OpenAI 不靠最貴的模型賣錢了

OpenAI 在 7 月 30 日公告價格調整，旗艦級 GPT-5.6 Luna 模型降價 80%，Terra 模型則調降 20%。乍看之下，這不過是矽谷又一家 AI 公司加入價格戰；不過細讀官方同步公開的技術文件與 API 調用指南，會發現真正的訊號不在折扣數字本身，而是 OpenAI 第一次明確告訴市場：很多事情，不需要花大錢呼叫最貴的模型。 官方建議一個具體的工作流程：如果是複雜任務，先請 GPT-5.6 Sol 做需求分析與方案設計，再把執行工作交給 Luna 去寫程式、跑測試。換句話說，最貴的模型負責思考，最便宜的模型負責動手。這個策略放在兩年前，幾乎等於商業上的自我否定，因為過去整個 AI 產業都在想辦法證明自家模型最聰明，如今 OpenAI 卻率先說「不必每次都買最貴的」，這件事的重要性遠超過降價本身。 再看最近兩週的產業動態，會發現這種默契不是單一事件。7 月 24 日，Anthropic 也做了一件幾乎相同的事：Claude Opus 5 正式發佈，百萬 token 輸入 5 美元、輸出 25 美元，正好只有自家旗艦 Fable 5 的一半。Anthropic 對外強調的不是性能再一次突破，而是經濟性——用一半的價格，就能取得無限接近 Fable 5 的前沿推理能力。而在一個月前，Fable 5 還是 Anthropic 大力宣傳的旗艦，號稱最強推理、最長上下文、最高價格；短短一個月後，Anthropic 就親手替旗艦找了一個半價替代品。單一公司這樣做，可以解讀為產品線調整；兩家幾乎同時行動，那就不是巧合，而是產業集體開始主動降低旗艦模型在商業上的重要性。 為什麼偏偏是現在出現這個轉折？答案並不複雜。過去旗艦模型最大的價值不在賺錢，而在證明技術領先。GPT-4 問世後，OpenAI 估值一路上揚；Claude 每一次更新，也重新定義 Anthropic 的技術定位。旗艦模型承擔的是品牌價值，但企業真正花錢的地方，從來不在這裡。一家企業每天要跑數百萬次 API 呼叫，客服、搜尋、審批、程式碼生成、Agent 執行，這些高頻任務佔據了絕大多數 token 消耗。企業採購最在意的不是 Benchmark 排名第一，而是一次任務要花多少錢、夠不夠穩定、ROI 高不高。當呼叫規模擴大到每日數千萬次，旗艦模型那點微弱的智慧優勢，很容易被巨大的算力開支瞬間抹平。OpenAI 這次的動作，等於宣告頂級旗艦不再是營收主力。 這樣的情景，汽車產業早就演過一遍。二十年前，七系列定義 BMW 的高度、S-Class 撐起 Mercedes-Benz 的豪華調性、A8 奠定 Audi 的旗艦形象，旗艦車型決定品牌上限；可是真正撐起銷量與利潤的，始終是三系列、C-Class 與 A4 這類大眾車型。後來更明顯，Model S 證明 Tesla 有能力造車，真正讓它變成全球車廠的是 Model 3 與 Model Y。旗艦負責證明能力，大眾車型負責規模。AI 如今也走上同一條路：Sol、Fable 還會繼續存在，負責衝擊技術上限、刷新各項指標，但真正承擔商業化重任的，會愈來愈集中在 Luna、Terra、Opus 這類中低階且高 CP 值的模型。OpenAI 甚至公開寫出推薦流程——Sol 負責規劃、Luna 負責執行——這已經不只是推出一款模型，而是在設計一套模型分工體系。未來企業採購的，不是單一模型，而是一整套模型組合；真正決定成本的，不是偶爾出來做決策的總設計師，而是每天都在幹活的施工隊。 還有一個細節比降價本身更有意思。OpenAI 在技術說明中提到，這次降價並不是因為買了更多 GPU，也不是單純因為規模變大，真正的原因是「模型開始參與優化模型」。具體來說，在人類工程師的帶領下，Sol 自主重寫並優化了底層生產內核，自己設計數百個實驗來提升 token 生成效率，甚至參與監控模型訓練流程，發現問題後直接介入。端到端運行成本因此下降 20%，token 生成效率提升 15%。過去提升效率靠工程師，模型上線後，由人一點一點優化推理框架、CUDA、緩存策略與調度演算法，一年能擠出十幾個百分點的進步已經算很不錯。現在技術演進走進新路徑，模型開始接管底層程式碼與算力調度的工程優化，並且全天候迭代。這會形成一個自我加速的循環：模型愈聰明，參與優化的能力愈強；優化愈快，成本下降愈快；成本愈低，調用量愈大；調用量愈大，產生更多數據，繼續回頭訓練模型。 翻開 OpenAI 過去兩年半的價格變化，更能看出這條曲線有多陡。GPT-4 首發時輸入價格為每百萬 token 30 美元，GPT-4o 降到 5 美元，GPT-4o mini 做到 0.15 美元；如今 Luna 的定價已經貼近當年 mini 的廉價區間，整體智慧水準卻遠超兩年前昂貴的 GPT-4。兩年多時間，價格下降了接近兩個數量級。如果模型持續參與優化自身，這條曲線大概率還會繼續往下走。真正值得警惕的不是今天降價 80%，而是成本下降這件事開始擁有了自我驅動的能力。 市場討論 AI 競爭時，其實還常常套用上一階段的框架，例如追問誰最聰明：GPT、Claude、Gemini、DeepSeek，每發佈一個新模型，媒體第一時間都在看排行榜，誰第一誰就贏。OpenAI 與 Anthropic 的新動作打破了這個規律，雙方都在向市場傳遞同一個訊號：單項性能冠軍的吸引力正在衰減。OpenAI 在公告中有一句話特別關鍵，它建議開發者根據任務的重要程度、出錯代價、緊急程度與規模，去匹配不同模型；換句話說，它討論的已經不是模型，而是任務。過去企業部署 AI，大多數時候只有一個選擇，今天開始更像是在搭一個組織：最重要的任務用 Sol，日常執行交給 Luna，以後可能還有更輕量的模型負責更簡單的事。這跟雲端運算當年的發展很像，沒人會把所有數據放在最貴的 SSD 上，熱數據放 SSD、普通數據放 HDD、冷數據放物件儲存；大家關心的不是哪一塊硬碟最快，而是整個系統怎麼搭最划算。 DeepSeek 其實比矽谷更早嗅到這個方向。過去半年，它幾乎沒有強調自己一定是全球最聰明，反覆強調的幾個關鍵字是便宜、夠快、夠用；緩存命中之後，每百萬 token 的成本低到幾乎可以忽略。DeepSeek 押注的是企業需要的不是世界冠軍，而是綜合 ROI 最高的部署選項。矽谷兩家巨頭如今的跟進，正好驗證了這條商業路徑的必然性。 到今天，OpenAI 的策略已經相當清楚：真正想賣的不是模型本身，而是調用量。過去模型廠商依賴高技術溢價取得高毛利，現在的經營邏輯轉變為用極低門檻換取超大規模的流量生態。微軟真正賺錢，不是因為 Windows 賣得貴，而是所有電腦都裝了 Windows；AWS 賺錢也不是因為單臺伺服器利潤高，而是全世界的應用程式每天都在上面運行。平台收入靠的從來是滲透率。這也解釋了為什麼 Sol 的價格一直沒動：Sol 承擔品牌任務，證明 OpenAI 依然是技術上限最高的公司；Luna 才是真正的收入引擎。OpenAI 希望開發者形成一種新的預設習慣——寫 Agent 用 Luna、跑工作流程用 Luna、批次執行也用 Luna，只有遇到真正困難的問題才偶爾呼叫 Sol。一旦這種預設建立起來，後續競爭就會變得非常困難，因為企業要遷移底層模型，意味著重新測試、驗證、適配整套工作流程，遷移成本只會愈來愈高。真正的護城河，已經開始從能力領先轉向生態黏性。 把時間拉長來看，AI 產業正在經歷一次典型的規模經濟拐點。當單位算力成本降到極低，市場對 token 的總需求不但沒有因為單價降低而減少，反而呈現指數級爆發。旗艦模型不再決定產業方向，因為技術演進的重心，已經從探索智慧上限轉移到算力的工業化降本。當 API 呼叫成本低到可以忽略不計，模型的形態與界線會開始淡化，企業開發者不再斤斤計較每一個 token 的耗損，而是把 AI 無縫嵌進每一條業務流程。這場轉變最深刻的地方在於，API 價格的雪崩其實正在推高整個軟體工程的遷移成本——一旦企業的工作流程、Agent 調度網絡與自動化數據管道全部建立在低成本模型的組合之上，底層模型的提供方就等於鎖定了未來十年的算力管道。過去幾年，大模型公司賣的是智慧；從今天開始，它們賣的是效率。這是一個完全不同的故事，而 OpenAI 與 Anthropic 已經用行動表明，屬於新故事的時代，正式開始了。