两年跌到 0.5%，AI 开始争夺物理世界

三年前，GPT-4 的 API 报价是每百万输入 token 30 美元，输出 60 美元。今天，同一张报价单上挤满了比它更强、也比它便宜得多的选项：

降幅的计算方式很直观：（基准价 − 现价）÷ 基准价。以表里降得最彻底的 DeepSeek V4 Flash 为例，输入端（30 − 0.14）÷ 30 ≈ 99.5%，输出端（60 − 0.28）÷ 60 ≈ 99.5%——这也是它常被形容为「比 GPT-4 便宜两百倍」的原因。

这张表还藏着一层容易被忽略的分化：降得最猛的是经济款，旗舰款的降幅明显更克制——GPT-5.6 Sol 的输出价比 GPT-4 只降了 50%，Claude Opus 5 降了 58%，仍然比中间价位的机型贵出一个数量级。地板在往下沉，但旗舰层的议价权还没见底。 稀缺始终追着边缘移动：先垮的是「够用就好」的中间层和经济款，最后才轮到真正的前沿能力。

「开源必然更便宜」这个假设，本身也该打个问号。DeepSeek V4 Flash 和 GLM-5.2 确实把价格压到了地板，但月之暗面 7 月发布 Kimi K3 时，并没有延续上一代 Kimi K2「超便宜打穿前沿」的路线，而是直接把报价定进了和 Claude Sonnet 5 同一个价位段——3 美元对 15 美元。国产开源模型不再自动等于廉价模型，它们也在往「按能力定价」的方向走。

光看牌价，还会低估语言智能变便宜的真实速度，因为完成同一个任务需要「想」多少步、烧多少 token，也在跟着降。想算清楚一次任务到底便宜了多少，得用两把尺子：一把是牌价（每百万 token 多少钱，好比油价），一把是任务成本（牌价 × 完成一次任务实际耗费的 token 数，好比一箱油能跑多远）。Google 发布 Gemini 3.6 Flash 时给出了两组可以对照的数字：官方牌价上，输出单价只从上一代的 9 美元降到 7.5 美元，降了 17%；但在长链路工程任务上，Google 测算的实际任务成本最多降了 65%——因为新模型同时学会了用更少的思考步骤把同一件事做完。只看牌价，会把语言智能变便宜的真实速度低估两到三倍。这一层的现状是：牌价和任务成本都在往地板探，只是旗舰款还没探到底。

这张表本身，就是一次完整的「稀缺追着边缘跑」的演示。三年前，GPT-4 用整个市场最高的报价，锁定了当时机器智能的边缘——没有更贵的选项，是因为没有更强的选项，那份 30 美元/60 美元的报价单本身就是稀缺的标价。三年后，它连表里的经济款都排不进去：报价最低的 DeepSeek V4 Flash，只要它当年报价的 0.5%，而能力早已在公开评测上全面超过了 2023 年的 GPT-4。边缘没有消失，只是搬去了别处；GPT-4 曾经占据的位置，被后来者从地板一路挤了上去。语言智能这一层内部，已经完整跑完了一轮「今天的边缘，就是明天的地板」。同一轮变化正在物理世界出现：标准化能力不断变成地板，稀缺转向尚未被低成本复制的数据和执行系统。

巧合的是，同一段时间里，另一件事在同步发生：NVIDIA 把公司叙事整体转向「物理智能」（physical AI），6 月发布了训练数据量达 20 万亿 token 的 Cosmos 3；Google DeepMind 把 Genie 3 开放给订阅用户，还专门为 Waymo 定制了一套用来模拟极端路况的世界模型；李飞飞的 World Labs 在半年内融到 12.3 亿美元；Yann LeCun 离开 Meta，专门去做一种叫 JEPA 的世界模型新架构；中国的北京智源大会把主题从「大模型」换成了「世界模型」，发布了号称首个通用世界基座模型的 Physis-v0.1。机器人创业公司在 2026 年上半年拿到的融资，已经超过了 2025 年全年。

语言智能在跌价，物理世界这一层的资本和话语权却在暴涨。这场迁移沿着三层发生：语言智能变成低价地板，世界模型争夺对物理变化的预测能力，物理智能争夺把判断变成受控动作的执行能力。新的稀缺，也随之转向物理数据、世界模型与系统整合。

一、把「AI 竞争」拆成三层，才能看清战场在哪

「AI」这个词已经太庞大，庞大到没法用来判断资本和人才到底在往哪里流动。一个更有用的做法，是把它拆成三层，每层各有各的定价逻辑：

语言智能——理解和生成文本、代码、对话，输出是符号。世界模型——预测物理世界接下来会怎样变化，输出是对现实的模拟。物理智能（physical AI，也称具身智能）——把判断转成机器人、机械臂或自动驾驶系统能够执行的受控动作，输出是物理世界里真实发生的位移和接触。

「世界模型」这个词本身也在被滥用，需要再拆一层。World Labs 在 6 月发布的一篇分类文章，把它拆成三种能力：渲染器（生成好看的画面，衡量标准是视觉真实感）、模拟器（构建物体如何受力、碰撞、形变的物理模型）、规划器（在模拟的世界里决定下一步该做什么）。三种能力常被同一个词打包销售，但本质完全不同——Google DeepMind 的 Genie 3 能实时生成可探索的 3D 场景，每秒 24 帧、在几分钟内保持画面连贯，这是一台出色的渲染器，但论文里也明确说了它「没有对三维结构的显式理解」；World Labs 自己的 Marble，则同时输出可供人观赏的画面和物理引擎能直接读取的碰撞网格，这才踩进了模拟器的门槛。分不清这三种能力，就分不清一家公司到底是在做游戏内容，还是在做能支撑机器人决策的仿真环境。

这三层不是并列关系，而是一条链：语言智能负责「知道该做什么」，世界模型负责「预判做了会发生什么」，物理智能负责「把这件事真的做出来」。过去五年，资本和人才主要挤在第一层；现在，挤进第二、第三层的速度明显更快了。