a16z 创始人：AI 价格打下来了，机会才刚开始
进入 2026，硅谷最会押趋势的那批人，开始强调一个更底层的逻辑：AI 不是先变强，而是先变便宜。
1月7日，a16z 创始人 Marc Andreessen（马克·安德森）在自家播客上做了一场访谈，核心观点是：
AI 是他见过最大的技术变革，但关键不在于模型能力的突破，而在于智能本身正在从奢侈品变成日用品。
调用一次 AI 的成本，正在以惊人的速度往下掉。不是降了一点，是断崖式暴跌。
Marc 同时强调：现在还早。成本已经降下来了，但大部分机会还没被创业者发现。
他这场访谈不谈技术前景，也不谈市场泡沫，而是聚焦一个更具体的问题：如果智能像水电一样便宜且随处可得，商业规则会怎么变？
变化体现在四个方面：成本结构、技术路径、定价模式、竞争格局。
现在的 AI，不是谁更强，而是谁先把便宜智能变成标准流程。
第一节｜崩的是价格，起飞的是收入
Marc Andreessen 首先指出：AI 的智能成本正在暴跌
他说：
“AI 的单位成本，下降速度比摩尔定律还快。”
模型越训练越强，但每次调用 AI 所需的成本，反而越来越低。不是降一点点，而是断崖式往下掉。
他特别提到：过去一年，大模型的 token 成本正在快速下滑。OpenAI、Anthropic、Google 都在把自己的 AI 能力接入云服务，谁都想多拿市场份额。竞争一激烈，价格自然一落千丈。
硬件端的使用年限也变了。Marc 引用了一条 AWS 的数据：GPU 的使用寿命从 3 年延长到 7 年以上。
企业买一块卡、建一个服务器，能跑 AI 的时间直接翻倍，摊到每次调用上的成本，就降了一半还多。
这意味着什么？智能正在变成一种可批量采购、按需计费的新材料。
而且成本下降的同时，收入却在快速增长。
Marc 用“起飞”来形容 AI 公司最近一年的变现速度。他说：我们看到的 AI 公司，收入增长速度比以往任何一波技术周期都快。
具体看两端：
个人端：越来越多消费者愿意为 AI 服务付高价订阅。 20 美元/月不再是上限，现在 200～300 美元/月的高级套餐也开始有大量付费用户。
企业端也一样：AI 能帮客服多处理一个工单、帮销售多挽回一个用户，光这些日常工作，就能带来直接回报。只要能带来结果，就有人愿意花钱用。
也就是说：价格在掉,价值在涨。
在 Marc看来，这恰恰说明：AI，不是泡沫，而是开始变成真生意了。
第二节｜AI 不用做最强，用得起才是关键
第一节说了成本在崩，但为什么崩？
因为 AI 不是非要做到最聪明才有用。
Marc Andreessen 在对话中举了一个形象的例子：有些工作任务，不需要“爱因斯坦”大脑来解决，只要一个聪明、靠谱的普通人就足够。
这点破了一个很多人没注意到的机会：模型不需要越大越好，够用就行，尤其是在成本敏感的场景下。
过去一年，大量小模型开始冒头。Marc 特别提到国内的 Kimi 模型：最新版 Kimi 在推理能力上已经追平了 GPT-5，但模型体积更小，成本更低，可能在 MacBook 上就能跑。
他观察到一个规律：大模型推出后，6 到 12 个月，就会出现同等能力的小模型。
大模型证明某个能力可行，小模型快速复制，然后以更低成本提供。
这带来两个现实变化：
一是使用方式变了：AI 正在从高高在上的聪明大脑变成随手可用的小工具；
二是开发方式变了：初创公司、独立开发者都可以拿开源模型，快速部署上线，甚至自己微调一套专用模型。
但这不代表大模型会消失。
Marc 认为，AI 行业会形成金字塔结构：
顶端：少数超级模型，在巨型数据中心运行，永远是最聪明的
底层：大量小模型，扩散到各种设备里，运行在手机、手表、甚至每个物理物品内部
就像计算机行业的演化：超级计算机没有消失，但真正改变世界的是无处不在的微芯片。
所以真正的机会在哪？
不是去做最强，而是：谁能把智能压缩、量产、变成随时可调用的标准件，谁就能抢占最大的市场。
因为当智能不再稀缺，拼的不是最强，而是“用得起”。
第三节｜AI 应用不只是套壳，定价方式决定天花板
过去一年，很多人看 AI 应用公司时会说：这不就是套了一层 GPT 接口？
Marc Andreessen 不这么看。
以 AI 编程工具 Cursor 为例：一开始确实是调用大模型辅助编程，但很快，这类公司开始自己微调模型、甚至自研模型。产品不是换个壳，而是在功能、速度、成本上做了深度优化。
他把这个叫做“向后整合”。
换句话说，以前是前端产品，后端调用别人的 API，现在是：
从一个模型起步，最后用 12 个、50 个、甚至上百个模型
不同模型负责不同部分：界面回复、代码逻辑、上下文记忆
针对垂直场景，自己训练定制模型
这不是为了技术而技术，而是为了掌控技术栈。因为对业务理解最深的人，才知道哪些环节需要什么样的智能。
Marc 说，最前沿的 AI 应用公司，实际上掌握了核心技术。
那么 AI 应用在定价上呢？
这里的规则和第一节不一样。第一节说，基础设施层（OpenAI API）在打价格战，成本暴跌。但应用层的定价逻辑完全不同。
因为定价逻辑分层了：
基础设施层：智能变成水电，按使用量计费，竞争激烈，价格往下走
应用层：产品卖的是结果，按价值计费，差异化大，价格可以往上走
关键在于：不要按成本定价，要按价值定价。
传统 SaaS 按年订阅、按坐席收费，但 AI 应用可以探索更多可能：
不是按“生成了几份文档”收费（使用量）
而是按“节省了多少工时”收费（价值）
或者按“提升了多少生产力”分成（回报）
举个例子：如果一个 AI 编程工具让程序员效率提升 30%，它可以收走这 30% 生产力带来的部分价值，而不是只收调用了多少次 API的成本。
为什么高价产品反而好卖？
因为用户买的不是模型，而是结果。只要结果值这个价，就有人付费。
这就解释了第一节提到的现象：200～300 美元/月的订阅越来越多，本质上这些产品在卖“解决了什么问题”，而不是“用了多少 Token”。
按照这个思路，应用层的机会在于：
向后整合，掌控技术栈
深耕场景，理解用户价值
按价值定价，而不是按成本定价
基础设施层会继续价格战，但应用层的天花板，取决于你能创造多少价值。
这个机会窗口，到底留给谁？
第四节｜追赶只需要半年，不确定性变成了常态
很多人看 AI 行业，第一反应是：已经有 OpenAI、Anthropic 这些巨头了，我们是不是来晚了？
但实际情况是，一旦有人证明某件事可行，其他人追上来的速度会非常快。
几个具体的例子：
xAI 不到 12 个月追上行业前列： Elon Musk 的团队从零开始做 Grok，不到一年就把产品性能拉到了 OpenAI 和 Anthropic 的水平。
DeepSeek 用开源冲进主舞台：一家对冲基金背景的团队，用开源模型直接把能力推到全球视野，还能在本地运行。
多家中国公司同时追上：月之暗面（Kimi）、阿里巴巴（Qwen）、字节跳动、百度等，不到 12 个月都追到了前沿水平。
1、为什么追赶这么快？
Marc 给出了三个主要因素：
第一，开源降低了学习门槛：领先者做出了新突破，开源模型就把“怎么做”展示出来。任何人都能学习、复制、改进。
第二，知识扩散速度极快：现在世界上最好的 AI 人才，很多只有 22、23、24 岁。他们不可能在这个领域待很长时间，必然是过去四五年迅速成长起来的。如果他们能做到，未来会有更多人做到。
第三，成本已经不是门槛：前三节说的成本塌陷、小模型崛起、云服务竞争，都在降低做 AI 的资源要求。不需要几千人团队，也不需要数十亿美元，一个小团队就能快速验证想法。
2、这对不同角色意味着什么？
第一，对现有的 AI 公司来说，这是个坏消息
Marc 指出：当一家公司不知道该往哪个方向发展时，这是个大麻烦。因为公司必须做出选择，把资源押注在某个方向上。一旦押错了，竞争对手追上来，优势就消失了。
这就是他说的“万亿美元问题”：不是现成的答案，而是每个公司都要面对的战略不确定性。
第二，但对风投和创业者来说，这是个好消息
a16z 的投资策略是：不只投一个方向，而是同时支持多个有希望的路径。只要某种方法有可能跑通，就支持有人试一次。
对风投来说，不确定性意味着可以分散投资。
对创业者来说，不确定性意味着窗口还开着。
总结来说：
领先者不再安全。追赶只需要半年到一年，技术方法已经透明，成本也已经降低。
但这也意味着，追上之后你也会被追赶。持续竞争变成了常态。
结语｜不是 AI 更强了，而是你用得起了
Marc Andreessen 说，AI 产业的转折点，不是模型多聪明，而是智能不再昂贵。
成本暴跌让智能变成了可以批量采购的新材料。小模型够用就能打，应用层可以按价值收费。而且追赶只需要半年到一年，领先者的护城河正在变浅。
这意味着什么？
模型再大，不如先落地。技术再强，不如用得起。
这场技术变革才刚开始，但商业竞争规则已经重写了。
📮 原文链接：
https://www.youtube.com/watch?v=xRh2sVcNXQ8&t=1s
https://www.iheart.com/podcast/867-the-a16z-show-30965806/
https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts
https://www.reuters.com/technology/artificial-intelligence/openai-unveils-cheaper-small-ai-model-gpt-4o-mini-2024-07-18/?utm_source=chatgpt.com
本文来自微信公众号“AI 深度研究员”，作者：AI深度研究员，36氪经授权发布。
