模型圈最近最反常识的一句话：DeepSeek 把推理基准打到 1，Kimi 降价 10 倍，OpenAI 也跟降 15–30 倍——模型正变得"免费"。但转头一看，企业 AI 账单不降反升。
这违反直觉？我先查一遍——这恰恰是 1848 年威廉·杰文斯（William Jevons）发现的悖论，在推理侧重演：资源越便宜，总消耗反而越大。
一、一句话结论
模型单价崩了 10–24 倍，但 Agent 单任务 token 消耗涨了 5–30 倍，企业推理预算占 AI 算力开支约 2/3、占企业 AI 预算约 85%。总账单没塌，是低价引爆了需求。而算力链（GPU / HBM / CoWoS）是"卖铲子"的，总池子因此更厚——这就是为什么模型免费、算力股却在涨。
二、反转：两种爽文都漏了"总量"
- 爽文 A（AI 太贵要崩）："企业用不起 AI，泡沫必破。"
- 爽文 B（模型免费党）："模型免费了，算力没人要了，芯片股到顶。"
实际数据：模型单价确实崩了，但调用量暴涨得更快。Jevons 在《煤炭问题》里写：蒸汽机效率提升让煤更便宜，结果英国煤消耗总量不降反升——因为便宜打开了无数新用途。推理模型降价，正在做一模一样的事。
偏差在哪：两派都盯着"单价"，没人盯"总账单"。2026 年的事实是——单价塌了，总量炸了，算力总消耗不降反升。
三、机制：三个齿轮咬出"账单爆炸"
3.1 Jevons 在推理侧：便宜是需求引爆器
1848 年煤炭降价→用量暴涨→总消耗升。2026 年模型单价降 10–24 倍→调用量（token）暴涨→算力总消耗升。降价不消灭需求，它创造需求。企业从"偶尔调用"变成"全员 Agent 化"，token 总池子被低价炸开。
3.2 Agent 的"Token 黑洞"
单任务多步推理、工具调用、重试、上下文累积，让一个 Agent 任务的 token 消耗是单次问答的 5–30 倍。Gartner 调研显示 88% 的企业 Agent 项目没有量化 ROI——大家都在烧 token，但"值不值"还没算清。这正是"账单爆炸"的微观机制。
3.3 利润池暗线：算力链是卖铲子的
推理预算占比上升，但钱最终流向算力链：GPU（英伟达 5.07 万亿美元市值、PE 31.7）、HBM（长鑫 3.28 万亿、PE 113.6；美光毛利率 84%）、光模块（中际旭创 1.17 万亿、PE 78）。模型层在打价格战、利润薄如纸；算力层卖铲子、利润池反而更厚。
3.4 三层对照
| 层级 | 现象 | 利润归属 | 数据 |
|---|
| 模型层 | 单价崩 10–24x | 利润薄 | DeepSeek / Kimi / OpenAI 降价 |
| Agent 层 | token 耗 5–30x | ROI 未量化 | 88% 无量化 ROI（Gartner） |
| 算力层 | 总消耗升 | 利润池厚 | 中际旭创 PE78 / 长鑫 PE113.6（C2） |
四、案例：把"免费"和"爆炸"摆一起
案例 A · 水电账单
4×
一人公司用 DeepSeek，表面月费 200 元，真实成本 842 元（上下文超限+重试+人工审核）
案例 B · 算力股不跌
1.17 万亿
中际旭创市值站上 1.17 万亿、长鑫 3.28 万亿——卖铲子逻辑被 token 总量扩张强化
案例 C · NVDA 从容
PE 31.7
英伟达 PE 低于国产 GPU，市场认定利润捕获已兑现；模型免费打不垮它
五、诚实 B 面
- 反方论点：若推理效率提升（小模型、蒸馏、KV-cache 优化）快于调用量增长，token 总消耗可能增速放缓，算力链利润池扩张节奏会低于"Jevons 必然爆发"叙事。
- 本结论边界：Jevons 悖论是"方向性"规律，不是"匀速"规律。总量一定扩张，但扩张速度取决于 Agent 落地率与效率优化的拉锯。
- 什么情况下会错：若 Agent 大规模证伪（88% 无 ROI 蔓延成"砍项目"）、或推理效率跃迁式提升，则"算力利润池持续增厚"需要下修。
六、给读者的框架
自己验证的信号清单：
- 企业推理预算占比（看云厂财报 "inference vs training" 口径）；
- token 单价走势（是否继续降，降幅是否收窄）；
- Agent 落地率（Gartner 类调研的"取消率"）；
- 算力链资本开支（NVDA/博通/中际旭创的 supply commitment）；
- 小模型/蒸馏采用率（效率侧的对冲信号）。
⚠️ 该避的坑：把"模型免费"等同于"算力无用"。2026 年推理侧的真故事是——便宜引爆需求，需求喂厚利润池，模型层打价格战，算力层卖铲子赚钱。这正是 Jevons 在推理侧，最该想通的事。
七、读者问答（FAQ）
Q1：模型都免费了，为什么企业账单反而更贵？
A：因为降价引爆了用量。模型单价崩 10–24 倍，但 Agent 单任务 token 消耗涨 5–30 倍，调用量暴涨得更快。这正是 Jevons 悖论——资源越便宜，总消耗越大。单价塌了，总量炸了，总账单没塌。
Q2：Jevons 悖论是什么？跟 AI 有什么关系？
A：1865 年经济学家杰文斯发现：蒸汽机效率提升让煤更便宜，结果英国煤总消耗不降反升——因为便宜打开了无数新用途。2026 年模型降价正在推理侧重演同一机制：便宜创造需求，需求喂厚算力总消耗。
Q3：为什么说算力链是"卖铲子"的？
A：模型层在打价格战、利润薄如纸；但钱最终流向算力链——GPU、HBM、光模块。无论哪家模型赢，都要买算力。所以"卖铲子"的算力层利润池反而更厚，这也是模型免费、算力股却在涨的原因。
Q4：Agent 的"Token 黑洞"怎么理解？
A：单次问答可能几百 token，但一个 Agent 任务有多步推理、工具调用、重试、上下文累积，token 消耗是单次问答的 5–30 倍。Gartner 说 88% 企业 Agent 项目没量化 ROI——大家都在烧 token，但"值不值"还没算清。
Q5：这个逻辑有没有可能错？
A：有。Jevons 是"方向性"规律不是"匀速"规律。若推理效率（小模型、蒸馏、KV-cache 优化）提升快于调用量增长，或 Agent 大规模证伪（砍项目），算力利润池持续增厚就需要下修。关键看 Agent 落地率与效率优化的拉锯。
Q6：普通人能从中得到什么启发？
A：别被"模型免费=算力没用"的爽文带偏。验证真实趋势要看五个信号：推理预算占比、token 单价走势、Agent 落地率、算力链资本开支、小模型采用率。便宜引爆需求、需求喂厚利润池，这才是推理侧最该想通的事。
