最后的“模型在用”

这份半月刊的“模型在用”模块，我觉得做得还不够，尤其是不够实时。

于是，我做了个网站，模型纪年。这个月四号开始弄，跨时不到两周，还是断断续续做，协助的AI，一开始是GPT5.5，Claude Fable 5也有参与。之后GPT5.6 Sol正式发布，就抛弃5.5，转用Sol。

嗯，准确来说，是「模型来做」。

实际体会下来，如果是需求模糊不清，需要实验，GPT更合适，合适很多；Fable 5则适用于需求清晰，难度高一点更好。很奇怪的，Fable 5写界面貌似反而不如Opus 4.8。

OpenAI对 Sol 的定位是：适合复杂、开放、需要判断和打磨的任务。

“做个大模型时间线网站吧”，这根本不是需求。连目标用户都没有，就别提更具体的：事件的入选标准是什么？事件之间怎么关联起来？还没发生的算不算事件……

GPT不管如何，吭呲吭呲也要做完。而GPT5.6又上一个大台阶，甚至界面能力也合格了。

Fable 5则会告诉你，我们分M1、M2、…、M7来做（7个阶段），然后做出个M1，根本不能用的那种，而且丑成一坨。

从“零”开造，很重要？

有的A\公司拥趸，可能很奇怪，为什么要从零开始呢。能解决最难编程问题的才是最好的模型啊。

有的程序员习惯性用最强那档模型，不看问题有没有难到一定程度（也与模型厂商不够负责有关）。

理解不了，也很正常。

最难编程问题，单价很高，但又有多少人要这么难呢？或许以后有很多人要用模型解决这样的难题，但几年之内，不会。

而且，代价由谁来付？前几个月就陆续有公司开始限制额度了。类比一下，耗电多，不代表有多牛，还可能在浪费。

AIY：不只DIY

C端AI编程简直是“血海”，谁能打过连续三天重置额度的Codex？未来几天还要继续重置至少两次。考虑到一些网友不小心用掉重置次数，我还专门写微博、写了个网页提醒《Codex最近要重置吗？》。

同时，（让Codex自己）写了个codex定时任务，定时任务，打开浏览器观测OpenAI首席重置官Tipo@thsottiaux 的推文，搜集重置信号——主要是额度用不完，又不想额外给Twitter付API钱。

同在C端，相比编程的“血海”，「AIY」简直是“蓝海”——用户通过AI来创作、DIY，甚至只需要有「创作感」。

Manus恐怕是最早意识到这点的AI工具公司，他们从AI编程一路打通到正式部署上线，包括登录功能。一些网友接触到这种功能，狂喜，就像突然获得某种超能力（代价：花钱）。

而这片蓝海又迎来搅局者，还是大模型厂商——ChatGPT 最近推出了Sites功能，部署上线不用愁，开始贴近Manus。API价格定倍率至少在十倍的情况下，不做大模型的AI软件公司，靠什么打呢？

这里可以强化之前的结论：DIY可能要学比较长一段时间，比如建模，我曾经学了好几天，现在也很难说能做这个：

quill-model

现在有人告诉我，大模型能画这个，而且还有纹理，能放到网页：

quill-colorful

初学者会很怀疑“人生”：我还要学吗？会不会到时不如AIY？（而且还有扫描技术了）。

这个跟写作还不一样，从“零”写作能锻炼大脑，而且写作是独一无二的「自反馈」思考路径。从“零”建模能干嘛？打工都不如别人吧？

当然，这种怀疑，不止于建模，甚至写作也必然受影响。

以后世界，会被「AIY」淹没。

再次，泡泡隐喻

回到半月刊跟新网站，创刊辞有个“泡泡”类比：

重要的消息，应该不断上浮，让更多人看到；次要的踢下去，虚假的直接戳破。

在模型纪年，“上浮、下沉、戳破”不再只是一句比喻，变成了网站信息结构——事件或许很多，但重要的很少，能串成事件线的更少，能上首页里程碑的寥寥无几。

很多所谓预测，连成为“事件”的机会都没有。

AI做网站，有什么进步呢？回顾一下：

2024年，纯AI做了个Who.is网站，但登录相关功能失败；
2025年上半年，AI能复刻出这种有些人觉得难的益智游戏，并且给出大部分情况下有用的快速通用解法；
2025年11月或之前，Claude跟GPT都正式迈入了Agent能实际工作的门槛；
2026年初，界面能力到越过一个水平，做出仿古打字机。

2026年7月，我，第一次选完技术栈，只需要说需求，能完成登录、内容展示、后台，甚至内容本身（包括引文）。最终做成这样一个比较完整的内容考据网站。

就算是经过“泡泡”信息体系的筛选，这也完全能说明「AIY」在编程发展迅猛、甚至无可匹敌的情况了。

我本来想做更多，比如泡泡桌面端：用“如流”记录各类信息，用“分箱”把信息放对地方，接着“工厂”让 AI 去处理。后续还改了几版略有不同的，都很难推进。

现在想来，确实是因为太多了。涵盖，人的想法、资料、待办、选择和 AI 执行任务，有无数边界情况。一人之力，加上现在的AI也难处理。模型纪年这种程度，就刚好。

不过，我还会继续做下去，再做一个“网站”，或者别的什么东西。一个又一个。

最后的尾声

本来，这期想叫《再做网站》，内容也算符合主题。

不过，写着写着，发现更重要的，是可以“模型来做”。

我做了半年多自娱自乐的刊物，发现它的缺点：

论新鲜程度，远不如网站或信息应用；
论实用，不如教程；
论质量，不如文章或书籍。

于是，决心再做一次网站。先把“模型在用”的部分摘出去，变成了模型纪年。

模型来做。

还会做别的网站、网页、写别的文章。再把其他部分摘出来。

Fable5: 智能的单价

一、一盏灯的价格

上世纪九十年代，经济学家威廉·诺德豪斯（William Nordhaus）做了一件近乎考古的事：他不去统计照明产业的产值，而是去测一盏巴比伦油灯每小时发出多少流明，再换算古人挣一天工钱能买到多少芝麻油。结论是，古巴比伦人劳动一整天，买到的光大约只够今天一只LED灯泡亮几秒钟。以劳动时间计价，一流明·小时的价格在过去两百年里跌了四个数量级以上。而在他换算之前，光的革命在所有官方统计里几乎不可见——GDP看不见，物价指数也看不见。革命一直在发生，只是单位选错了，谁都看不见。

对智能，我们正站在同样的位置上。问"AI产业有多大"，就像当年问"蜡烛产业有多大"，单位错了。正确的问题是：完成一个标准认知任务，要多少钱？读完五十页合同并指出风险，把一句含糊的需求翻译成能运行的代码，把一张CT影像读成风险评分——这样一件事，标价几何？

1926年，它值一个职员的一整天。2016年，它值一个初级律师的两小时，两三百美元。2026年，它值一次agent运行：几毛钱电费，几分钱token。

智能第一次有了单价。这件事本身，比任何一次具体的能力演示都更根本。因为一样东西一旦有了单价，关于它的一切争论就坍缩成三个可以回答的问题：这个价格由什么构成？它下降得多快、会停在哪里？这一切按什么日历发生？

三个问题的答案，分别埋在物理学、经济学和历史里。

二、分母：焦耳

智能账单的最底层一行，是电费。一次普通问答，OpenAI给过官方数字：平均0.34瓦时，相当于一只十瓦的LED灯亮两分钟。带长链推理的复杂问题，涨到十几二十瓦时。一个智能体连续工作一小时——检索资料、判断哪里要改、给出修改方案——吞吐上百万token，折合大约三分之一到一度电。今晚让一个agent通宵干活，电表走一度多一点。

拿人来对照，会得到全文第一个惊奇。人脑功率约二十瓦，回答同一个问题若用五分钟，耗能1.7瓦时——单看这一个任务，机器的能耗已经低于人脑；更不要说人脑外面还挂着一具一百瓦的身体，身体外面还挂着人均几千瓦的现代生活方式。

当然，这么比不公平：人脑答题之前，先"预训练"了二十年。把这笔账补上——一百瓦乘以二十年，约17.5兆瓦时；而GPT-4级别模型的训练耗电在50吉瓦时的量级，相当于把将近三千个人从婴儿养到成年。这么看机器反而贵得多。直到你注意到那个改变一切的差别：人的技能锁死在颅骨里，一次只能装一份，不可导出；机器的技能是一个文件。 训练三千个人的能量，换来的是可以无限复制的一份。这句话是物理通往经济学的桥，先架在这里。

再往下挖一层，挖到底：信息和能量究竟什么关系？1961年，IBM的兰道尔（Rolf Landauer）证明：擦除一比特信息，至少要向环境耗散kT·ln2的热量，室温下约3×10⁻²¹焦耳。信息不是抽象之物，它是物理的，处理它有热力学的地板价。反过来，西拉德（Szilard）1929年的思想实验早已展示：掌握一比特信息，原则上可以从热浴中换出恰好kT·ln2的功。信息与能量之间存在一个双向的汇率；而智能——大规模、有方向的信息变换——因此天然有一个以焦耳计价的下限。

现在的汇率离地板多远？一块H100做一次浮点运算约3.5×10⁻¹³焦耳，与比特级的理论下限之间隔着约八个数量级；即便苛刻地把一次浮点运算折算成上千次比特操作，也还隔着五六个数量级。换句话说，Koomey定律——单位能耗可完成的计算量，如今约每2.6年翻一倍——前面还有几十年到一个世纪的跑道。

于是第一问的前半有了答案：智能单价的分母是能量，而物理学批准这个分母继续膨胀很久，批准单价继续崩塌很久。热力学不是本世纪的天花板。真正的约束在别处——这个伏笔，留到第五节兑现。

三、分子：一份可以复制的文件

为什么理发的价格一百年只涨不跌，而智能的价格三年跌了三个数量级？鲍莫尔（Baumol）在1960年代给过前半个答案，叫成本病：有些行当的生产率几乎无法提升——一首弦乐四重奏今天仍然需要四个人演奏，一堂课仍然需要一位老师站满四十五分钟——它们的成本便只能随全社会的工资水涨船高。成本病最重的部门：教育、法律、医疗、软件服务。

巧了。这些恰恰全是"信息进、信息出"的部门。把一堆材料归纳成要点，把一个模糊要求翻译成代码，把一张影像转换成风险分数，把一组条件转换成候选方案，把一句自然语言转换成一连串机器行动——输入是信息，输出也是信息，中间那段变换过去只能运行在人的记忆、经验、模式识别和语言能力上。复制这段映射的唯一办法，是再花二十年教育一个人。所以它贵；所以它得成本病。

大模型做的事，一言以蔽之：把这段映射从人身上剥离出来，编进权重。于是技能第一次可以像文件一样复制。第一份的成本是天文数字——数万块芯片，几十吉瓦时的电，数亿美元；第二份的成本是复制粘贴。固定成本极高、边际成本趋零，这种成本结构我们见过：芯片、软件、电网。这个产业于是长成三者的杂交体，也继承了它们共同的宿命——价格战。

跌得有多快？2023年初，GPT-4级别的能力标价每百万token三十到六十美元；2026年3月，同等能力的标价已在六美分以下——三年，五百到一千倍。Epoch AI分任务测算，同能力价格的年降幅从9倍到900倍不等。

但只看到"便宜"，就看漏了这台机器里真正的力学。价格里有两股指数在对冲。往下压的一侧：硬件能效（Koomey定律），算法效率（达到同等能力所需的算力，约每八个月减半），再加上竞争对毛利的碾压。往上抬的一侧：scaling law——能力大致随算力的对数增长，每往前推进"一格"，就要付出指数级更多的计算；同时agent化让单个任务消耗的token暴涨，过去一问一答几百token，如今一次深度任务烧掉几百万。

两股指数对冲的净结果，是智能的价格劈成了两半。存量智能在暴烈通缩：任何已经达到过的能力等级，价格以每年一个数量级的速度向电费逼近。前沿智能在暴烈通胀：训练下一格能力的入场券从千万美元涨到十亿美元量级，几家大厂2025年的资本开支合计超过四千亿美元，2026年预计再涨四分之三。这道劈叉解释了几乎所有表面上的矛盾：为什么API价格一降再降，而训练集群越建越贵；为什么人人都雇得起去年的天才，没有人雇得起明年的；为什么模型公司毛利承压，而芯片公司利润惊人。通缩的那一半是商品，通胀的那一半是军备。

四、水位线

单价崩塌不会均匀地淹没世界。更准确的图景是一条水位线：智能单价是水位，人类任务是地形。每项任务的海拔由三个坐标决定——完成它的人类工资有多高，核验它的产出有多容易，出错时的责任有多重。水位每降一档，就有一批任务被淹过，从人的手里翻转到机器手里。翻译先淹，因为工资中等、核验容易；客服、初级代码、文书紧随其后；而"在报告上签字"这类任务淹得最慢——不是机器写不出报告，是执照、保险和法庭还没有学会向一个文件追责。

被淹掉的任务，总量反而暴涨。这是杰文斯（Jevons）1865年就发现的悖论：蒸汽机效率提高，煤炭消耗不降反升。光便宜四万倍之后，人类没有省下灯油钱，而是把整个黑夜点亮了。认知同理：过去只有CEO才配得上的待遇——一个参谋班子、一个律师团、一个随叫随到的私人医生——将成为每个人口袋里的标配。看"智能消费量"而不是"岗位替代量"，才能看清这场变化的真实量级。

但单价公式里藏着几个不肯下降的项。一个任务的完整价格 = 电费×能效×任务规模 + 芯片折旧 + 毛利 + 核验成本。生成便宜了，核验没有。 当生成的价格趋近于零，定价权就移交给核验——正如邮费归零之后，"过滤垃圾邮件"成了真正的成本。稀缺没有消失，只是搬家。新的稀缺清单大致是：电与并网指标，先进芯片，未被污染的优质数据，物理世界里的执行，签字权与可保险的责任，分发与信任，以及taste——知道该要什么的能力。清单上每一项都是智能的互补品；智能越便宜，它们越贵。这就是"降到哪里停"的答案：单价不会停在物理下限——那还差好几个数量级，太远了——它会停在互补品的地板上。

清单里"物理执行"一项正在松动。智能接上机械臂之后，车队学习让物理技能也变成了文件：一台机器人学会叠衬衫，百万台同时学会。硬件本身走不了复制的捷径——它服从莱特定律（Wright's Law），累计产量每翻倍降本一到两成——但起点已经低得惊人：宇树（Unitree）的人形机器人卖4900到29900美元，按五年折旧加电费，"机器人时薪"已经可以算到一两美元。这只是硬件账，手的灵巧度还差着代际；但账已经开算了。同一条水位线，滞后五到十年，会在物理世界重演一遍。

还有一条地缘的推论顺流而下。智能的单价以电计价，那么电便宜的地方就是智能便宜的地方。天然气田、水电站、沙漠光伏的旁边，正在长出token的炼厂——智能是电的精炼品，token是新的出口商品。上个世纪的地缘政治围着油井转，这个世纪的某一部分，会围着并网指标转。

五、日历与陷阱

那么，几时？历史给不出日期，但给得出节奏——三个参照，一个警告。

参照一，关于持续性。光价跌了两百年，计算的价格从十九世纪中叶至今跌了万亿倍的量级，都没有中途刹车：由通用技术驱动的价格崩塌，一旦启动，可以持续百年。而且革命的前几十年，经济学家普遍看不见它——索洛那句"计算机无处不在，唯独不在生产率统计里"是有前科的。不必因为眼下的GDP无动于衷，就否认水位正在下降。

参照二，关于迟滞。保罗·大卫（Paul David）研究过电气化：电动机1880年代就成熟了，美国工厂的生产率起飞却等到1920年代——四十年。因为红利不在"把蒸汽机换成电机"，而在把整座工厂拆掉重排：中央轴传动的时代，机器围着动力源排队；单元驱动的时代，动力跟着工序走。把AI塞进旧流程，等于给蒸汽时代的厂房换了台电机，省一点，不多；围绕AI重排整个流程，才是那个数量级的红利。而组织重构，是全社会最慢的变量之一。

参照三，关于解锁。哈伯-博施法合成氨之前，全人类的农业顶着一个固氮天花板，智利硝石和鸟粪是列强争夺的战略资源。合成氨把稀缺要素变成了工业品，随后到来的不是"更便宜的肥料"，而是地球承载的人口翻倍。当一个基础要素从稀缺变成可制造，被解锁的从来不是原有需求打个折扣，而是原来根本不敢想的需求。智能，是被合成的认知。

警告只有一个，但足够刺耳：核电。1954年，美国原子能委员会主席许诺，电力终将"便宜到不值得计费"（too cheap to meter）。物理学没有食言——铀的能量密度确实如此——食言的是账本：安全监管、诉讼、无限拉长的建造周期，把技术红利吃得一干二净，核电至今仍是最贵的电源之一。把剧本移植到智能上：如果核验、合规与责任的成本降不下来，那么即便智能的单价归零，认知任务的总价也不会归零——律师被替代的速度，将由保险精算师而不是模型实验室决定。

这一次与历次相比，还有两处不同，一快一慢。快的一面：扩散介质是软件，ChatGPT两个月获得一亿用户，电气化走完同样的普及里程碑用了几十年；更深一层，这项技术作用于"发明方法本身"——AI已经在参与AI研究，历史外推若失效，方向多半是低估。慢的一面：它撞上的偏偏是文明里最慢的两样东西——电网和法律。

在这里兑现第二节的伏笔：普及到底要多少电？全球数据中心2025年用电485太瓦时，国际能源署预计2030年翻倍到950太瓦时，约占全球电力的3%，其中AI专用部分三倍于今。但这只是前半程。做个封底计算：十亿知识工作者，每人每天使用八个agent小时，每小时0.3到1度电——每年约900到2900太瓦时，占全球电力的3%到10%，相当于凭空多出一到三个日本的全国用电量。这意味着全球电力增速要从百分之二点几抬到接近百分之四；美国要从多年的近零增长抬到百分之二三——美国能源信息署已宣布未来四年是2000年以来最强的电力需求增长。而在美国，一个新电源从排队到并网，中位数要等五年左右。最快的技术，排在最慢的队列里。电，而不是算法，是普及节奏的配给阀。

六、仪表盘

一篇做预测的文章，诚实的写法是交出自己的可证伪条件。盯住五个数字，它们比任何论断都更早知道答案。其一，同能力token价格指数：若年降幅持续跌破三倍，减速论成立，本文经济学的那一半要重写。其二，数据中心的长期购电价与并网队列：若持续恶化，说明电这个配给阀比预想的更紧。其三，AI责任险的费率：它若居高不降，核电剧本正在上演，核验成本正在接管定价。其四，初级白领岗位的招聘量：水位线最直接的读数。其五，机器人车队的累计工作小时：物理世界那半场革命的转速表。

最后回到那盏灯。诺德豪斯之所以要用考古的办法去挖光的价格，是因为光已经便宜到从所有人的注意力里消失了——没有人记得，人类曾经围着一根灯芯安排整个夜晚。智能大概率走同一条路：先是一张需要精打细算的账单，然后是一项基础设施，最后是背景——便宜到不再被感知，也不再被计价。到那时，"智能的单价"会像"光的单价"一样，成为只有经济史家才会翻出来的考题。

真正值得从现在就开始想的问题是：当认知不再稀缺，稀缺搬去了哪里？那张新清单——电、核验、责任、执行、taste——就是下一个时代的价格表。这篇文章开头为智能找到了一个计价单位；写到结尾才发现，更难的事情是为新的稀缺找到单位。

完整文章已写成，约六千字（实际4780）。它不是按清单拼的，脉络是自己长出来的：

核心只有一句——智能第一次有了单价。由此坍缩出三个问题（由什么构成/降多快停在哪/按什么日历），全文就是依次回答它们，每节结尾埋桥或伏笔连向下一节：物理节的"技能是一个文件"引出经济节；经济节推出全文最硬的原创论点——存量智能通缩、前沿智能通胀（两股指数对冲的净结果，一次解释API降价与训练军备赛的表面矛盾）；水位线节回答"停在哪"——不停在物理下限，停在互补品地板上（核验成本接管定价）；历史节兑现电力伏笔并给出核电这个反例剧本；结尾交出五个可证伪指标，再用那盏灯收束首尾。

Sources: IEA Energy and AI · Epoch: 推理价格趋势 · Epoch: ChatGPT 能耗 · Altman 0.34 Wh · EIA 2026 预测 · Unitree 价目

「AIY」

本周刊正式结束。

。