Epoch AI: вартість заданого рівня продуктивності ШІ падає на 47% за квартал

Вартість досягнення заданого рівня продуктивності штучного інтелекту за останні три роки падала в середньому приблизно на 47% за квартал. Такий висновок нового дослідження Epoch AI, автори якого — Emberson і Roodman. Це означає 13-разове зниження щороку — швидше, ніж будь-яка інша проривна технологія в історії. На результати звернув увагу економічний блог Marginal Revolution.

Що саме вимірювали

Автори проаналізували п'ять бенчмарків — із математики, точних наук та ігор на кмітливість — і оцінили «фронт вартості»: найдешевшу модель, здатну на певний момент показати заданий результат. У середньому такі витрати знижуються на 47% за квартал, тобто в 13 разів на рік. Швидкість залежить від типу завдання: ігрові головоломки дешевшають повільніше — на 39–43% за квартал, а математика швидше — на 50–52%.

Темп не є сталим. Коли новий рівень можливостей з'являється вперше, він ненадовго стає вершиною технології, і саме тоді ціни падають найшвидше: у середньому за п'ятьма бенчмарками витрати зменшуються на 66% за квартал (у 75 разів на рік), а через два роки — удвічі повільніше, на 32% за квартал (у 4,7 раза на рік).

Від o3 до GPT-5.6 Luna: у 725 разів дешевше

Найпоказовіший приклад у звіті — тест GPQA Diamond із питаннями рівня докторських програм із фізики, хімії та біології. За оцінкою Epoch AI, у січні 2025 року модель o3 від OpenAI набирала 75% за середньої вартості близько 30 центів за питання. Менш ніж за 18 місяців OpenAI випустила GPT-5.6 Luna, яка дає той самий результат за 0,0004 долара за питання — приблизно в 725 разів дешевше.

Чому це важливо

Автори наголошують: річ не лише в тому, що моделі розумнішають, — той самий рівень інтелекту потребує дедалі менших витрат на інференс. Marginal Revolution робить із цього конкурентний висновок: загроза від відкритих моделей менша, ніж здається, бо передові моделі не просто перевершують старіші, а й швидко дешевшають у роботі за будь-якого рівня продуктивності.

Водночас автори застерігають: бенчмарки — неідеальний показник реальної роботи, а компанії можуть цілеспрямовано тренувати моделі під відомі тести. Розрахунки також припускають користувача, який завжди обирає найдешевшу модель під завдання, чого реальні люди майже не роблять. І дешевший інтелект не означає менших витрат: якщо завдання потребує стільки ж обчислень, як мільйон тестових прогонів, рахунок зростатиме навіть за ціною в один цент.