推理单价被砍掉 90%，Token 调用量反而当场暴增 14 倍

推理单价被砍掉 90%，Token 调用量反而当场暴增 14 倍。 华尔街整整担心了半年的「算力通缩论」，被这组刚出炉的实测数据直接击穿。 很多投资人此前笃定一个悲观假设： 如果单次推理越来越便宜，过去花 10 美元干的活现在只要 1 美元，那几千亿美元的 AI 资本开支岂不是要全线崩塌？ 算力巨头的收入难道不会跟着缩水九成？ 现实给出了完全相反的答案。 单价砍掉九成，开发者的总账单反而净增了 40%。 为什么单价越便宜，消耗的算力反而越恐怖？ 底下运转的这台机器，早在 1865 年就被经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）拆解过。 这就是著名的杰文斯悖论。 当年瓦特改良了蒸汽机，煤炭的利用效率翻了数倍，每做一份功耗费的煤炭大幅下降。 当时的英国社会普遍担心，煤炭行业要彻底完蛋了。 结果完全相反。 蒸汽机变得便宜又高效，原本用不起蒸汽动力的纺织厂、矿井、轮船和火车，在一夜之间全部装上了蒸汽机。 英国的煤炭消耗总量非但没有减少，反而迎来了一场指数级爆发。 一套资源的利用效率越高，对它的总需求反而会以更庞大的倍数扩张。 把这台机器套进今天的 AI，逻辑严丝合缝。 当一个 Token 卖 1 美分的时候，企业只能把它当成昂贵的打字机。 开发者小心翼翼：单次提问，单次回答，生怕多说一句废话让账单超标。 这种交互模式下，一个任务最多消耗几百个 Token。 可当推理成本跌掉 90%、缓存和批量调用便宜到接近空气的时候，生产关系的玩法彻底变了。 没有人再拿它做简单的一问一答。 开发者开始让自主智能体进驻整个软件工程。 一个智能体为了完成一项代码重构，会在后台自主拆解步骤、调用工具、生成测试用例、在沙盒里反复试错。 一次自我纠错就是几十轮推理。 甚至在最终交付前，系统会派出五个不同的模型互相博弈和交叉验证。 解决同一个问题，过去人类交互只用 500 个 Token。 现在的智能体闭环，在后台毫不知情地吞噬了 50 万个 Token。 单价下降了一个数量级，任务调用的深度和广度却被拉长了上千倍。 需求价格弹性远远大于 1。 只要成本击穿了某个工业临界点，算力就会从奢侈的问答玩具，变成源源不断注入自动化流水线的工业电力。 决定算力市场天花板的，从来不是单价的高低。 在于低成本能把真实世界里多少原本昂贵的人类行为，重构进无休止的计算循环里。 只要智能体的闭环还在膨胀，每一轮降价，都是在给下一次更大的算力饥渴添柴。