AI 未来预测：token 经济、用户抵触与岗位冲击

一篇广为流传的 AI 行业长文对推理定价、用户接受度、技术岗位生产力等议题作出系统预判，核心观点是：当前 AI 推理价格深度低于成本，未来将不可避免地经历再定价，而行业真正需要解决的不是「技术时机」，而是「产品执行」。

推理 token 的「补贴经济学」

文章指出，目前主流大模型 API 的推理价格明显低于算力成本，但具体「低多少」尚无定论。乐观估计基于 Anthropic 已披露数据，每 1 美元算力的售价约为 0.6–0.7 美元；悲观估计则认为超大规模厂商的资本开支、私募信贷、循环交易以及税收优惠构成层层补贴，每 1 美元算力的售价可能不足 0.1 美元，且需求曲线尚未见顶。

作者认为，再定价的冲击将分场景显现：

• 若乐观假设成立，摩尔定律与廉价能源可在用户几乎无感的情况下消化成本。
• 若悲观假设至少一半成立，将出现明显的需求破坏，且破坏程度高度依赖用例——企业级部署场景首当其冲。

以每月 4000 美元的 Claude 账单为例，作者认为只有最糟糕的公司才会因 token 用量问题盘问优秀员工，优秀公司关注的应是生产环境中 AI 依赖型工作流的 token 经济性。他类比说，正如同不会拒绝资深工程师要求 12GB 内存，但会质疑一段每天吃掉 12GB 内存十次的 SQL 查询。

用例分化：圈外用户对 AI 的真实态度

文章特别提醒技术圈注意一个事实：圈外用户对 AI 技术的厌恶程度被严重低估。民调显示，AI 在大学校园中的受欢迎程度大致相当于在退休社区中举办 System of a Down 演唱会。

• 水管工厌烦邮件应用代为回复带有「幻觉」日期的预约邮件。
• 护士对 AI 生成模特图片与实物不符感到不满。
• 普通用户把产品中的「功能发现提示」「引导浮层」直接称作「弹窗广告」。

作者判断，在中短期内，许多 AI 用例无论价格如何变化都会消失——普通人不会为「代订餐厅」类智能体支付每月 200 美元甚至 20 美元，2 美元或许是更现实的价位。他借用 Webvan、Flooz 等案例说明：「没人愿意在网上买杂货」「人们不信任线上支付」这些对失败公司的预言，即使措辞过时，结论也曾是正确的。

技术岗位与生产力：不是替代，而是成本结构变化

文章引用图表指出，过去几年科技公司裁员潮并非由 LLM 主导，但 LLM 至少构成了「顺风」。LLM 并不是工程师的替代品，但确实是替代方案——更多体现在成本结构上。

• 一款优秀的编码助手通常能让一名好工程师的产出提升 20%–30%。
• 「10 倍甚至 100 倍生产力提升」的说法并无研究支撑，部分任务可加速数个量级，但也有任务几乎不受影响。

作者提醒，「10 倍」叙事往往来自演示场景：键入几个提示，模型工作片刻，随即截屏宣传，而忽略了大量上下文准备、调试与验证成本。

行业整合与「挤出需求」的再平衡

文章最后讨论泡沫破裂情景：若 Google AI 摘要、Copilot（Windows 版，非 GitHub）等被市场厌弃的工具最终无法证明商业可行性，被挤出的需求反而会缓解那些更合理用例的价格压力。作者同时承认，理论上存在一种情形——泡沫破裂后大量闲置数据中心上线，使推理成本趋近电价成本，但因数据中心建设周期长，这一假设落地概率较低。

在需求侧，他认为仍有充足空间实现「少花钱多办事」：

• 模型可在牺牲极少能力的前提下提升效率。
• API 可智能路由至更便宜的模型。
• 当前消费者缺乏节约 token 的动机，浪费严重。
• 许多 LLM 任务实际上可由正则等简单代码完成，行业已在推进相关优化。

文章的核心结论是：对从业者而言，关键不是「时机」，而是「执行」。如果不能让产品体验变得更好或更便宜，所谓的「技术」本身并无意义——「Pets.com 只是太早了」是一种业余判断。