GitHub Copilot的定價轉型正在引發AI行業的連鎖反應，一場關於AI商業模式可持續性的深層爭論由此浮出水面。隨着按量計費取代固定訂閱，用戶賬單驟然飆升，而Coinbase、Hugging Face等科技巨頭的掌舵者正在給出截然不同的應對路徑，廉價模型的崛起，或將從根本上重塑AI算力的成本格局。

6月1日，微軟旗下GitHub Copilot正式將計費模式從按請求次數收費切換為按Token用量計費，部分重度用戶的月度賬單預計從此前的數十美元驟升至數百美元。這一變化迅速在社交媒體引發強烈反彈，有用戶曬出內部成本估算截圖，顯示其月度費用將從44.68美元跳升至754.29美元，另有用戶預計賬單將高達847美元。

這場定價風波的背後，是AI行業長期以來以補貼換增長模式的集中爆發。Coinbase首席執行官Brian Armstrong對此作出回應，預判80%的AI工作負載將在12至18個月內遷移至成本低99%的模型，能源與算力將成為真正的瓶頸所在。

Hugging Face首席執行官Clement Delangue則援引斯坦福大學研究數據，為本地化、開源小模型的大規模替代提供了實證支撐。

GitHub Copilot定價轉型：補貼時代終結

GitHub Copilot的定價調整並非突然之舉。今年4月，GitHub首席產品官Mario Rodriguez已公開表示，隨着智能體AI的興起，現行定價模式"已不再可持續"——一次簡短的對話提問與一次耗時數小時的自主編程任務，此前對用戶收取相同費用，而GitHub一直在背後吸收不斷攀升的推理成本。

新政策於6月1日正式生效。在新計費體系下，用量成本按所使用的AI模型及消耗的Token數量折算為AI積分，每個積分等值0.01美元。訂閱用戶獲得固定基礎積分配額，並根據訂閱層級獲得額外彈性積分。由於前沿AI模型通常消耗更多Token，不同模型之間的實際成本差異懸殊。

用戶的反應迅速而激烈。在GitHub的Reddit社區，一名自稱從首日起便訂閱Copilot Pro+的用戶寫道："每月39美元感覺已經很貴了，但還算值。現在換成這套AI積分機制，我算了一下，下個月預計賬單：847美元。"多名用戶將這一變化比作Uber的商業路徑——以超低價格培養用戶依賴，待用戶形成習慣後再大幅提價。

Gartner分析師Arun Chandrasekaran在接受Business Insider採訪時表示，Copilot的案例"可能只是一個早期樣本"，預計隨着高級推理模型和智能體工作流推動推理端算力消耗大幅上升，更多企業將轉向按Token或按用量計費模式。

補貼模式的系統性風險

這場定價風波折射出AI行業更深層的結構性矛盾。投資人Tommy Shaughnessy在社交媒體上發文，系統梳理了他所認為的"AI最顯而易見的崩潰路徑"。

他指出，按席位訂閱的固定費用長期以來被大幅補貼，遠低於重度使用的實際成本。一旦企業出於數據保護、合規審批等需求轉向API調用，便會直面按量計費的真實價格，而實際消耗速度往往遠超此前預期。他援引多個案例佐證這一趨勢，包括Uber在2026年將全年AI預算在四個月內耗盡。

Shaughnessy進一步指出，當前AI大廠的利潤率已深度為負——據報道OpenAI的利潤率接近負122%——這意味着其完全依賴外部資本來購買GPU、訓練模型並持續補貼用量。他認為，一旦投資者對回報預期失去信心，整個資本流動將面臨逆轉風險。

不過，他也提示了這一邏輯的邊界：若AI真正催生新藥研發或全新商業形態，用戶對高價AI服務的支付意願將大幅提升，屆時上述壓力或將緩解。

Coinbase CEO：廉價模型將主導未來

面對算力成本的持續攀升，Coinbase首席執行官Brian Armstrong給出了他的判斷框架。他認為，對智能的需求近乎無限，但市場將快速分化：80%的工作負載將在12至18個月內遷移至成本低99%的模型，剩餘20%對智能上限有極致要求的任務——如科學突破、高層級編排智能體——仍將運行在最新一代前沿模型上。

Armstrong將這一趨勢類比於消費電子市場：購買頂配MacBook或遊戲PC的用戶始終是少數，而AI領域的價格下降速度甚至比摩爾定律更快。他由此得出結論，未來真正的制約因素將是能源與算力，而非模型能力本身。

Armstrong還披露了Coinbase的內部實踐：公司正積極推進提示詞路由策略，將請求分配至成本更低的模型，在部分場景下已實現總成本基本持平，而Token用量仍在指數級增長。

開源小模型：多模型未來的實證支撐

Hugging Face首席執行官Clement Delangue援引斯坦福大學研究數據，為廉價模型的替代潛力提供了量化依據：本地模型在真實世界的對話與推理查詢中的準確率已從2023年的23.2%躍升至71.3%，且成本與能耗均僅為前沿API的一小部分。

Delangue據此提出"多模型未來"的判斷：對於大多數工作負載，本地化、開源、小型且廉價的模型將成為主流選擇；只有在別無選擇時，才需要調用前沿API。

Shaughnessy的分析與此形成呼應。他指出，DeepSeek V4在SWE-bench編程基準測試中的表現與Anthropic Claude Opus相近，但價格約為後者的三十分之一；最廉價的開源模型價格甚至低至約百分之一。他認為，中國實驗室持續開源前沿級模型，使推理服務提供商得以免費獲取最核心的模型成本，這正在從根本上壓制閉源AI大廠的定價能力與利潤空間。