在下降，用户切换模型的代价趋近于零。这对于用户是好事，但对于模型厂商意味着：你降价，对手跟降；你开源，对手也开源。没有定价权就没有护城河。

开源从"追赶策略"变成了"先发制人"

Qwen 3.8-Max宣布开源权重这件事，有点不一样。

以往的逻辑是：开源是追赶者的武器。拿着稍旧的模型开放出来，让社区帮你做生态，然后闭源下一代收钱。DeepSeek V3已经打破了这个逻辑，开源没有削弱它的竞争力。

现在Qwen 3.8-Max更进一步：旗舰模型直接开源。2.4万亿参数，激活95B，16天自主编程265次commit，能复现论文并自我改进。这不是"落后所以开放"，是"领先所以开放"。（来源：千问官方博客）

开源从追赶策略变成先发策略的那一刻，闭源模型的定价基础就被瓦解了。用户会问：免费能用到最强的，为什么要付费？

基础设施过剩正在推动价格死亡螺旋

四大云厂商2026年资本开支合计约$7,500亿。（来源：联博基金预测/各大厂商财报）比2025年增长60%以上，同期AI使用量的增长远没有跟上。

算力建设速度超过了可持续需求增长速度。供给过剩导致算力成本下降，算力成本下降拉低模型训练和推理成本，训练成本下降推动API降价 — 这是一个自加速的正反馈回路。建得越多，价格越低；价格越低，更要想办法建更多来摊薄固定成本。

NVIDIA Vera Rubin全面量产，芯片到电网协同设计，整个产业链都在按"需求无限增长"的假设投资。（来源：NVIDIA官方）但假设就是假设。

需求侧：为什么第一批重度用户开始撤退？

供给侧在降价，需求侧在刹车。负反馈回路终于启动了，比所有人预期的都要猛。

Uber现象：用量越大，问题越多

92%的使用率、31%的AI代码生成率，表面看是很漂亮的数字。但换个角度：92%的使用率意味着AI工具已经从"辅助"变成了"默认"，而AI的成本增长了6倍。

Uber面临的不是"AI好不好用"的问题。AI当然好用，否则不会有92%的工程师在用。问题是好用不等于能算清账。

Uber现在设计了两套新指标来评估AI投入：净代码质量比（AI生成代码 vs 人工代码的hotfix率）和单位功能计算效率。（来源：InfoQ/Uber Engineering Blog）这两个指标的设定本身就说明了问题 — AI加速了代码产出，但也产生了更多需要审查的代码、更多潜在缺陷、更多基础设施负担。$1,500限额不是AI不好用，是AI太贵又不产生可量化的回报。

AI能完成80%的工作，但剩下20%需要人来做，而这20%往往是最难的。免费的模型 + 昂贵的工程，才是当前真实的成本结构。

Meta困境：$310亿花在谁身上？

Meta的广告收入增长了27%，可以部分归因到AI优化推荐和投放。问题是：无法像AWS那样拿出"AI收入贡献超$250亿"的硬数据。（来源：Amazon Q2 2026 earnings call）

Meta的AI投入全在内部循环：训练模型 → 优化广告 → 增加收入 → 再投算力。这个循环跑通了吗？广告收入确实在增长，但市场的问题是：如果AI投入停止，广告收入会不会暴跌？如果不会，那$310亿里有多少是"必须花"的，又有多少是"不花白不花"的？

$7.84亿的自由现金流，本质就是一道算术题：$318.6亿 - $310.8亿 = $7.84亿。市场不是嫌AI不够强，市场在等AI变成利润。

Amazon的$500亿：投资不等于使用

Amazon投资OpenAI $500亿，容易被误读为"Amazon在All in AI"。但这笔投资的核心逻辑不是使用AI，是锁定算力大客户。OpenAI承诺使用2吉瓦的Trainium芯片 — 本质是AWS在卖基础设施。（来源：金融时报，2026-08-01）

同一份财报里，Amazon自己的AI收入run rate超过$250亿。（来源：Amazon Q2 2026 earnings call）同时押注OpenAI和Anthropic，说明Amazon不需要选边：它只需要有人用算力。真正的赢家不是做AI的，是提供AI基础设施的。

系统矛盾：当正反馈和负反馈同时运行

到这里，两个反馈回路的轮廓已经很清楚了。

供给侧的正反馈：降价 → 更多使用 → 更多数据 → 更好模型 → 更多人用 → 继续降价。过去两年一路狂奔，推着模型能力飞跃，也把行业带进了价格死亡螺旋。

需求侧的负反馈：成本上升 → ROI不清 → 预算削减 → 需求下降。2026年Q2集中爆发，比正反馈更根本——它不是问"AI能不能"，而是问"AI值不值"。

这不是泡沫，是失衡

AI产业不是WeWork 2.0。基础设施是真实存在的 — NVIDIA的芯片在量产，AWS的AI收入超$250亿有据可查，Qwen 3.8-Max的技术突破货真价实。

但一个健康的系统不能只有正反馈。正反馈负责增长，负反馈负责约束。过去两年负反馈缺席——建更多、训更强的模型、融更大的钱，一切都在加速。没有约束的系统，最容易积累结构性风险。

现在负反馈来了，不是坏事。Uber的$1,500限额、Meta的$7.84亿现金流都是在向系统发出信号：AI投入需要验证ROI，不能无限烧下去。

谁是结构性的赢家？

当供给过剩而需求收缩，价值不会凭空消失，只会换个地方。

基础设施层最先受益。AWS的$250亿AI收入run rate、Azure的43%增长、NVIDIA重返全球市值第一 — 无论模型厂商怎么打价格战，只要有人用算力，基础设施层就在收租。（来源：各大公司财报/界面新闻）

聚合层的价值开始在低价格环境中凸显。长三角Token运营中心"一次接入100+模型"的模式，价值不在于聚合模型（模型本身趋近免费），而在于聚合管理 — 接入、切换、治理、成本优化。从模型价值向接入价值转移，是整个产业链正在发生的结构变化。

模型厂商本身处境最微妙。OpenAI年亏损预计$140亿，正在寻求IPO。（来源：OpenAI IPO申请报道）Anthropic需要Amazon持续输血。当最强模型选择开源，闭源模型的商业模式需要重新被证明。

重新定义"AI成本"

当前整个行业讨论的"AI成本"都指Token价格。以GPT 5.6 Luna的$0.075/任务来算，已经便宜到可以忽略不计的级别。

但Token价格只是AI成本的最小一块。

真实成本 = Token成本 + 集成成本 + 人工审查成本 + 基础设施成本 + 错误修复成本。后面四项没有降价80%，有些还在涨。Uber已经开始在这个公式上做文章 — 从集成成本和错误修复成本切入。大多数企业还停留在"选哪个模型Token便宜"的阶段，甚至连这个公式长什么样都没画出来。

均衡在哪里？需求不会消失，但会急剧分化。能证明ROI的场景 — 客服自动化、代码审查、文档处理 — 会继续增长。无法证明ROI的场景 — 泛化地"让工程师多用AI" — 会收缩。开源加降价的组合也会催生此前不经济的AI应用场景，但那需要时间。

判断系统均衡的信号，不是"AI又火了"，而是没人在讨论AI降不降价了。当AI成本计入常规运营预算、没人再对Token价格大惊小怪的时候，这个产业才算真正成熟。

AI产业不是泡沫要破。它是在重新定价。

过去三年，所有人在问：AI能做什么？Qwen 3.8-Max用16天建了一个项目，GPT 5.6打了两折，Token超市挂上了一百多个模型——这些在回答"AI能做什么"。

但Uber用$1,500的限额、Meta用$7.84亿的现金流、市场用一天蒸发$3,580亿的苹果，在问另一个问题。

AI做什么能赚钱？

这个问题，2026年下半年得有人回答。