type
Post
status
Published
date
Feb 17, 2026
slug
summary
NVIDIA 最近的博客文章显示，Blackwell Ultra 平台让 agentic AI 的推理成本相比 Hopper 时代下降了 35 倍（每 token 成本大幅崩盘），这不是孤立的巧合，而是符合 莱特定律（Wright's Law）的典型表现。
tags
思考
category
心情随笔
icon
password
priority
3
NVIDIA 最近的博客文章显示，Blackwell Ultra 平台让 agentic AI 的推理成本相比 Hopper 时代下降了 35 倍（每 token 成本大幅崩盘），这不是孤立的巧合，而是符合 莱特定律（Wright's Law）的典型表现。
莱特定律（1936提出）的核心是：随着某种产品的累计产量每翻倍一次，其单位生产成本会以一个相对固定的百分比下降（通常 10%–25%，视行业而定）。这个“学习曲线”源于规模经济、工艺优化、供应链成熟和经验积累，形成正反馈：成本下降 → 需求爆发 → 产量进一步增加 → 成本继续下降。
最经典的两个例子就是太阳能光伏和锂离子电池，它们几乎完美诠释了这个定律的威力：
- 太阳能光伏：从 1970 年代至今，全球累计安装容量每翻倍，组件价格平均下降约 20%。结果从每瓦几百美元跌到如今不到 0.3–0.4 美元，下降超过 99%。这让太阳能从“昂贵实验品”变成全球许多地区最便宜的新电力来源，推动了可再生能源的全球普及。
- 锂离子电池：累计产量每翻倍，电池组价格下降约 18%–20%。2010 年左右每 kWh 还超过 1000 美元，现在已降到 100 美元以下（甚至更低）。正是这个指数级下降，让电动车从少数富人的玩具变成主流交通工具，特斯拉等公司通过大规模 Gigafactory 生产加速了这个曲线。
这些案例告诉我们，一旦技术进入快速规模化阶段，成本就会呈现出近似指数级的“自动”下降——不是靠单一创新，而是靠产量驱动的系统性学习。
回到 AI 领域，NVIDIA Blackwell Ultra 的 35 倍成本下降（加上下一代 Rubin 预告的再 10 倍），正走在同样的路径上。大家常争论推荐系统应该优先优化效果（改革结构提升效果，注重成本）还是GPU 利用率（让推荐算法适合跑在 GPU 上）？
我的判断：前者是局部最优——它追求当下 ROI 的最大化；后者是全局最优——因为它直接押注成本持续崩盘的大趋势。
历史车轮滚滚向前，成本会随着规模“自动”指数下降。你不需要等到成本已经很低才行动；真正重要的是看透趋势、提前布局。投资利用率优化，就是在为未来的低成本时代铺路。
善弈者通盘无妙手——不是每一步都要赢，而是让趋势替你赢。