牛津學者: AI 越來越像人了，但用得起嗎

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

AI 智能體的成本，也在指數級上升嗎？

關于 AI 近期發展，有一個極其重要、卻幾乎很少被認真討論的問題。

過去幾年，我們已經反復看到 METR 的圖表：AI 智能體能夠完成的任務時長，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；而如今，最新模型已經能夠以約 50% 的成功率，完成那些通常需要人類數小時才能完成的任務。

隨著這一趨勢沒有明顯放緩，許多人自然開始進一步外推：AI 何時能完成一整天的工程任務？一整周？甚至一整年？

但在這些討論中，往往缺少一個關鍵變量——成本。

只看能力增長，還不夠

過去 7 年間，AI 系統本身經歷了指數級擴張。模型參數量增長了數千倍，而單個任務中使用的 token 數量更是增長了數萬倍。雖然研究者也持續提升了效率，但一個完全合理的推測是：為了實現 METR 所展示的“最優表現”，其背后的成本也很可能在持續上升，甚至同樣呈指數增長。

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時長增長 3 倍，而達到這種能力所需的成本也同步增長 3 倍，那么 AI 相對于人類的成本競爭力并沒有發生根本變化。甚至如果成本增長慢于能力增長，那么 AI 實際上會變得越來越便宜。

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時長增長速度，會發生什么？

如果真是這樣，那么最前沿的 AI 系統，雖然在“能力上”越來越強，但在“經濟上”可能反而越來越不劃算。METR 的時間跨度趨勢，也就可能變得具有誤導性：它展示的是技術邊界如何不斷推進，但其中一部分進步，可能只是因為投入了越來越奢侈的推理算力。

那樣的話，最先進的 AI 更像是性能競賽中的“一級方程式賽車”——它展示了什么是可能的，卻不一定展示了什么是現實可用的。

一個更關鍵的問題：AI 的“每小時成本”如何變化？

因此，真正值得追問的問題應該是：

AI 智能體的“每小時成本”究竟在如何變化？

這里所謂的“每小時成本”，并不是指模型實際運行了多久，而是指：

一個模型在其 50% 時間跨度附近完成任務所需的成本，除以這類任務通常需要人類花費的時間。

舉個例子，如果某個模型能夠以 50% 的成功率，完成“人類軟件工程師通常需要 2 小時完成”的任務，那么我們就可以把它執行這類任務的費用除以 2，得到它在這種任務上的“每小時成本”。

這個問題看似簡單，但現實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 AI 完成任務的總成本大體沒變，只是任務時長在不斷增長；這意味著 AI 的單位小時成本正在快速下降。也有人認為，隨著前沿模型價格不斷上漲，AI 完成任務的總成本本身也在快速上升。

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

一個聽起來幾乎有些反直覺的問題開始出現：

AI 智能體每小時的成本，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”來回答這個問題

作者曾向 METR 詢問是否能直接分享基準測試的成本數據，原本以為只要把不同模型的測試花費按發布日期畫出來，就能大致看出趨勢。

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“達到某種表現的最低成本”，而是為了衡量：在不計成本的情況下，一個模型理論上能達到的最佳表現。

為此，他們會讓模型在 agent scaffold 中不斷運行，直到性能明顯進入平臺期。因為他們關心的是“這個平臺到底有多高”，而不是“從哪里開始變平”，所以他們會投入相當多的算力，也不太在意是否已經超出了達到該表現所需的最優成本。

這意味著：不同模型的總測試花費，有時只是剛好足夠進入平臺期，有時卻可能遠遠超過所需。因此，總支出不能直接視為“實現該能力所需的經濟成本”。

一張關鍵圖：性能如何隨著成本上升

幸運的是，METR 發布了一張非常有價值的圖。它展示的不是單純的時間跨度結果，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。它的走勢大體接近線性：完成更長時間的任務，需要投入更多工作時間和工資，這幾乎是線性關系。比如，讓一位軟件工程師做 8 小時任務，成本大約就是 1 小時任務的 8 倍。

而其他彩色曲線，則代表不同的 LLM 智能體。

與人類不同，這些模型都展現出一個共同特征：邊際收益遞減。

也就是說，在一開始增加算力時，模型性能會有所提升；但隨著投入越來越多，收益開始變小，最后逐漸趨于停滯，進入平臺期。繼續投入更多推理資源，帶來的提升已經越來越有限。

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

用“固定每小時成本線”重新看這張圖

為了從這張圖中進一步提取信息，作者做了一個非常巧妙的處理：在圖中加入固定每小時成本線。

在雙對數坐標下，這樣的線會表現為斜率為 1 的直線。對于這些線而言，越靠左，表示每小時成本越低。

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

這個點很重要，因為它代表的是模型在“單位成本效率”上最優的位置。

在 sweet spot 之前，隨著成本上升，模型的任務時長增長得更快，說明此時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，繼續往上加錢就不再那么值了。

AI 的最低“時薪”其實差異極大

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。

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；低的如 Grok 4 和 Sonnet 3.5，可以低到0.4 美元/小時。

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

更值得注意的是，sweet spot 只是這些模型最劃算的時候。

一旦進入更長任務區間，尤其是接近平臺期時，它們的單位小時成本會迅速上升，往往高出 10 倍甚至 100 倍。比如，某個模型在最佳點可能只要幾角錢一小時，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。

換句話說：

模型越接近它的最長任務能力，往往也越不經濟。

而這正是作者試圖強調的問題——如果人們只看“能做多久”，卻不看“做這么久要花多少錢”，就會對 AI 智能體的現實可用性產生過于樂觀的判斷。

平臺期附近：能力還在漲，但成本可能已經不現實

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

這個點的定義雖然帶有一定任意性，但它比 sweet spot 更接近 METR 在 headline 結果中真正展示的“接近能力上限的表現”。

作者的分析顯示，不論看 sweet spot 還是 saturation point，結論都相似：

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

某些模型在接近其峰值表現時，單位小時成本已經接近甚至逼近人類水平。

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

如果這種趨勢持續下去，那么簡單根據 METR 的時間跨度曲線去預測“AI 何時能做完一天、一周或一年的任務”，很可能會誤導人們。因為模型第一次達到這些能力時，也許仍然貴得難以實際部署。真正進入大規模現實應用，還需要再等待一段時間，直到成本進一步下降。

這篇文章真正想提醒我們的是什么？

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

但他想提醒的是：

能力增長曲線，并不等于現實可用曲線。

如果實現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“經濟上可行到能廣泛使用什么”之間，可能會出現越來越大的差距。

這也意味著，AI 智能體在現實世界中的部署速度，未必會與 METR 的時間跨度趨勢同步增長。技術前沿可以繼續高速推進，但真正落地到企業、開發者和普通用戶手中的節奏，可能會慢得多。

作者的結論

基于現有圖表，作者認為已經有中等強度的證據表明：達到更長時間跨度所需的成本，可能也在指數上升；甚至連單位“每小時成本”本身，也可能在上升；一些模型在高端能力區間的成本，已經接近人類勞動成本。如果這些判斷成立，那么就意味著：METR 展示的趨勢，部分是由越來越高昂的推理投入推動的；AI 的“理論能力邊界”和“經濟可行邊界”會逐漸分離；現實世界中的 AI 智能體應用，將越來越落后于單純從時間跨度曲線中得出的樂觀預期。

結語

在今天的 AI 討論中，我們已經很習慣于追問：模型變強了多少、能完成多長任務、距離“自動化工程師”還有多遠。

但也許我們同樣需要開始認真追問另一個問題：

這些能力，究竟是以怎樣的成本換來的？

因為真正決定 AI 是否會大規模改變現實世界的，未必只是“它能不能做到”，更是“它是否值得這樣去做”。