边际成本正在失效：当"认知能力"变成一种可复制、可拥有的生产要素

过去两年，几乎每一场 AI 发布会都在重复同一句话："智能正在变得像自来水一样便宜。"

数据似乎也支持这种叙事：达到同等能力水平的大模型推理价格，在几年内跌了几个数量级。于是"边际成本趋零"成了创业者的默认前提——既然调用成本会一直掉，那就拼命堆 agent、堆 token、堆自动化，商业模型自然会跑通。

但如果你真的盯过账单，会发现一个刺眼的反差：**单价在暴跌，总支出却在上涨。**

这不是bug，而是这次变革最容易被误读的地方。真正发生的，不是"AI 让成本更低"——那只是能力升级，属于旧范式内部的优化；真正发生的是**"认知能力"第一次变成了可拥有、可复制、可折旧、可交易的生产要素**，而边际成本的决定方式，也从"技术外生给定"变成了"由能力档位与任务结构内生决定"。

前者是深化，后者才是革命。而把两者混为一谈，正是今天大多数战略误判的源头。

判断"是不是革命"，不能看降了多少价，要看**定义有没有变**。

库恩意义上的范式革命，不是把参数调优，而是更换"什么问题算问题、什么答案算好答案"的标准。套到经济学上，我用的判据只有两条：

**第一条：生产的"要素身份"是否改变？**（什么可以被拥有、复制、折旧、交易）

**第二条：成本的决定方式是否改变？**（边际成本是外生技术参数，还是内生策略变量？）

旧范式的默认答案很清晰：生产函数写作 Y=F(K,L)，资本与劳动二分；技术是外生的全要素生产率残差，厂商买不到；边际成本为正、随产量递减；知识是非竞争性公共品，靠专利与版权制造**人为稀缺**【已查证·经典文献】。

请注意一个被普遍忽略的事实：**旧范式从来没有否认过"零边际成本"。** 信息品"高固定成本、近零边际复制成本"早在 1999 年就被 Shapiro 与 Varian 系统写进了《Information Rules》【已查证·经典文献】。旧范式的处理方式，是把它放进"特例＋制度补丁"里。

所以，"某个商品复制成本趋零"根本不是革命。**革命的判据是：连"生产能力的成本"本身也变成了可复制、可内生决定的变量。**

**先看坍塌本身，它真实但高度分层。**

a16z 以 MMLU 等价性能度量，称 LLM 推理成本每年约降 10 倍；达到 MMLU 42 分的最低成本从 GPT-3 时代的 60 美元/百万 token 降到 0.06 美元，三年降 1000 倍【已查证】。Epoch AI 以性能里程碑度量，称达到 GPT-4 水平的推理价格每年约降 40 倍，但不同里程碑的降速从 9 倍到 900 倍/年不等【已查证】。MIT FutureTech 等用最大的基准价格数据集复核后给出更保守也更可信的结论：前沿模型的价格-性能每年改善约 5–10 倍，控制硬件进步后算法效率约 3 倍/年；但最高性能档年降 31 倍，最低档仅 1.7 倍【已查证】。

结论很冷酷：**"边际成本趋零"是任务相关、能力分层的，不是普遍归零。** 真正坍塌的是"买到给定能力的价格"，而低端能力几乎不动。

**再看账单为什么会涨。**

第一，成本结构是"哑铃型"的。Epoch AI 估计，前沿模型训练成本自 2016 年以来以每年 2.4 倍增长，GPT-4 训练约 4000 万美元，按此趋势 2027 年最大训练运行将超 10 亿美元【已查证】。**固定成本在指数上升，边际成本在指数下降**，规模经济不再表现为"单位产品成本下降"，而是"能力复用率上升"——递增报酬被集中在极少数掌握算力的主体手里。

第二，生成便宜了，验证却更贵了。MIT 团队发现一个反直觉事实：尽管模型价格-性能暴跌，**运行基准评估的成本却持平甚至上升**，SWE-bench Verified 单模型评估可达数千美元，ARC-AGI 一次突破性评测据报约 3000 美元【已查证】。原因是要触到更高性能，就得用更大的模型和更长的推理链，把单价下降直接抵消。

这正是 Baumol 与 Bowen "成本病"的迁移【推断】：当生成部门成本坍塌时，与之互补的验证、判断、评估部门进步更慢，其相对价格反而上升。**价值瓶颈从"生产"转向"验证、规格、信任与责任"。**

第三，效率提升会带来需求扩张。业内分析指出，推理模型产生大量按输出计费的思考 token，Agent 循环把累积上下文反复重发，任务 token 消耗可达等价聊天任务的 5–30 倍，某工单处理 Agent 的单任务成本约为聊天机器人的 50–60 倍【单一来源·待一手核对】。这就是 Jevons 悖论【已查证·经典文献＋推断】：**价格下降是消费爆炸的原因，而不是账单下降的保证。**

**最后必须并置反例：宏观尚未验证。** Acemoglu 用任务模型估计，AI 对全要素生产率的十年提振不超过 0.71%，考虑难学习任务后低于 0.55%，并预测资本收入与劳动收入的差距会扩大【已查证】。微观成本坍塌与宏观生产率之间，横着组织、制度与大量难以学习的任务。

**其一，生产函数要改写。** 从 Y=F(K,L) 走向"可复制认知资本＋人类判断＋竞争性物理资本＋数据＋能源"【推断】。技术不再是买不到的残差，而是可以被生产、被拥有、被折旧的投入。

**其二，"边际成本"不再是一个数字，而是一条任务成本曲线。** 它等于能力档位 × token × 步数 × 单价，再加上验证与信任成本【推断】。名义单价与任务总成本可以完全反向运动。"零边际成本"只是低难度、单步、已验证任务的特例，不是新通则。

**其三，稀缺性迁移了。** 当生成变得廉价，真正的约束变成"什么值得做、做得对不对、谁负责、能否被信任"【推断】。稀缺不再是比特，而是可信度、判断力与注意力。

**其四，企业边界被双重约束。** 一方面交易成本下降让认知外包更划算，公司可以更小；另一方面算力固定成本上升让前沿能力高度集中【推断】。组织形态因此**哑铃化**：超级平台＋极小可信单元，中间层被压缩。企业边界不再只由科斯式的"内部组织成本 vs 市场交易成本"决定，而是由"外部不可拥有的算力固定成本 vs 内部不可外包的验证与责任"共同决定。

**1. 停止用"单价"做商业模型。** 建你的**任务成本曲线**：把能力档位、步数、重试率、验证开销全部计入。凡是只按 token 单价测算的单位经济模型，都会在真实 Agent 负载下失真【推断】。

**2. 把验证能力当成核心资产，而不是成本项。** 既然生成便宜、验证昂贵，那么"可自动化的评测、回归、审计与责任追溯"就是护城河。谁先把验证做成可复用的资产，谁就掌握了成本病时代的定价权【推断】。

**3. 押注"不可复制"的一端。** 可复制认知资本会被充分竞争抹平，真正稀缺的是模糊意图的规格化、跨能力的编排、结果背书与品味【推断】。把团队能力往这四件事上堆。

**4. 给宏观留出时间，别用微观速度做长期承诺。** 成本坍塌是微观事实，生产率革命是宏观未验证命题【已查证】。融资叙事可以激进，现金流预测必须保守。

数字商品的"零边际成本"不是革命，它早就是旧范式的特例。真正的革命是四条定义级位移：**能力成为可复制、可折旧、可拥有的生产要素；边际成本由能力档位内生决定、且总成本可以随效率上升；稀缺从物品迁移到判断、信任与责任；企业边界由算力固定成本与验证信任成本双重约束。**

旧世界的竞争优势来自"我能生产而你不能"。新世界的竞争优势，来自"我敢为结果负责，而你只能生成"。