Show HN: Wage Against the Machine – MacWages Index for AI Tasks2 months agohttps://watm.ddyo.dev/“工资对抗机器”工具基于小时工资比较各国的人工智能任务购买力。小时工资较高的国家，如瑞士（$55.60/小时）和美国（$35.10/小时），每小时工作可购买更多人工智能任务。低工资国家，如印度（$2.20/小时）和巴西（$4.30/小时），每小时工作可购买的人工智能任务较少。该基准包括多种人工智能模型（例如：Opus 5 Max、Luna Max），并评估每小时工作完成的任务量。数据显示人工智能购买力存在显著差距，瑞士领先，印度落后。
Moore's Law for Everything (2021)2 months agohttps://moores.samaltman.com/人工智能将迅速在多个领域取代人类劳动，带来巨大的财富创造，但如果政策不调整，也可能导致不平等。为了公平分配这些财富，作者建议对资本（企业和土地）征税而不是劳动，并提出了名为“美国权益基金”的具体计划。美国权益基金将对公司每年征收2.5%的市值税，对土地征收2.5%的价值税，并向所有成年公民分配股份和现金。该系统旨在协调各方利益、减少贫困，并使每个人都能以所有者的身份从资本主义中获益，从而促进社会对经济增长的集体支持。实施过程中面临的挑战包括防止避税、准确评估土地价值以及确保税收不会抑制增长，需要通过渐进式推进来缓解转型压力。
No, it doesn't cost Anthropic $5k per Claude Code user2 months agohttps://martinalderson.com/posts/no-it-doesnt-cost-anthropic-5k-per-claude-code-...福布斯声称Claude Code Max用户的计算成本为5000美元，但这是基于零售API价格，而非实际推理成本。实际计算成本大约为API价格的10%，正如OpenRouter上的开放权重模型所示（例如，Qwen 3.5输入价格为0.39美元/百万令牌，而Opus为5美元/百万令牌）。重度用户每月给Anthropic带来的成本约为500美元，而非5000美元——亏损300美元，而非4800美元。大多数用户处于盈亏平衡或盈利状态；普通Claude Code用户每月消耗相当于180美元的API用量，而服务成本为18美元。Cursor面临着真正的5000美元成本，因为他们按零售API价格支付Anthropic模型费用。人工智能推理是个无底洞的说法具有误导性；它抑制了竞争，并证明了高额API加价的合理性。
GLM 5.2 and the coming AI margin collapse (part 1)2 months agohttps://martinalderson.com/posts/the-upcoming-ai-margin-collapse-part-1-glm-5-2/...深度求索的R1引发了市场恐慌，但误读了AI经济学：训练是固定成本，而推理随需求扩展且利润丰厚。像Anthropic/OpenAI这样的前沿实验室在训练上投入巨大，然后从推理中获利，按计算成本估算毛利率约为90%。Z.ai的GLM 5.2是Opus和GPT真正的开源权重竞争对手，提供了类似的质量，但存在弱点：速度慢、不支持视觉功能、网络搜索能力差。由于兼容OpenAI和Anthropic的端点，转换成本非常低，使得迁移相对于传统供应商锁定来说微不足道。成本节省显著：GLM 5.2成本约为每百万Token 4.40美元（不到Opus价格的20%），随着服务栈优化，预计还会进一步降低。对Z.ai条款存在数据隐私担忧，但开源权重允许本地部署或选择具有更好合同保护的其他供应商。文章暗示即将到来的推理利润崩溃可能重塑AI行业，并引用贝佐斯的“你的利润就是我的机会”。
Winners and losers in the coming AI margin collapse (part 2)2 months agohttps://martinalderson.com/posts/the-upcoming-ai-margin-collapse-part-2-winners-...AI市场正在分化为昂贵的尖峰模型和适用于许多代理任务的廉价、'足够好'的模型，来自竞争对手如Grok 4.5和GLM5.2的激进定价加剧了这一趋势。受益者包括半导体公司和硬件供应链，因为供应限制和廉价模型带来的需求增长使得价值从软件转向硬件。编码代理（如Cursor）受益于廉价模型，能够实现盈利运营，并获取宝贵的用户数据用于训练未来模型。终端用户和消费者是主要受益者，以相比早期模型如GPT4更低的价格获得高质量的AI智能。尖峰AI实验室可能因用户转向廉价模型而损失收入，但他们可能通过托管平台限制对顶级模型的访问来应对，以避免商品化并防止蒸馏攻击。B2C市场仍是一个变数，LLM相关的广告具有潜力，可以通过像ChatGPT的10亿月活用户这样的大规模用户群实现盈利，从而将关注点从B2B重新转移。总体而言，纯模型推理的利润率趋近于零，价值由硬件供应链和用户获取，而尖峰实验室必须保持创新领先以避免商品化。
Is Open Weight AI Decelerationist?2 months agohttps://fragileequilibrium.substack.com/p/is-open-weight-ai-decelerationistOpenAI的迪恩·鲍尔声称开放权重的人工智能模型本质上是减速主义的，引发了争议。减速主义反对加速主义，后者认为技术快速普及是有益的。经济论点：开放权重可能通过压缩未来收入来抑制资本支出。中国补贴人工智能基础设施和过度建设产能的能力加剧了对利润的威胁。当前的训练范式是短暂的；未来的人工智能可能更加高效，减少前期资本支出。价值可能从基础代币转移到应用、集成和服务，就像电力或Linux一样。开放权重降低了参与门槛，将创新扩展到少数实验室之外。文章总结道，开放权重本质上并非减速主义，而是押注于更广泛的价值生态系统。
Who's Afraid of Chinese Models?2 months agohttps://stratechery.com/2026/whos-afraid-of-chinese-models/作者最初认为科技，尤其是软件的零边际成本，具有根本性不同，但后来意识到零边际成本是聚合理论的基础，导致了价值链的集中化。人工智能正在重新引入旧的商业原则，如边际成本，挑战了开源模型免费的观点；实际上，它们涉及到推理环节的显著销货成本（COGS）。代币并非同质化商品；代币产生的智能才是同质化的。智能的销货成本取决于模型规模、推理效率和代币效率等因素。商品市场的运作基于所有卖家根据供需关系收取相同价格，利润取决于成本结构；边际成本较高的供应商面临破产风险。目前，由于高需求和计算资源短缺，人工智能智能市场尚未完全商品化，这使得如Anthropic和OpenAI这样的前沿实验室享有高利润率和低单位智能成本。前沿实验室可能担心中国模型，因为它们在训练成本上占优势，智能的非完美商品化（推理数据能改进模型），以及在客户体验集成方面的竞争。中国的策略是通过开源模型将AI互补品商品化，以增强其在物理世界的统治地位，并削弱美国前沿实验室，利用蒸馏攻击获取成本优势。蒸馏攻击允许中国实验室将前沿模型作为教师进行快速改进，这对必须遵守更严格服务条款的西方开源模型制造商不利。网络安全问题出现，由于对美国模型的限制，防御者可能需要使用中国模型，这突显了政策变革的必要性，以确保公平竞争和访问。作者从经济角度反对对中国模型反应过度，但强调网络安全风险，并呼吁美国政策支持创新和防御能力。
Open-Source Communism2 months agohttps://continuouswritting.substack.com/p/open-source-communism作者回应了对开源模型可能‘减速’并威胁美国实验室商业模式的担忧。开源模型被比作开源编程语言，其生态系统价值超越了原始代码本身。美国实验室的成功将取决于开发者生态系统、集成度和工具支持，而不仅仅是模型的卓越性能。
GLM 5.2 and the coming AI margin collapse3 months agohttps://martinalderson.com/posts/the-upcoming-ai-margin-collapse-part-1-glm-5-2/DeepSeek的R1模型因训练成本低廉引发市场反应，但AI经济学其实更为复杂。训练成本是固定的，而推理成本则随需求变化，对于前沿实验室来说，推理具有很高的毛利率。GLM 5.2是像Opus和GPT这类模型的强力开源权重竞争者，具备近乎同等的质量。GLM 5.2的缺点包括交互使用速度较慢、缺乏视觉支持，以及网络搜索能力较差。转向GLM 5.2这类开源权重模型非常容易，因为其提供与OpenAI/Anthropic兼容的接口，且切换成本低。成本节省显著：GLM 5.2定价约为4.40美元/百万token，不到Opus的20%，且通过优化可能进一步降价。企业对Z.ai等提供商数据隐私的担忧，可通过使用其他提供商或本地部署来缓解。推理利润率的压缩可能重塑AI行业，让那些能善用低成本优势的玩家受益。
AI inference is obviously profitable3 months agohttps://www.seangoedecke.com/ai-inference-is-obviously-profitable/认为AI推理因成本高昂而不盈利的观点存在争议，有证据表明它实际上可以盈利。粗略成本估算显示推理成本约为每百万tokens 1美元，而GPT-5.4-mini收费4.50美元，这意味着利润率很高。像DeepSeek这样的开源LLM报告推理利润率超过80%，市场成本接近每百万tokens 0.87美元，这支持了盈利性。OpenAI和Anthropic等AI实验室可能利用高推理利润率补贴训练成本，这解释了它们定价较高的原因。即使主要AI实验室失败，没有训练成本的推理服务商仍可通过提供模型盈利，这表明推理业务具有可持续性。