面对算力成本高涨与获利压力，Coinbase 执行长 Brian Armstrong 提出了一个前瞻性的预测：未来 12 到 18 个月内，全球约 80% 的 AI 工作负载，将会从当前的昂贵模型转移至价格便宜 99% 的高效模型上。

随着科技巨头与新创公司在人工智慧领域的资本投入达到空前规模，AI 行业正迎来一场前所未有的商业模式重塑。

近期 GitHub Copilot 从「固定月费」转型为「按量计费（Token-based）」的政策，导致部分重度使用者的帐单金额飙升，这不仅仅是单一平台的定价调整，更被视为 AI 产业「补贴模式」瓦解的开端。

补贴时代的告终 真实成本的浮现

过去，AI 产业为了争夺市占率，长期采取「以超低价格培养用户依赖」的策略。如同曾经的叫车市场，企业透过巨额补贴降低终端售价，导致固定订阅制的费用远低于实际的推理算力成本。

然而，随着企业需求从简单的自动补全进阶至需要庞大推理能力的「智慧体（Agent）」工作流，算力消耗呈现指数级增长。

GitHub 的此次变革，正是为了将定价回归到真实的算力消耗水平。分析师指出，这只是市场转型的一小步，随着 AI 工作负载日益复杂，这种将隐形成本显性化的收费模式，将会成为行业的主流规范。

模型路由：高效运算的未来趋势

面对定价转型引发的「帐单震撼」，企业该如何应对？Brian Armstrong 给出的策略极为清晰：智能路由（Model Routing）。

他认为，并非所有任务都需要顶级模型来完成。在 Coinbase 的内部实践中，工程师正积极将不同的任务分配给最合适的模型，而非一味追求最大或最强的模型。

他强调，只有 20% 的特定任务，例如尖端的科学研究或高复杂度的智慧体编排，才需要动用最先进的顶尖模型；而绝大多数的常规任务，透过价格更亲民、甚至便宜 99% 的模型便能有效解决。

这种策略不仅让企业能将成本维持在可控范围，同时也能确保 token 使用量随业务扩张而增长时，不会带来毁灭性的财务负担。

能源与算力基础设施成为瓶颈

Brian Armstrong 的预测背后，揭示了一个更为深刻的产业瓶颈：限制 AI 发展的关键因子，正在从「模型质量」转向「算力与能源」。

在模型性能不断突破的今天，企业已经意识到，比起盲目追逐 IQ 最大化，如何利用现有的基础设施实现大规模的成本效益，才是决定企业生存的关键。

目前，许多 AI 大厂的获利能力依然深陷亏损，这部分依赖于外部资本投入 GPU 与电力基础设施。当投资人开始要求回报，企业无法再无限期地进行补贴。

未来，AI 产业的竞争重点将从「谁能训练出最大的模型」，转向「谁能在有限的能源与晶片资源下，提供性价比最高的解决方案」。

这场正在发生的转型，意味着 AI 产业正从早期的实验与「暴力式增长」，迈向追求执行效率与单元经济效应的成熟阶段。对于企业管理者而言，这是一场残酷的淘汰赛，但同时也是优化组织运作、导入 AI 原生流程的绝佳机会。

正如市场转变所呈现的讯号，能精准计算成本并灵活配置算力资源的企业，将在这波 AI 浪潮中建立起真正的护城河。