智能富足：OpenAI 的成本与效率革命

AI 基础设施的价值不在于规模，而在于它带来的可能性：让更强大的智能以更低成本惠及更多人。这正是 OpenAI 对“富足”的理解——既植根于其使命（确保通用人工智能（AGI）造福全人类），也体现在驱动业务的经济引擎中。

当有用智能的成本下降，更多工作变得值得去做；当模型能力提升，这些工作创造更多价值。随着采用率增长，OpenAI 获得收入、真实世界反馈和需求洞察，从而持续投资于下一代研究与基础设施。更好的智能推动更广泛的采用，更广泛的采用支持更多投资，更多投资提升智能与效率——这就是 OpenAI 正在构建的循环。

富足的经济学

OpenAI 最近的定价公告展示了这一循环如何快速惠及客户。日前，OpenAI 将 GPT‑5.6 Luna 的价格下调 80%，GPT‑5.6 Terra 下调 20%。Luna 现价为每百万输入 token 0.20 美元、每百万输出 token 1.20 美元；Terra 分别为 2 美元和 12 美元。

对于 GPT‑5.6 Sol，Fast 模式提供高达标准处理 2.5 倍的速度，价格为两倍，智能水平不变。

这些并非简单的价格调整，而是扩展了实际可行的任务范围，让客户在智能、速度、可靠性和成本之间拥有更大灵活性。正确的问题不是哪个模型对应哪个任务，而是：所需结果要求多少智能？需要多快获得？需要付出多少成本？同一工作流中，这些平衡可能多次变化。

客户购买 token 并非为了 token 本身，而是想解决问题：支持工单被处理、软件被交付、合同被审阅、科学问题得到回答。正确的衡量标准是成功结果的总成本，包括时间、重试、监督和错误成本。一个更强的模型若能准确高效地完成工作，最终可能比一个便宜但需要反复尝试或大量人工干预的模型更经济。反之，当一个低成本模型达到同样的质量门槛时，能大幅扩大使用范围。关键在于以合适的价格，应用最大限度的有用智能。

让每一单位算力产出更多

要交付上述价值，不能只靠建设更多数据中心，还需要让每一单位算力更有生产力。OpenAI 最近的工程工作展示了这一点：GPT‑5.6 Sol 与技术团队合作，优化了用于服务模型的生产软件，将端到端服务成本降低 20%；它还改进了推测解码，使 token 生成效率提升超过 15%。

同样重要的是，效率并非仅由模型决定，围绕它的系统也至关重要。更好的路由让硬件保持生产力；更智能的上下文管理防止智能体重复工作；更强的工具和产品设计减少完成任务所需的步骤。在最近的基准分析中，通过改进保留推理和上下文管理，GPT‑5.6 Sol 在公开 ARC-AGI-3 任务集上的得分从 13.3% 提升至 38.3%，同时输出 token 使用量减少六倍。模型本身没变，变的是周围系统。

这些收益会复合增长。更强的模型帮助团队发现新效率，效率提升降低服务客户的成本，并用同样的基础设施支持更多工作，从而使下一代智能更易获取。

为什么全栈很重要

OpenAI 在基础设施、模型、平台和产品各层面布局的优势，不仅在于参与每一层，更在于每一层都能让其他层变得更好。

真实的产品使用展现了客户的价值点和摩擦点，这些反馈塑造了研究方向；研究改进强化产品并降低服务成本。ChatGPT、ChatGPT Work、Codex 和 API 的需求帮助 OpenAI 在扩容方面做出更优决策。

规模至关重要。如今，OpenAI 的模型触达超过 10 亿活跃用户和超过 200 万家企业。随着人们对技术建立信心，使用也更深：注册六个月后，用户每天发送的消息量增加约 50%，使用 ChatGPT 完成的工作种类增加约一倍。ChatGPT Work 正在重新定义知识工作者——从回答问题转向完成复杂、多步骤的工作，从“询问”到“执行”。在整个 OpenAI 内部，通过 Codex 的智能体工作现已占每周输出 token 的 99.8%，财务团队等已将智能体工具作为主要工作方式。

组织内部也呈现类似模式。一家公司可能从一个团队、一个工作流开始，随着质量和经济性改善，采用扩展到各个职能，AI 成为业务运营的一部分。这形成了一个需求、产品改进、效率和基础设施规划之间的宝贵反馈回路。OpenAI 并非需要拥有所有资产或自建所有组件，可以根据客户利益和经济合理性选择自有、合作或购买。关键在于协调整个系统并从中学习。