Жасалма Интеллект Инференс Баа Индекси (AI Inference Price Index, AIPI), жасалма интеллект моделдеринин бир миллион токенге жарыяланган бааларын гана эмес, ошол токендер сатып алган өлчөнгөн модель жөндөмүн да эске алган бааны өлчөө алкагы болуп саналат. Cayman Seagraves жана Stace Sirmans OpenRouter платформасында жарыяланган инференс бааларын жана күнүмдүк модель колдонуусун Artificial Analysis бенчмарк упайлары менен дал келтирип, 2025-жылдын январынан 2026-жылдын июнуна чейинки мезгил үчүн төрт башка баа өлчөмүн түзүшкөн. Булак версиясында рынокто кала берген моделдердин баасы %6,5 өскөндө, туруктуу өлчөнгөн сапатка карата инференс баасы %51,9, колдонуучулар тандаган модель себетинин жөндөм бирдигине кеткен чыгымы %86,8 жана туруктуу бенчмарк босогосунан өткөн эң арзан моделге жетүү баасы %99,4 төмөндөйт. Бирок бул жыйынтык жалпыга ачык API рыногунун өлчөөсү; жеке корпоративдик келишимдерди, өз инфраструктурасында иштетилген моделдерди, пакеттик программалык камсыздоонун бааларын же реалдуу дүйнөдөгү тапшырманы толук бүтүрүүнүн жалпы чыгымын чагылдырбайт.
Изилдөөнүн негизги жыйынтыгы — токендин баасы менен машинанын жөндөмүнүн экономикалык баасы бир эле нерсе эмес. Эски моделдер орточо алганда олуттуу арзандатуу жасабаган күндө да, жаңы моделдер жогорураак өлчөнгөн жөндөмдү төмөнүрөөк чыгым менен сунуштап, колдонуучулар ошол моделдерге өтүшү мүмкүн. Ошентип, рыноктогу “интеллекттин баасы” айрым эски өнүмдөрдүн этикетка баасынан көбүрөөк кайсы моделдер рынокко киргенине, баа-өндүрүмдүүлүк чеги кандай жылганына жана колдонуу кайсы модель муундарына көчкөнүнө көз каранды болуп калат.
Авторлордун түшүндүрмөсүндө дагы бир маанилүү чектөө бар: Artificial Analysis Intelligence Index реалдуу экономикалык натыйжанын же бир тапшырмага эсептелген өндүрүмдүүлүктүн табигый физикалык бирдиги эмес. Изилдөөдө ал модель сапатын салыштыруу үчүн колдонулган өлчөнгөн бенчмарк мүнөздөмөсү. Ошондуктан туруктуу-сапат жана босого индекстери күчтүү баа өлчөөсүн бергени менен, колдонуу боюнча салмакталган “жөндөм бирдигине чыгым” катары колдонуучулар иш жүзүндө тандаган модель себетин да чагылдырган сүрөттөмө рынок-абалы көрсөткүчү болуп саналат.
Экономикалык маселе: Эмне үчүн бир токендин баасы өзү эле жетишсиз?
Жасалма интеллект инференси — алдын ала үйрөтүлгөн моделди суроого жооп түзүү үчүн колдонуу. API провайдерлери бул кызматты көбүнчө киргизүү жана чыгаруу токендери боюнча баалашат. Ошондуктан биринчи караганда “жасалма интеллекттин баасын” бир миллион токенге доллар менен өлчөөгө болот. Маселе — ар башка моделдер бирдей токен көлөмү менен бирдей деңгээлдеги ой жүгүртүү, код жазуу, билим же сандык маселелерди чечүү жөндөмүн бербейт. Жаңы моделде бир миллион токен колдонуу эски моделдеги бир миллион токен менен экономикалык жактан бир эле кызмат агымын билдирбеши мүмкүн.
Изилдөө ошондуктан үч башка өзгөрүүнү бири-биринен ажыратуу керектигин белгилейт: рынокто мурда эле бар моделдердин жарыяланган бааларынын өзгөрүшү, моделдердин өлчөнгөн сапатынын өзгөрүшү жана колдонуучулардын кайсы моделдерди тандашынын өзгөрүшү. Чийки токен баасы бул үч маржаны аралаштырып коюшу мүмкүн.
Жасалма интеллект инференсинде токен баасы менен “интеллекттин баасынын” айырмасы эмнеде?
Токен баасы — провайдер эсептеген текст бирдигинин баасы; изилдөөдөгү “интеллекттин баасы” болсо белгилүү көлөмдөгү өлчөнгөн бенчмарк жөндөмүн сатып алуу үчүн керектелген экономикалык чыгым. Модель сапаты убакыт өткөн сайын тез өзгөргөндүктөн, бирдей токен көлөмү ар башка модель муундарында ар башка көлөмдөгү өлчөнгөн жөндөмдү бере алат.
Изилдөөнүн төрт өзүнчө баа өлчөөсү
Изилдөөчүлөр бир эле индекс бардык суроолорго жооп бербесин кабыл алып, төрт башка өлчөм түзүшөт.
| Өлчөм | Негизги суроо | Булак версиясындагы негизги жыйынтык | Туура түшүндүрмө |
|---|---|---|---|
| Улантылып жаткан моделдер индекси | Рынокто мурда эле болгон моделдер өз жарыяланган бааларын төмөндөттүбү? | +%6,5 | Эски өнүмдөрдүн орточо баасы төмөндөгөн эмес, тескерисинче өскөн. |
| Туруктуу-сапат гедоникалык баа индекси | Бирдей өлчөнгөн бенчмарк жөндөмүн сатып алуу чыгымы кандай өзгөрдү? | -%51,9 | Изилдөөнүн негизги сапатка-түзөтүлгөн баа өлчөөсү. |
| Туруктуу-жөндөм босогосуна жетүү баасы | Белгилүү бенчмарк деңгээлине жеткен эң арзан моделдин баасы кандай өзгөрдү? | -%99,4; q ≥ 38,4 босогосу | Минималдуу баа өлчөөсү; бир эле өтө арзан моделге сезимтал болушу мүмкүн болгондуктан туруктуулук тесттери жүргүзүлгөн. |
| Колдонуучу себетинде жөндөм бирдигине чыгым | Колдонуучулар иш жүзүндө тандаган моделдердин баа-сапат курамы кандай өзгөрдү? | -%86,8 | Таза баа шогу эмес; бааны, модель курамын жана колдонуу миграциясын чогуу чагылдырат. |
Маалымат булактары жана үлгү
Жарыяланган модель баалары OpenRouter'ден алынган. OpenRouter ар башка провайдерлердин моделдерине бирдиктүү API интерфейси аркылуу жетүүгө мүмкүндүк берген инференс рыногу. Изилдөө ар бир моделди типтүү суроону болжол менен чагылдыруу үчүн колдонулган 3:1 киргизүү–чыгаруу токен курамы менен бир миллион токенге аралаштырылган баа аркылуу жыйынтыктайт. Учурдагы баалар жандуу каталогдон, тарыхый баалар болсо архивделген провайдер жана рынок баа барактарынан түзүлгөн айлык баа snapshot'тарынан алынган.
Модель колдонуу көлөмү OpenRouter'дин күнүмдүк модель рейтингдериндеги токен көлөмдөрүнөн алынат. Ошентип изилдөөчүлөр рынокто кайсы моделдер бар экенин гана эмес, колдонуучулар кайсы моделдерди иш жүзүндө канчалык колдонуп жатканын да байкай алышат.
Сапатты өлчөө үчүн Artificial Analysis Intelligence Index колдонулган. Бул курама упай ой жүгүртүү, коддоо жана сандык бенчмарктарды бириктирет. OpenRouter модель аттары менен Artificial Analysis жазуулары провайдер жана модель атына негизделген версияланган дал келтирүү таблицасы аркылуу байланышкан; негизги текстте бул дал келтирүү рынок токен көлөмүнүн болжол менен %94 бөлүгүн камтый турганы айтылат.
| Түзүм | Үлгү жөнүндө маалымат |
|---|---|
| Айлык туруктуу-сапат негизги панели | 18 баа snapshot'у; 2.625 дал келтирилген баа-сапат байкоосу; 313 модель |
| A1 үлгү жыйынтыгы | 250 уникалдуу нормалдаштырылган токен топтому; 24 провайдер |
| Күнүмдүк рынок-абалы баштапкы үлгүсү | 513 колдонуу күнү |
| Кеминде %70 бааланган жана упайланган көлөм камтылышын камсыз кылган ишенимдүү күндөр | 300 күн |
| Ишенимдүү күндөрдө орточо бааланган жана упайланган токен камтылышы | %80,1 |
| Жаңы-товар талдоосунда release-date guard колдонулган күнүмдүк панель | 259 ишенимдүү күн; 8.399 бааланган жана упайланган модель-күн |
Үлгү сандарынын ар башка бөлүмдөрдө өзгөрүшү карама-каршылык эмес. Негизги гедоникалык баа панели кеңири үлгүнү колдонсо, айрым жаңы-товар жана бенчмарк туруктуулук талдоолору моделдин бенчмарк жарыяланган күнүнө чейинки баа байкоолорун алып салган кыйла тар “release-date guard” колдонот.
Гедоникалык туруктуу-сапат баа индекси
Туруктуу-сапат баа индекси модель баасы бенчмарк жөндөмү менен системалуу түрдө өзгөрүшү мүмкүн экенин эске алган гедоникалык регрессиядан алынат:
\[ \ln p_{m,t} = \theta \tilde{q}_m + \phi \tilde{q}_m^2 + \delta_{g(m)} + \tau_t + \varepsilon_{m,t} \]
Бул жерде \(p_{m,t}\) — \(m\) моделинин \(t\) баа snapshot'ундагы бир миллион аралаштырылган токенге жарыяланган баасы. \(q_m\) — Artificial Analysis intelligence score мааниси; \(\tilde{q}_m\) — бул упайдын үлгү медианасынын айланасында борборлоштурулган формасы. \(\delta_{g(m)}\) провайдердин туруктуу эффекттерин, \(\tau_t\) убакыт/snapshot туруктуу эффекттерин, ал эми \(\varepsilon_{m,t}\) түшүндүрүлбөгөн компонентти көрсөтөт.
Модель сапаты туруктуу кармалганда убакыттын туруктуу эффекттери көрсөткөн кыймыл бирдей өлчөнгөн бенчмарк жөндөмүнүн баасы кандай өзгөргөнүн берет. Сапат үлгү медианасынын айланасында борборлоштурулгандыктан \(\theta\) медианалык сапат деңгээлиндеги маржиналдык баа-сапат ылдыйышын билдирет.
Негизги баалоодо бенчмарк упайынын бир баллга өсүшү медианалык сапаттын айланасында лог баа менен +0,059 байланыштуу жана t-статистикасы 11,7. Квадраттык сапат мүчөсү -0,0006 жана t = -3,3. Бул терс экинчи даражадагы мүчө сапат жогорулаган сайын маржиналдык баа-сапат ылдыйышы frontier аймагына карай жалпайарын көрсөтөт. Регрессия 2.625 баа байкоосун жана 313 моделди камтыйт; \(R^2 = 0,48\).
Сапат туруктуу кармалганда жасалма интеллект инференс баасы канча төмөндөдү?
Жүктөлгөн 26 Июнь 2026 булак версиясында 2025-жылдын январынан 2026-жылдын июнуна чейин туруктуу өлчөнгөн бенчмарк сапатынын гедоникалык инференс баасы %51,9 төмөндөгөн; модель-кластерлик bootstrap менен берилген %95 ишеним аралыгы болжол менен -%64,5 менен -%31,9 ортосунда.
Жыйынтык бенчмарк тандоосуна көз карандыбы же жокпу кантип текшерилди?
Artificial Analysis бир гана учурдагы сапат упайын жарыялагандыктан, изилдөөчүлөр ар бир модель тарыхта ошол күндө кандай бенчмарк упайына ээ болгонун толук “as-of” убакыт катары менен кайра кура алышпайт. Авторлор бул чектөөнү жашырбай, ар кандай туруктуулук текшерүүлөрү менен чектешет.
| Сапат өлчөөсү / текшерүү | Туруктуу-сапат баасынын өзгөрүшү |
|---|---|
| Негизги кардиналдык Artificial Analysis упайы | -%51,9 |
| Модель чыккан күнгө чейинки бааларды алып салуу | -%53,8 |
| Rank-normalized сапат | -%48,6 |
| Эң жогорку бенчмарк децилдин алып салынышы | -%52,3 |
Көз карандысыз сапат өлчөөсү катары LMArena адам-тандоосу Elo упайлары колдонулганда, эки сапат рейтингинин дал келген моделдердеги Spearman корреляциясы 0,85. LMArena боюнча туруктуу-сапат индекси ошол эле кичи үлгүдө %68,7 төмөндөйт; ошол эле моделдерде Artificial Analysis негизиндеги төмөндөө %65,6. Бул текшерүү негизги жыйынтык бир гана бенчмарк провайдеринин шкаласына көз каранды эмес экенин колдойт.
Ар бир жөндөмдүн экономикалык баасы бирдейби?
Жок. Изилдөөнүн көңүл бурарлык жыйынтыктарынын бири — “интеллект” дегенде бир эле бааланган касиетти кабыл алуу жетишсиз. Ар башка бенчмарк компоненттери өз-өзүнчө колдонулганда 2025-жылдын январынан 2026-жылдын июнуна чейин өлчөнгөн коддоо жөндөмүнүн туруктуу-сапат баасы %68,6, MMLU-Pro кеңири билим жөндөмүнүн баасы %59,8 жана GPQA жогорку деңгээлдеги ой жүгүртүү жөндөмүнүн баасы %61,1 төмөндөсө, математика компоненти %41,9 өсөт.
| Өлчөнгөн жөндөм | Туруктуу-сапат башынан аягына чейинки өзгөрүү | Орточо баа корреляциясы | Биргелешкен гедоникада 1 стандарттык четтөөнүн баа премиясы |
|---|---|---|---|
| Коддоо | -%68,6 | +0,73 | +0,595; t = +2,7 |
| Ой жүгүртүү / GPQA | -%61,1 | +0,59 | +0,051; t = +0,2 |
| Кеңири билим / MMLU-Pro | -%59,8 | +0,80 | +0,848; t = +3,3 |
| Математика | +%41,9 | +0,45 | -0,454; t = -2,2 |
Коддоо баасынын корреляциясы 18 баа snapshot'унун 16 сында математика корреляциясынан жогору. Ошондуктан изилдөөчүлөр бул рынок жана бенчмарк түзүмүндө өлчөнүп жаткан “интеллект баасы” негизинен коддоо жана кеңири билим жөндөмүнүн баасын чагылдырарын эскертишет.
Модель муундары эмне үчүн классикалык баа индекстерин кыйындатат?
Салттуу дал келтирилген-өнүм баа индекси бир эле өнүмдүн эки күндөгү баасын салыштырат. Жасалма интеллект моделдери рыногунда болсо коммерциялык өнүмдөрдүн өмүрү өтө кыска. Изилдөөдө айлык эң жогорку колдонууга жеткенден кийин үлгү ичинде колдонуу жоготкон моделдердин медианалык коммерциялык жарым өмүрү болгону 2,0 ай, квартилдер аралык диапазону 1–2 ай. Колдонуу боюнча салмакталган медианалык модель жашы 94 күн, ал эми медиана боюнча колдонуунун %82 бөлүгү алты айдан жаш моделдерде жүрөт.
Мындан тышкары, акыркы 30 күндүк терезеде 90 күндөн жаш моделдер бааланган жана упайланган колдонуунун %70,9 бөлүгүн түзөт. Өнүмдөр ушунчалык тез алмашкан шартта 2025-жылдын январында сатылган өнүмдөр менен 2026-жылдын июнунда интенсивдүү колдонулган өнүмдөрдүн жалпы топтому абдан кичирейет. Ошондуктан “бир эле моделди эки күндө салыштыруу” ыкмасы рыноктун экономикалык жактан маанилүү бөлүгүн өткөрүп жибериши мүмкүн.
Баа-өндүрүмдүүлүк чегинин жылышы
Булактын 2-сүрөтү 2025-жылдын январь, 2025-жылдын октябрь жана 2026-жылдын июнь баа snapshot'тарында моделдердин өлчөнгөн жөндөм менен бир миллион токенге баа мейкиндигиндеги ордун көрсөтөт. Убакыт өткөн сайын жашыраак моделдер жогорураак жөндөм жана төмөнүрөөк чыгым айкалышы менен төмөнкү баа-өндүрүмдүүлүк кабыгын сыртка сүрөт. Бул эски өнүмдүн өз баасын төмөндөтүшү менен бир эле механизм эмес. Колдонуучу бирдей жөндөм деңгээлин рыноктогу жаңы өнүм аркылуу арзаныраак сатып ала алат.
Экономикалык баа алкагы
Авторлор моделдин токенге өлчөнгөн жөндөмүн \(q\), токенге маржиналдык эсептөө чыгымын \(c\) жана чыгым үстүндөгү баалоо көбөйткүчүн \(\mu \ge 1\) деп аныкташат. Жарыяланган токен баасы:
\[ p = \mu c \]
Алкактагы бир бирдик өлчөнгөн жөндөмдүн баасы болсо:
\[ P = \frac{p}{q} = \mu\frac{c}{q} \]
Бул теңдеменин логарифмдик өзгөрүшү:
\[ \Delta\ln P = \Delta\ln\mu + \Delta\ln c - \Delta\ln q \]
түрүндө. Теңдеме жөндөм бирдигине баа моделдин жарыяланган баасынан гана турбасын тактайт. Маржалар же маржиналдык эсептөө чыгымы өзгөрбөсө да, токенге жөндөм \(q\) жогоруласа, жөндөм бирдигине экономикалык баа \(P\) төмөндөшү мүмкүн. Изилдөө \(\mu\) маанилерин структуралык түрдө баалабайт; теңдеме эмпирикалык жыйынтыктар кайсы экономикалык маржалардан түзүлүшү мүмкүн экенин иреттеген алкак.
Ачык салмактуу моделдердин ролу
Ачык салмактуу моделдер колдонуучулар моделди тышкы жерде иштете алса же ачык провайдерлер аркылуу жетсе, жабык моделдер үчүн тышкы альтернатива түзүшү мүмкүн. Изилдөөнүн алкагына ылайык, бул альтернатива жөндөм, кечигүү, ишенимдүүлүк жана интеграция жагынан жетиштүү жакын алмаштыруучу болсо, жабык модель провайдерлеринин баа коюу күчүн чектей алат. Бирок макала маржаны түздөн-түз баалабагандыктан, “ачык моделдер бааларды мынча төмөндөттү” деген себептик жыйынтык чыгарбайт. Кошумча бөлүмдөгү ачык-салмак кирүү окуялары атаандаштык үчүн сүрөттөмө диагностикалык тест катары берилет.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
Жарыяланган бааны түзүү
Киргизүү жана чыгаруу токендери ар башка баалангандыктан, негизги талдоодо аралаштырылган баа төмөнкү жалпы түзүмдүн 3:1 өзгөчө учуру менен түзүлөт:
\[ p_{\text{blend}} = \frac{3p_{\text{in}} + p_{\text{out}}}{4} \]
Бул жерде \(p_{\text{in}}\) киргизүү токен баасын, \(p_{\text{out}}\) чыгаруу токен баасын көрсөтөт. Кошумча туруктуулук талдоосунда киргизүү гана, 1:1, 3:1, 10:1 жана чыгаруу гана салмактары сыналган. Туруктуу-сапат баасынын төмөндөшү бул варианттардын баарында болжол менен %49,3 менен %53,8 арасында калат; колдонуучу себетинин башынан аягына чейин жөндөм бирдигине чыгымдын төмөндөшү болсо болжол менен %86,6 деңгээлинде дээрлик өзгөрбөйт. Демек, негизги жыйынтык белгилүү бир киргизүү–чыгаруу токен салмагын тандоонун натыйжасы эмес.
Беш негизги баа көрсөткүчүн шайкеш келтирүү
| Баа өлчөмү | Башынан аягына чейинки өзгөрүү |
|---|---|
| Чийки медианалык жарыяланган баа | -%73,5 |
| Улантылып жаткан модель боюнча дал келтирилген индекс | +%6,5 |
| Гедоникалык туруктуу-сапат баасы | -%51,9 |
| Туруктуу-жөндөм босогосуна жетүү, q ≥ 38,4 | -%99,4 |
| Колдонуучу себетинде жөндөм бирдигине чыгым | -%86,8 |
Бул таблица изилдөөнүн “өлчөө клини” деп атоого боло турган негизги жыйынтыгын көрсөтөт. Бир эле рынок үчүн кайсы экономикалык объект туруктуу кармаларына жараша баа өзгөрүшүнүн багыты жана көлөмү олуттуу айырмаланат.
Жасалма интеллект жөндөмүнүн чыгымынын төмөндөшүн эски моделдердин баа арзандатуусу түшүндүрөбү?
Жок. Булак версиясында улантылып жаткан моделдердин баасы %6,5 өскөндө, чынжырланган колдонуучу-себети декомпозициясында улантылып жаткан моделдердин баа өзгөрүүлөрү жалпы -178,8 лог пайыздык пункт чыгым төмөндөшүнүн болгону болжол менен -2,7 лог пайыздык пунктун түшүндүрөт; негизги кыймыл колдонуу моделдердин ортосунда кайра бөлүштүрүлгөнүнөн жана жаңы моделдердин кириши менен өзгөргөн өнүм менюсунан келип чыгат.
Чынжырланган колдонуучу-себети декомпозициясы
Авторлор алыстагы эки акыркы чекитти түз салыштыруунун ордуна ырааттуу баа snapshot'тарынын айланасындагы артка караган колдонуу терезелерин чынжырлашат. Бул декомпозиция деңгээлдик пайыздык өзгөрүүнү эмес, \(100 \times \Delta\ln\) бирдигиндеги лог пайыздык пункттарды колдонот.
| Компонент | Кумулятивдик салым | Негизги түшүндүрмө |
|---|---|---|
| Улантылып жаткан моделдердин баа өзгөрүшү | -2,7 лог пайыздык пункт | Жалпынын болжол менен %1 бөлүгү |
| Улантылып жаткан моделдер арасында колдонууну кайра бөлүштүрүү | -106,2 лог пайыздык пункт | Болжол менен %59 |
| Таза кирүү, чыгуу жана frontier компоненти | -69,9 лог пайыздык пункт | Болжол менен %39 |
| Жалпы | -178,8 лог пайыздык пункт | Чынжырланган колдонуучу-себети чыгымынын өзгөрүшү |
Бул жерде маанилүү методологиялык эскертүү бар. Улантылып жаткан моделдер арасында колдонуу кайра бөлүштүрүлүшү менен “жаңы кирүү” компонентинин так үлүшү чынжырлоо аралыгына көз каранды. Болжол менен 30 күндүк ырааттуу дал келтирүүдө таза кирүү үлүшү %39 болсо, кеңири аралыкта мурда “жаңы кирүү” болгон модель эми улантылып жаткан модель катары эсептелиши мүмкүн. Ошондуктан изилдөө кирүү менен кайра бөлүштүрүүнүн ортосундагы бир гана катышты структуралык чындык катары сунуштабайт.
Туруктуу калган жыйынтык эки бөлүктөн турат: жалпы чыгым төмөндөшү чоң жана улантылып жаткан моделдердин өз баа өзгөрүүсүнүн салымы ар бир чынжырлоо схемасында дээрлик жок. Аралык өзгөртүлгөндө жалпы болжол менен -178,8 менен -169,8 лог пайыздык пункттун арасында калат. Ырааттуу аралык bootstrap талдоосунда жалпы үчүн %95 аралык -183,8 менен -173,4; улантылып жаткан баа компоненти үчүн -3,0 менен -2,2 лог пайыздык пункт.
Эмне үчүн акыркы чекиттерди салыштыруу жаңылыш болушу мүмкүн?
Биринчи жана акыркы 30 күндүк колдонуу терезелеринде баасы, сапат упайы жана колдонулушу бирге байкалган болгону бир жалпы токен топтому бар. Акыркы чекиттеги бааланган жана упайланган токендердин %98,5 бөлүгү баштапкы терезеде жок моделдерден келет. Ошондуктан түз биринчи-акыркы декомпозиция математикалык жактан дээрлик бардык өзгөрүүнү “кирүү/чыгуу/frontier” компонентине жүктөйт. Авторлор муну негизги себептик декомпозиция катары эмес, узак мөөнөттүү жалпы колдоо канчалык жука экенин көрсөткөн диагностика катары колдонушат.
Модель топтомун жана колдонуу салмактарын туруктуу кармаган текшерүү
| Салмактоо | Башынан аягына чейинки өзгөрүү |
|---|---|
| Бардык моделдер, убакыт менен өзгөргөн реалдуу колдонуу салмактары | -%73,5 |
| Эки акыркы чекитте тең болгон жалпы моделдер гана | +%2,9 |
| Жалпы моделдер жана баштапкы колдонуу салмактары туруктуу | +%0,0 |
Бул текшерүү башка акыркы чекит терезесин колдонгондуктан -%86,8 негизги күнүмдүк башынан аягына чейинки статистика менен бир эле сан эмес. Илимий мааниси болсо бирдей: модель кирүүлөрү жана колдонуучу миграциясы алып салынганда чоң чыгым төмөндөшү жок болот.
Жаңы өнүмдөрдүн баа индексиндеги ролу: Feenstra/CES ыкмасы
Изилдөө жаңы модель түрлөрүнүн классикалык дал келтирилген-өнүм индексинде өткөрүп жиберилген салымын Feenstra тибиндеги CES так баа индекси менен өзүнчө өлчөйт. Индекс ырааттуу мезгилдерде жалпы болгон моделдер үчүн Sato–Vartia дал келтирилген өнүм компонентин жана төмөнкү ар түрдүүлүк түзөтүүсүн камтыйт:
\[ \left( \frac{\lambda_t}{\lambda_{t-1}} \right)^{1/(\sigma-1)} \]
Бул жерде \(\lambda_\tau\) тиешелүү мезгилдин чыгымдарынын эки мезгилде тең жалпы болгон моделдерге кеткен үлүшүн; \(\sigma\) моделдердин ортосундагы алмаштыруу ийкемдүүлүгүн билдирет.
Баа менен өлчөнгөн сапат бул рынокто жогорку деңгээлде чогуу кыймылдагандыктан \(\sigma\) ишенимдүү бааланбайт. Ошондуктан изилдөөчүлөр ар башка калибрленген маанилерди беришет.
| Алмаштыруу ийкемдүүлүгү | CES так баа индексинин өзгөрүшү | Ар түрдүүлүк түзөтүүсү | Дал келтирилген өнүм компоненти |
|---|---|---|---|
| σ = 2 | -%99,8 | -%99,8 | -%2,9 |
| σ = 3 | -%95,6 | -%95,4 | -%2,9 |
| σ = 5 | -%79,2 | -%78,6 | -%2,9 |
| σ = 10 | -%51,1 | -%49,6 | -%2,9 |
Абсолюттук чоңдук \(\sigma\) божомолуна көз каранды; бирок дал келтирилген өнүм компонентинин болгону %2,9 төмөндөшү жана негизги кыймыл ар түрдүүлүк/жаңы-товар компонентинен келиши бардык калибрлөөлөрдө өзгөрбөйт. Кызыгы, \(\sigma \approx 10\) деңгээлиндеги CES жыйынтыгы -%51,1 менен көз карандысыз гедоникалык туруктуу-сапат жыйынтыгы -%51,9 га абдан жакын.
Туруктуу бенчмарк босогосуна жетүүнүн баасы
Босого индекси белгилүү Artificial Analysis упайынан өткөн эң арзан моделдин жарыяланган баасын көзөмөлдөйт. Баа минимум болгондуктан, бир эле өтө арзан моделден таасир алышы мүмкүн. Ошондуктан булак ар башка босоголорду жана ар жолу бир модель алынып салынган leave-one-model-out текшерүүлөрүн берет.
| Бенчмарк босогосу | Баа өзгөрүшү | Leave-one-model-out аралыгы |
|---|---|---|
| q ≥ 16,3 | -%99,1 | -%99,7 менен -%96,5 |
| q ≥ 25,2 | -%99,9 | -%99,9 менен -%99,7 |
| q ≥ 38,4 | -%99,4 | -%99,4 менен -%99,3 |
Бул жыйынтык өтө чоң болгондуктан, изилдөөчүлөр негизги башкы өлчөм катары босого индексине караганда кыйла этият -%51,9 гедоникалык туруктуу-сапат индексин алдыга чыгарышат.
Күнүмдүк рынок-абалы индекси эмнени көрсөтөт?
Күнүмдүк индекс колдонуучулар тандаган моделдердин аралаштырылган баасын жана колдонуу боюнча салмакталган бенчмарк жөндөмүн чогуу көзөмөлдөйт. 2025-жылдын биринчи кварталынан 2026-жылдын экинчи кварталына чейинки ырааттуу кварталдык орточолордо чийки колдонуу боюнча салмакталган чыгым болжол менен %32 төмөндөсө, колдонуу боюнча салмакталган өлчөнгөн жөндөм болжол менен %110 өскөн жана жөндөм бирдигине чыгым болжол менен %68 төмөндөгөн.
| Мезгил | Чийки чыгым индекси | Жөндөм индекси | Жөндөм бирдигине чыгым индекси |
|---|---|---|---|
| 2025 Q1 | 62,5 | 133,4 | 48,0 |
| 2025 Q2 | 45,3 | 152,0 | 29,7 |
| 2025 Q3 | 48,4 | 165,4 | 29,4 |
| 2025 Q4 | 34,6 | 183,2 | 18,8 |
| 2026 Q1 | 43,3 | 213,3 | 20,4 |
| 2026 Q2 | 42,8 | 280,5 | 15,3 |
Күнүмдүк өзгөрүүлөрдүн эсептик декомпозициясында жарыяланган-баа гана компонентинин түшүндүрүлгөн дисперсиядагы үлүшү болжол менен %0,2 болсо, колдонуу-баа-курам компоненти болжол менен %105,1 кол коюлган салым берет; жөндөм компоненти -%6,3 жана калдык +%1,0. Бул маанилер эсептик түзүмдүн талабынан улам %100 гө кошулат жана колдонуу курамынын үстөмдүгүн көрсөтөт. Бул талдоо себептик баа шогунун декомпозициясы эмес, күнүмдүк рынок абалынын сүрөттөмө эсеп-кысабы.
Кыска мөөнөттүү колдонуу талабы
Авторлор модель деңгээлиндеги айлык колдонуу өзгөрүшүн моделдин жарыяланган токен баасынын өзгөрүшү менен байланыштырышат:
\[ \Delta\ln U_{m,t} = -\eta\,\Delta\ln p_{m,t} + \lambda_t + u_{m,t} \]
\(U_{m,t}\) модель колдонуусун, \(p_{m,t}\) жарыяланган токен баасын, \(\lambda_t\) айлык туруктуу эффекттерди жана \(\eta\) баа-колдонуу ийкемдүүлүгүн көрсөтөт.
Бардык моделдер үчүн чекиттик баа \(\eta = 0,40\). Башкача айтканда, %1 баа төмөндөшү болжол менен %0,40 жогорураак колдонуу менен байланыштуу. Нөлгө каршы t-статистика 1,6; модель-кластерлик bootstrap %95 ишеним аралыгы -0,15 менен +0,90. Бирдик ийкемдүүлүк гипотезасына каршы t = -2,5. Демек, жыйынтык “баа түшсө колдонуу сөзсүз мынча өсөт” деген структуралык суроо-талап ийри сызыгы эмес. Баа провайдерлер күткөн суроо-талапка жооп катары өзгөрүшү мүмкүн жана модель чыгарылыштары кокустук эмес.
Сапат катмарларында чекиттик баалар сапаты төмөн “commodity” моделдер үчүн 0,00, орто катмарда 0,60 жана frontier моделдерде 0,77; бирок катмар боюнча bootstrap ишеним аралыктары нөлдү камтыйт.
Толуктоочу капитал эмне үчүн маанилүү?
Изилдөөнүн концептуалдык кыска мөөнөттүү суроо-талап алкагы төмөнкүдөй:
\[ \ln Q_t = a - \eta_{SR}\ln P_t + b\ln K_t + e_t \]
Бул жерде \(Q_t\) сатып алынган өлчөнгөн жөндөмдү, \(P_t\) жөндөм бирдигине бааны, \(K_t\) толуктоочу капиталды, \(\eta_{SR}\) кыска мөөнөттүү баа ийкемдүүлүгүн көрсөтөт. Толуктоочу капитал физикалык капиталды гана билдирбейт; колдонмо коду, prompt дизайны, баалоо процесстери, коопсуздук көзөмөлдөрү, маалыматка жетүү жана институттук ишеним сыяктуу элементтерди ылайыкташтыруу убакытты талап кылышы мүмкүн. Ошондуктан өлчөнгөн жасалма интеллект жөндөмүнүн баасы тез төмөндөшү колдонуу ошол эле учурда бирге-бир катышта өсөрүн кепилдебейт.
AIPI экономикалык жана финансылык изилдөөдө кантип колдонулушу мүмкүн?
Изилдөө AIPI катарын фирма, сектор, кесип же макроэкономикалык маалыматтар менен бириктирүүгө мүмкүн болгон жасалма интеллект киргизүү баасы катары түзөт. Таасирленүүгө негизделген типтүү эконометрикалык дизайн төмөнкүдөй жазылат:
\[ y_{i,t} = \beta \left( E_i \times \Delta\ln AIPI_t \right) + \alpha_i + \gamma_t + \varepsilon_{i,t} \]
\(E_i\) фирманын, сектордун же кесиптин алдын ала аныкталган жасалма интеллектке таасирленүүсүн; \(y_{i,t}\) изилденип жаткан жыйынтыкты; \(\alpha_i\) бирдиктик туруктуу эффекттерди; \(\gamma_t\) убакыттык туруктуу эффекттерди көрсөтөт. Убакыт эффекттери AIPIнин жалпы деңгээлин сиңиргендиктен, аныкталган коэффициент жасалма интеллект киргизүү баасынын төмөндөшүнө ар башка деңгээлде таасирленген бирдиктердин ортосундагы айырманы колдонот.
Авторлор бул жерде маанилүү эскертүү беришет: себептик түшүндүрмө үчүн \(E_i\) алдын ала аныкталган болушу жана колдонулган AIPI компоненти чыныгы баа өзгөрүшүн чагылдырышы керек. Күнүмдүк колдонуу боюнча салмакталган рынок-абалы индекси негизинен колдонуу курамы менен кыймылдагандыктан, себептик баа дизайнында туруктуу-сапат же туруктуу-босого баа компоненттери ылайыгыраак.
12.000 токендик мисал эмнени көрсөтөт?
Изилдөө туруктуу бенчмарк босогосу индексин интуитивдүү бирдиктерге айлантуу үчүн болжол менен 12.000 аралаштырылган токендик чоң суроону мисал келтирет. Эң арзан туруктуу бенчмарк босогосунан өткөн модель менен мындай суроонун жарыяланган чыгымы үлгүнүн башында болжол менен 0,32 АКШ доллары болсо, аягында болжол менен 0,0002 АКШ долларына түшөт.
Бул сан “реалдуу тапшырма чыгымынын индекси” эмес. Булак белгилүү бир бүткөн тапшырма үчүн иш жүзүндө канча токен талап кылынганын байкабайт. Ошондуктан бул эсеп баа бирдигин гана өзгөртүү; туруктуу тапшырмалар себетин ийгиликтүү бүтүрүү чыгымын тастыктабайт.
Эмгек рыногундагы колдонмо
Экономикалык баа катарынын мүмкүн болгон колдонулушун көрсөтүү үчүн изилдөө Revelioнун ачык компаниялардагы SOC-6 деңгээлиндеги кесиптик жумушка алуу агымдарын жана жумуштуулук запастарын 2021–2026 мезгилинде O*NET негизиндеги тапшырма өлчөмдөрү жана жасалма интеллектке таасирленүү өлчөмдөрү менен бириктирет. 2026 толук эмес жыл болгондуктан өзгөчө этияттык менен түшүндүрүлөт.
| 2025 өз ара аракеттенүүсү | Log жумушка алуу коэффициенти | t-статистика |
|---|---|---|
| Routine Task Intensity | -0,149 | -4,9 |
| AI Occupational Exposure | +0,210 | +5,4 |
| Eloundou GPT exposure | +0,123 | +2,2 |
Тапшырма мүнөздөмөлөрү бирге салыштырылган талдоодо рутиналык кол эмгек тапшырмасынын коэффициенти -0,102, t = -2,0; рутиналык эмес аналитикалык тапшырманын коэффициенти +0,142, t = +4,0. Тапшырма мүнөздөмөлөрүнө карата калдыкталган рутиналуулук коэффициенти -0,010 жана t = -0,3 кө чейин төмөндөйт. Ошондуктан жыйынтык жөнөкөй “рутиналык когнитивдик иштер жасалма интеллект менен алмаштырылды” механизмине түшүрүлбөйт; булак муну кеңири кесиптик жогорулоо/үлгү өзгөрүшү катары түшүндүрөт.
Бул эмгек рыногу жыйынтыктары жасалма интеллект баасынын төмөндөшүнүн себептик эмгек рыногу таасирин далилдебейт. Панель кесип деңгээлинде ар башка жасалма интеллект баа шокторун бербегендиктен, авторлор аларды индексти кантип колдонууга болорун көрсөткөн сүрөттөмө колдонмолор катары сунушташат.
Изилдөө колдогон жыйынтыктар
- Жалпыга ачык API рыногунда бирдей өлчөнгөн бенчмарк жөндөмүнүн баасы 2025-жылдын январынан 2026-жылдын июнуна чейин олуттуу төмөндөгөн.
- Бул төмөндөө улантылып жаткан эски моделдердин жалпы баа арзандатуулары менен түшүндүрүлбөйт.
- Жаңы моделдердин кириши, баа-өндүрүмдүүлүк чегинин жылышы жана колдонуунун жаңы модель муундарына өтүшү өлчөөнүн негизги бөлүктөрү.
- Узак мөөнөттүү дал келтирилген-өнүм индекстери модель тез алмашкандыктан чоң жаңы-товар/ар түрдүүлүк маржасын өткөрүп жибериши мүмкүн.
- Ар башка жөндөм тармактары рынокто бирдей бааланбайт.
- Туруктуу-сапат төмөндөшү альтернативдүү бенчмарк шкалалары, LMArena Elo жана ар башка киргизүү–чыгаруу токен баа курамдарында да сакталат.
Изилдөө колдобогон жыйынтыктар
- AIPI бүт жасалма интеллект рыногунун баа индекси эмес.
- Жеке корпоративдик келишимдердин, self-hosted инференстин же пакеттик программалык камсыздоонун баасы өлчөнбөйт.
- Бенчмарк упайы реалдуу дүйнөдөгү өндүрүмдүүлүктүн кемчиликсиз же табигый экономикалык натыйжа бирдиги эмес.
- Колдонуу боюнча салмакталган күнүмдүк индекстеги өзгөрүүнү таза баа шогу катары түшүндүрүүгө болбойт.
- Эмгек рыногу байланыштары себептик жумуш жоготуу же жумуш түзүү далили эмес.
- Open-weight моделдер белгилүү көлөмдө баа төмөндөшүн жаратты деп структуралык баа берилген эмес.
- Жөндөм бирдигине инференс баасы уюмдун жасалма интеллектти кабыл алуусунун жалпы чыгымы эмес; маалымат, интеграция, программалык камсыздоо, баалоо, коопсуздук жана толуктоочу капитал чыгымдары өзүнчө бар.
Булак жана Ыкма Жөнүндө Эскертүү
Түпнуска булак аталышы: The Price of Intelligence
Авторлор: Cayman Seagraves; Stace Sirmans.
PDF версиясындагы мекемелер: Cayman Seagraves — Florida Atlantic University; Stace Sirmans — Auburn University.
Булак датасы: 26 Июнь 2026.
Булак түрү: Экономика жана финансы тармагындагы эмпирикалык баа өлчөө / иш кагазы-preprint. Изилдөө рецензияланган журнал макаласы катары көрсөтүлбөшү керек.
Библиографиялык версия эскертүүсү: Колдонулган PDFдин түпнуска аталышы “The Price of Intelligence”, ал эми үлгүнүн аягы Июнь 2026. Кийинки SSRN жазуусу “The Price of Intelligence: A Hedonic Index for AI Capability” деген аталышта жана андан кийинки ревизияны камтыйт. Бул Verianla текстиндеги сандык жыйынтыктар кийинки ревизиядан эмес, жүктөлгөн 26 Июнь 2026 PDF версиясынан алынган.
DOI / SSRN идентификатору: Учурдагы библиографиялык жазууда DOI 10.2139/ssrn.7003679 жана SSRN abstract 7003679 катары ырасталган.
JEL классификациясы: O33, E31, C43, L86.
Булак ачкыч сөздөрү: artificial intelligence; inference cost; price index; new goods; economics; finance.
Баа жана колдонуу маалыматтары: OpenRouter жарыяланган баалары, архивделген айлык баа snapshot'тары жана күнүмдүк модель колдонуу рейтингдери.
Сапат маалыматтары: Artificial Analysis курама Intelligence Index; көз карандысыз туруктуулук текшерүүсүндө LMArena/Chatbot Arena text Elo.
Эмгек рыногундагы колдонмо: Revelio ачык компания кесип маалыматтары; O*NET негизиндеги Routine Task Intensity, AI Occupational Exposure жана Eloundou GPT exposure өлчөмдөрү.
Маалымат жеткиликтүүлүгү: Авторлор чыгарган AI Inference Price Index катарлары, версияланган модель дал келтирүү таблицасы жана таблица/сүрөттөрдү түзгөн куруу жана талдоо коду репликация пакетинде жарыяланат. OpenRouter, Artificial Analysis, LMArena жана Revelio сыяктуу үчүнчү тарап киргизүүлөрүн кайра бөлүштүрүү алардын өз колдонуу жана лицензия шарттарына баш ийет.
Лицензия: PDF макаланын өзү үчүн ачык кайра колдонуу лицензиясын көрсөтпөйт. Маалымат жеткиликтүүлүгү билдирүүсү авторлор чыгарган AIPI катары, дал келтирүү таблицасы жана талдоо/куруу коду репликация пакетинде Creative Commons Attribution лицензиясы менен жарыяланганын айтат. Бул лицензия үчүнчү тараптын чийки киргизүүлөрүнө автоматтык түрдө колдонулбашы керек.
Каржылоо: Жүктөлгөн PDF версиясында каржылоо билдирүүсү берилген эмес.
Кызыкчылыктардын кагылышы: Жүктөлгөн PDF версиясында өзүнчө кызыкчылыктардын кагылышы билдирүүсү берилген эмес.
Авторлордун салымы: Жүктөлгөн PDF версиясында CRediT же деталдуу автор салымы билдирүүсү берилген эмес.
Corresponding author: PDF шилтемесинде Stace Sirmans үчүн e-mail дареги берилген; өзүнчө “corresponding author” энбелгиси ачык жазылган эмес.
Негизги методологиялык чектөөлөр: Үлгү жалпыга ачык OpenRouter API рыногу менен чектелет. Жеке корпоративдик келишимдер, self-hosted инференс жана пакеттик программалык камсыздоо баалары байкалбайт. Artificial Analysis ар бир модель үчүн бир гана учурдагы сапат упайын бергендиктен толук тарыхый “as-of” бенчмарк катары кайра курулбайт. Колдонуу боюнча салмакталган индекс баа менен модель тандоону чогуу камтыйт. Feenstra/CES талдоосундагы алмаштыруу ийкемдүүлүгү маалыматтын ичинде ишенимдүү аныкталбагандыктан калибрленет. Колдонуу ийкемдүүлүгү жана эмгек рыногу жыйынтыктары сүрөттөмө болуп, себептик структуралык баалар катары түшүндүрүлбөшү керек.
Булак сүрөттөрүнүн илимий ролу: Негизги 1-сүрөт улантылып жаткан модель баасын, туруктуу-сапат чыгымын жана жаш модель колдонуусун катар көрсөтөт. 2-сүрөт баа-өндүрүмдүүлүк чегинин жаңы модель муундары менен жылышын көрсөтөт. 3-сүрөт ар башка баа индекстери бир эле рынок үчүн кандай ажыраарын көрсөтөт. 4-сүрөт колдонуучу-себети чыгымынын төмөндөшүнүн чынжырланган декомпозициясын, 5-сүрөт болсо колдонуунун жаш модель муундарына өтүшүн жана бул муундардын өлчөнгөн жөндөм бирдигине төмөнүрөөк чыгымын көрсөтөт. Кошумча сүрөттөр bootstrap белгисиздигин, бенчмарк босоголорун, модель үй-бүлөсүнүн курамын, коммерциялык жарым өмүрдү, CES жаңы-товар түзөтүүсүн жана эмгек рыногу колдонмолорун сынайт.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген