djbinder：AI完成同等任务的硬件成本远低于人类工资
LessWrong作者djbinder构建了一个包含484项任务、1684个数据点的AI算力成本数据集，发现当AI达到人类水平时，中位任务的GPU成本约4美分每小时，远低于美国中位时薪25美元和白领全成本时薪100至300美元。当前API定价约为硬件成本的十倍以上，但作者认为长期边际成本将趋近硬件底线。
做一项任务不等于便宜地做一项任务。前沿AI系统已经能解决纳维-斯托克斯证明、完成需要数月甚至数年人类工时的任务，但读者通常无法回答一个更基本的问题：这些任务跑一次到底花多少钱？如果AI能做的事都很贵，那它替代人力的规模就受算力瓶颈限制；如果已经很便宜，问题就变成部署速度而非成本。
djbinder在2026年9月27日发布的这篇分析试图用数据回答这个问题。他用GPT-6 Astra和Fable 5.1搜索并整理了一个数据库，覆盖484项独立任务、1684个数据点，比较AI完成每项任务所需的算力（以FLOP计）与人类完成同一任务所需的活跃时间。数据集来源包括Terminal-Bench、METR时间跨度测试、SWE-Marathon、Epoch AI基准和GDPval等。对于每项任务，他取达到或超过人类水平的最便宜运行。
核心发现是：AI完成一项任务所需的算力大致与人类所需时间成线性关系，中位数约为每秒10的11次方FLOP对应每秒人类时间，90%的任务落在10的9次方到10的13次方之间。按H100的8位浮点峰值速率、每小时约3美元的租赁价格和约10%的典型利用率计算，每交付一次FLOP的硬件成本极低。中位任务复制一小时人类工作的GPU成本约4美分，即使最贵的任务（纳维-斯托克斯证明、宝可梦Crystal通关、ARC-AGI-3环境）也约15美元每小时，仍低于美国中位时薪25美元，更远低于科研人员和软件工程师100至300美元的全成本时薪。
作者由此得出一个结论：当AI系统能完成一项人类任务时，它们几乎总是比人类便宜得多。反过来看，按硬件价格，一名工人的工资大约能买到每秒10的13次方FLOP，AI系统需要超过这个算力密度才会比人贵。但当前语言模型推理价格比硬件成本高十倍以上，因为前沿公司需要覆盖训练和研究成本并获取利润。作者认为长期来看，模型服务的边际成本将由每FLOP的硬件成本决定，训练和研究成本会在越来越多使用中摊薄。
需要强调的是，这些估计是数量级的。作者明确承认，1684个算力数字中只有12个基于实测操作计数，54个基于文档化输入，其余1618个是从报告的成本、token用量或两者反推的假设值。前沿公司不公开参数数量和架构，因此对这些模型的FLOP/token估算误差约为三倍。数据集的价值不在于精确数字，而在于跨多个数量级的一致性：成本差距大到即使估计有数量级误差，结论方向仍然成立。