Faharasa ya Bei ya Inferensi ya Akili Bandia (AI Inference Price Index, AIPI), ni mfumo wa kupima bei unaozingatia si tu bei zilizotangazwa za modeli za akili bandia kwa tokeni milioni moja, bali pia uwezo wa modeli uliopimwa ambao tokeni hizo hununua. Cayman Seagraves na Stace Sirmans walioanisha bei za inferensi zilizotangazwa kwenye OpenRouter na matumizi ya kila siku ya modeli na alama za benchmark za Artificial Analysis, na kuunda vipimo vinne tofauti vya bei kwa kipindi cha Januari 2025–Juni 2026. Katika toleo la chanzo, wakati bei za modeli zinazoendelea kubaki sokoni ziliongezeka kwa %6,5, bei ya inferensi kwa ubora uliopimwa usiobadilika ilishuka kwa %51,9, gharama kwa kila kitengo cha uwezo katika kikapu cha modeli kilichochaguliwa na watumiaji ilishuka kwa %86,8, na bei ya kufikia modeli ya bei ya chini zaidi inayovuka kizingiti cha benchmark kisichobadilika ilishuka kwa %99,4. Hata hivyo, matokeo haya ni kipimo cha soko la API la umma; hayawakilishi mikataba ya faragha ya mashirika, modeli zinazoendeshwa kwenye miundombinu ya ndani, bei za programu zilizofungashwa, au gharama kamili ya kukamilisha kazi halisi ya ulimwengu.

Hitimisho kuu la utafiti ni kwamba bei ya tokeni na bei ya kiuchumi ya uwezo wa mashine si kitu kimoja. Hata kama modeli za zamani hazijafanya punguzo kubwa la bei kwa wastani, modeli mpya zaidi zinaweza kutoa uwezo uliopimwa wa juu zaidi kwa gharama ya chini na watumiaji wanaweza kuhamia kwenye modeli hizo. Hivyo, “bei ya akili” sokoni inategemea zaidi ni modeli zipi zinaingia sokoni, jinsi mpaka wa bei-utendaji unavyosogea, na matumizi yanavyohamia katika vizazi gani vya modeli, kuliko bei za lebo za bidhaa za zamani moja moja.

Tafsiri ya waandishi pia ina kikomo muhimu: Artificial Analysis Intelligence Index si kitengo cha asili cha kimwili cha matokeo halisi ya kiuchumi au tija kwa kila kazi. Katika utafiti huu, ni sifa ya benchmark iliyopimwa inayotumiwa kulinganisha ubora wa modeli. Kwa hiyo, ingawa faharasa za ubora-usioyumba na kizingiti zinatoa kipimo thabiti cha bei, mfululizo wa “gharama kwa kila kitengo cha uwezo” uliopimwa kwa uzito wa matumizi pia ni kipimo elekezi cha hali ya soko kinachoakisi kikapu cha modeli ambacho watumiaji huchagua kwa vitendo.

Tatizo la kiuchumi: Kwa nini bei ya tokeni pekee haitoshi?

Inferensi ya akili bandia ni matumizi ya modeli iliyofunzwa awali ili kutoa jibu kwa ombi. Watoa huduma za API kwa kawaida hupanga bei ya huduma hii kwa tokeni za ingizo na tokeo. Kwa hiyo, kwa mtazamo wa kwanza, “bei ya akili bandia” inaweza kupimwa kwa dola kwa tokeni milioni moja. Tatizo ni kwamba modeli tofauti hazitoi kiwango kilekile cha uwezo wa reasoning, coding, maarifa au utatuzi wa matatizo ya kiasi kwa idadi ileile ya tokeni. Matumizi ya tokeni milioni moja kwenye modeli mpya yanaweza yasiwakilishe mtiririko uleule wa huduma kiuchumi kama tokeni milioni moja kwenye modeli ya zamani.

Kwa hiyo, utafiti unasema mabadiliko matatu tofauti yanapaswa kutenganishwa: mabadiliko ya bei zilizotangazwa za modeli ambazo tayari ziko sokoni, mabadiliko ya ubora uliopimwa wa modeli, na mabadiliko ya modeli ambazo watumiaji huchagua. Bei ghafi ya tokeni inaweza kuchanganya mipaka hii mitatu.

Kuna tofauti gani kati ya bei ya tokeni na “bei ya akili” katika inferensi ya akili bandia?

Bei ya tokeni ni bei ya kitengo cha maandishi ambacho mtoa huduma hutoza; “bei ya akili” katika utafiti ni gharama ya kiuchumi inayohitajika kununua kiasi fulani cha uwezo wa benchmark uliopimwa. Kwa kuwa ubora wa modeli hubadilika haraka kadiri muda unavyopita, idadi ileile ya tokeni inaweza kutoa viwango tofauti vya uwezo uliopimwa katika vizazi tofauti vya modeli.

Vipimo vinne tofauti vya bei katika utafiti

Watafiti wanakubali kwamba faharasa moja haiwezi kujibu maswali yote na hivyo wanaunda vipimo vinne tofauti.

Vyanzo vya data na sampuli

Bei zilizotangazwa za modeli zilichukuliwa kutoka OpenRouter. OpenRouter ni soko la inferensi linalotoa ufikiaji wa modeli kutoka kwa watoa huduma tofauti kupitia kiolesura cha pamoja cha API. Utafiti unafupisha kila modeli kwa kutumia muundo wa tokeni za ingizo–tokeo wa 3:1 unaotumika kuwakilisha takriban ombi la kawaida, kwa bei iliyochanganywa kwa tokeni milioni moja. Bei za sasa zinatoka kwenye katalogi hai, na bei za kihistoria zinatoka kwenye snapshots za bei za kila mwezi zilizoundwa kutoka kwa kurasa za bei za watoa huduma na masoko zilizohifadhiwa kwenye kumbukumbu.

Kiasi cha matumizi ya modeli kinatokana na ujazo wa tokeni katika viwango vya kila siku vya modeli za OpenRouter. Kwa njia hii, watafiti wanaweza kuona si tu modeli zipi zipo sokoni, bali pia ni modeli zipi watumiaji huzitumia kwa kweli na kwa kiwango gani.

Artificial Analysis Intelligence Index ilitumiwa kupima ubora. Alama hii changamani huunganisha benchmark za reasoning, coding na kiasi. Majina ya modeli za OpenRouter yaliunganishwa na rekodi za Artificial Analysis kupitia jedwali la ulinganishaji lenye matoleo linalotegemea mtoa huduma na jina la modeli; maandishi makuu yanasema ulinganishaji huu unashughulikia takriban %94 ya ujazo wa tokeni sokoni.

Tofauti ya idadi ya sampuli katika sehemu mbalimbali si kutokubaliana. Wakati paneli kuu ya bei ya hedoniki inatumia sampuli pana zaidi, baadhi ya uchambuzi wa uthabiti wa bidhaa mpya na benchmark hutumia “release-date guard” finyu zaidi unaoondoa uchunguzi wa bei wa kabla ya tarehe ya kutolewa kwa benchmark ya modeli.

Faharasa ya bei ya hedoniki ya ubora-usioyumba

Faharasa ya bei ya ubora-usioyumba hupatikana kutoka katika regresha ya hedoniki inayokubali kwamba bei ya modeli inaweza kubadilika kwa utaratibu kulingana na uwezo wa benchmark:

\[ \ln p_{m,t} = \theta \tilde{q}_m + \phi \tilde{q}_m^2 + \delta_{g(m)} + \tau_t + \varepsilon_{m,t} \]

Hapa \(p_{m,t}\) ni bei iliyotangazwa ya modeli \(m\) kwa tokeni milioni moja zilizochanganywa katika snapshot ya bei \(t\). \(q_m\) ni thamani ya Artificial Analysis intelligence score; \(\tilde{q}_m\) ni toleo la alama hiyo lililowekwa katikati kuzunguka mediani ya sampuli. \(\delta_{g(m)}\) inaonyesha athari zisizobadilika za mtoa huduma, \(\tau_t\) athari zisizobadilika za muda/snapshot, na \(\varepsilon_{m,t}\) sehemu isiyoelezwa.

Ubora wa modeli unapowekwa usibadilike, mwendo unaofuatiliwa na athari zisizobadilika za muda unaonyesha mabadiliko ya bei ya uwezo uleule wa benchmark uliopimwa. Kwa kuwa ubora umewekwa katikati kwenye mediani ya sampuli, \(\theta\) inawakilisha mteremko wa pembezoni wa bei-ubora katika kiwango cha mediani cha ubora.

Katika makadirio makuu, ongezeko la pointi moja katika alama ya benchmark linahusishwa na +0,059 katika log ya bei karibu na ubora wa mediani, na t-statistika ni 11,7. Kigezo cha ubora kilichopandishwa mraba ni -0,0006 na t = -3,3. Kigezo hiki hasi cha daraja la pili kinaonyesha kwamba ubora unapoongezeka, mteremko wa pembezoni wa bei-ubora unakuwa tambarare kuelekea eneo la frontier. Regresha inajumuisha uchunguzi 2.625 wa bei na modeli 313; \(R^2 = 0,48\).

Bei ya inferensi ya akili bandia ilishuka kwa kiasi gani ubora ulipowekwa usibadilike?

Katika toleo la chanzo lililopakiwa la 26 Juni 2026, kutoka Januari 2025 hadi Juni 2026, bei ya hedoniki ya inferensi ya ubora wa benchmark uliopimwa usiobadilika ilishuka kwa %51,9; kipindi cha kujiamini cha %95 kilichoripotiwa kwa bootstrap iliyokundiwa kwa modeli ni takriban -%64,5 hadi -%31,9.

Ilikaguliwaje ikiwa matokeo yanategemea uchaguzi wa benchmark?

Kwa kuwa Artificial Analysis huchapisha alama moja tu ya sasa ya ubora, watafiti hawawezi kujenga upya kikamilifu mfululizo wa kihistoria wa “as-of” unaoonyesha alama ya benchmark ya kila modeli katika kila tarehe. Badala ya kuficha kizuizi hiki, waandishi wanakiwekea mipaka kwa majaribio mbalimbali ya uthabiti.

Alama za Elo za mapendeleo ya binadamu za LMArena zinapotumika kama kipimo huru cha ubora, korelesheni ya Spearman kati ya upangaji wawili wa ubora katika modeli zinazolingana ni 0,85. Kwa LMArena, faharasa ya ubora-usioyumba hushuka kwa %68,7 katika sampuli ndogo ileile; kwa modeli zilezile, kushuka kunakotegemea Artificial Analysis ni %65,6. Ukaguzi huu unaunga mkono kwamba matokeo makuu hayategemei tu kipimo cha mtoa benchmark mmoja.

Je, bei ya kiuchumi ya kila uwezo ni sawa?

Hapana. Mojawapo ya matokeo muhimu ya utafiti ni kwamba si sahihi kudhani kuna sifa moja tu inayowekewa bei iitwayo “akili”. Vipengele tofauti vya benchmark vinapotumika kimoja kimoja, kati ya Januari 2025 na Juni 2026 bei ya ubora-usioyumba ya uwezo wa coding uliopimwa hushuka kwa %68,6, bei ya uwezo wa maarifa mapana wa MMLU-Pro hushuka kwa %59,8, na bei ya uwezo wa reasoning wa kiwango cha juu wa GPQA hushuka kwa %61,1, huku kipengele cha hisabati kikiongezeka kwa %41,9.

Korelesheni ya bei ya coding ni kubwa kuliko korelesheni ya hisabati katika snapshots 16 kati ya 18 za bei. Kwa hiyo, watafiti wanaonya kwamba “bei ya akili” inayopimwa katika muundo huu wa soko na benchmark inaakisi kwa kiasi kikubwa bei ya uwezo wa coding na maarifa mapana.

Kwa nini vizazi vya modeli vinafanya faharasa za bei za kawaida kuwa ngumu?

Faharasa ya jadi ya bei ya bidhaa zinazolinganishwa hulinganisha bei ya bidhaa ileile katika tarehe mbili. Lakini katika soko la modeli za akili bandia, maisha ya kibiashara ya bidhaa ni mafupi sana. Katika utafiti, miongoni mwa modeli zinazopoteza matumizi ndani ya sampuli baada ya kufikia kilele cha matumizi ya kila mwezi, nusu-uhai wa kibiashara wa mediani ni tu Miezi 2,0, na masafa baina ya robo ni miezi 1–2. Umri wa mediani wa modeli uliowekewa uzito wa matumizi ni siku 94, na kwa mediani %82 ya matumizi hutokea kwenye modeli zenye umri chini ya miezi sita.

Zaidi ya hayo, katika dirisha la siku 30 za mwisho, modeli zenye umri chini ya siku 90 zinawakilisha %70,9 ya matumizi yaliyowekewa bei na alama. Kwa mzunguko wa bidhaa wa kasi hii, seti ya pamoja ya bidhaa zilizouzwa Januari 2025 na bidhaa zilizotumika sana Juni 2026 inapungua sana. Kwa hiyo, mbinu inayolinganishwa tu “modeli ileile katika tarehe mbili” inaweza kukosa sehemu muhimu kiuchumi ya soko.

Mwendo wa mpaka wa bei-utendaji

Mchoro wa 2 wa chanzo unaonyesha nafasi za modeli katika nafasi ya uwezo uliopimwa na bei kwa tokeni milioni moja katika snapshots za bei za Januari 2025, Oktoba 2025 na Juni 2026. Kadiri muda unavyopita, modeli mpya zaidi husukuma bahasha ya chini ya bei-utendaji kwenda nje kwa mchanganyiko wa uwezo wa juu zaidi na gharama ya chini zaidi. Hii si mekanizimu sawa na bidhaa ya zamani kupunguza bei yake yenyewe. Mtumiaji anaweza kununua kiwango kilekile cha uwezo kwa bei ya chini kupitia bidhaa mpya zaidi sokoni.

Mfumo wa bei ya kiuchumi

Waandishi wanafafanua uwezo uliopimwa wa modeli kwa kila tokeni kama \(q\), gharama ya pembezoni ya kompyuta kwa kila tokeni kama \(c\), na kizidishi cha upangaji bei juu ya gharama kama \(\mu \ge 1\). Bei ya tokeni iliyotangazwa ni:

\[ p = \mu c \]

Bei ya kitengo kimoja cha uwezo uliopimwa ndani ya mfumo ni:

\[ P = \frac{p}{q} = \mu\frac{c}{q} \]

Mabadiliko ya kilogarithimu ya mlinganyo huu ni:

\[ \Delta\ln P = \Delta\ln\mu + \Delta\ln c - \Delta\ln q \]

. Mlinganyo unaweka wazi kwamba bei kwa kila kitengo cha uwezo haitokani tu na bei iliyotangazwa ya modeli. Hata kama margins au gharama ya pembezoni ya kompyuta haibadiliki, ikiwa uwezo kwa kila tokeni \(q\) unaongezeka, bei ya kiuchumi kwa kila kitengo cha uwezo \(P\) inaweza kushuka. Utafiti haukadirii \(\mu\) kimuundo; mlinganyo ni mfumo unaopanga ni margins zipi za kiuchumi zinaweza kuunda matokeo ya kimajaribio.

Jukumu la modeli zenye uzani wazi

Modeli zenye uzani wazi zinaweza kutoa chaguo la nje kwa modeli zilizofungwa pale watumiaji wanapoweza kuendesha modeli nje au kuzifikia kupitia watoa huduma wazi. Kwa mujibu wa mfumo wa utafiti, ikiwa chaguo hili ni mbadala wa karibu wa kutosha kwa uwezo, latency, kutegemewa na integration, linaweza kupunguza nguvu ya upangaji bei ya watoa modeli zilizofungwa. Hata hivyo, kwa kuwa makala haikadirii margin moja kwa moja, haitoi hitimisho la kisababishi kwamba “modeli wazi zilipunguza bei kwa kiasi fulani”. Matukio ya kuingia kwa open-weight katika sehemu ya nyongeza yanawasilishwa kama jaribio elekezi la uchunguzi wa ushindani.

Mbinu na Matokeo ya Utafiti

Uundaji wa bei iliyotangazwa

Kwa kuwa tokeni za ingizo na tokeo hupangwa bei tofauti, katika uchambuzi mkuu bei iliyochanganywa huundwa kama hali maalum ya 3:1 ya muundo wa jumla ufuatao:

\[ p_{\text{blend}} = \frac{3p_{\text{in}} + p_{\text{out}}}{4} \]

Hapa \(p_{\text{in}}\) inaonyesha bei ya tokeni ya ingizo na \(p_{\text{out}}\) bei ya tokeni ya tokeo. Katika uchambuzi wa ziada wa uthabiti, uzani wa ingizo pekee, 1:1, 3:1, 10:1 na tokeo pekee ulijaribiwa. Kushuka kwa bei ya ubora-usioyumba hubaki takriban kati ya %49,3 na %53,8 katika chaguo hizi zote; kushuka kwa gharama kwa kila kitengo cha uwezo katika kikapu cha mtumiaji kutoka mwanzo hadi mwisho hubaki takriban %86,6. Hivyo, matokeo makuu si zao la uchaguzi fulani wa uzani wa tokeni za ingizo–tokeo.

Upatanishaji wa viashiria vitano vikuu vya bei

Jedwali hili linaonyesha matokeo ya msingi ya utafiti ambayo yanaweza kuitwa “pengo la kipimo”. Kwa soko lilelile, mwelekeo na ukubwa wa mabadiliko ya bei hutofautiana sana kulingana na kitu gani cha kiuchumi kinawekwa bila kubadilika.

Je, kushuka kwa gharama ya uwezo wa akili bandia kunaelezwa na punguzo la bei za modeli za zamani?

Hapana. Katika toleo la chanzo, wakati bei za modeli zinazoendelea ziliongezeka kwa %6,5, katika mgawanyo wa kikapu cha mtumiaji uliounganishwa kwa mfululizo, mabadiliko ya bei za modeli zinazoendelea yanaeleza takriban -2,7 pointi za asilimia za log pekee kati ya kushuka kwa jumla kwa gharama kwa -178,8 pointi za asilimia za log; mwendo mkuu unatokana na ugawaji upya wa matumizi kati ya modeli na menyu ya bidhaa inayobadilika kutokana na kuingia kwa modeli mpya.

Mgawanyo wa kikapu cha mtumiaji uliounganishwa kwa mfululizo

Badala ya kulinganisha moja kwa moja ncha mbili zilizo mbali, waandishi huunganisha madirisha ya matumizi ya kuangalia nyuma yaliyo karibu na snapshots za bei zinazofuatana. Mgawanyo huu hautumii mabadiliko ya asilimia ya kiwango, bali pointi za asilimia za log katika kitengo cha \(100 \times \Delta\ln\).

Kuna tahadhari muhimu ya kimbinu hapa. Mgawanyo kamili kati ya ugawaji upya wa matumizi miongoni mwa modeli zinazoendelea na kipengele cha “kuingia mpya” hutegemea muda wa kuunganisha. Katika ulinganishaji wa takriban siku 30 unaofuatana, sehemu ya kuingia halisi ni %39, lakini katika vipindi vipana zaidi modeli ambayo hapo awali ilikuwa “kuingia mpya” inaweza kuhesabiwa sasa kama modeli inayoendelea. Kwa hiyo, utafiti hauwasilishi uwiano mmoja kati ya kuingia na ugawaji upya kama ukweli wa kimuundo.

Matokeo yanayobaki thabiti yana sehemu mbili: kushuka kwa jumla kwa gharama ni kubwa, na mchango wa mabadiliko ya bei za modeli zinazoendelea wenyewe ni karibu kutokuwepo katika kila mpangilio wa kuunganisha. Kipindi kinapobadilishwa, jumla hubaki takriban kati ya -178,8 na -169,8 pointi za asilimia za log. Katika uchambuzi wa bootstrap wa vipindi vinavyofuatana, kipindi cha %95 kwa jumla ni -183,8 hadi -173,4; kwa kipengele cha bei ya modeli zinazoendelea ni -3,0 hadi -2,2 pointi za asilimia za log.

Kwa nini kulinganisha ncha kunaweza kupotosha?

Katika madirisha ya matumizi ya siku 30 ya mwanzo na mwisho, kuna tu seti moja ya tokeni ya pamoja ambayo bei, alama ya ubora na matumizi yake vinaonekana kwa pamoja. %98,5 ya tokeni zilizowekewa bei na alama katika ncha ya mwisho hutoka kwa modeli ambazo hazikuwepo katika dirisha la mwanzo. Kwa hiyo, mgawanyo wa moja kwa moja wa mwanzo-mwisho kwa hesabu huweka karibu mabadiliko yote kwenye kipengele cha “kuingia/kutoka/frontier”. Waandishi hutumia hili si kama mgawanyo mkuu wa kisababishi, bali kama uchunguzi unaoonyesha jinsi msaada wa pamoja wa muda mrefu ulivyo mwembamba.

Ukaguzi unaoweka seti ya modeli na uzani wa matumizi bila kubadilika

Kwa kuwa ukaguzi huu unatumia dirisha tofauti la ncha, si namba ileile na takwimu kuu ya kila siku ya -%86,8 kutoka mwanzo hadi mwisho. Ujumbe wa kisayansi hata hivyo ni uleule: modeli mpya zinapoondolewa na uhamaji wa watumiaji unapoondolewa, kushuka kubwa kwa gharama kunatoweka.

Jukumu la bidhaa mpya katika faharasa ya bei: mkabala wa Feenstra/CES

Utafiti pia hupima kando mchango wa aina mpya za modeli ambao unakosekana katika faharasa ya kawaida ya bidhaa zinazolinganishwa, kwa kutumia faharasa sahihi ya bei ya CES ya aina ya Feenstra. Faharasa inajumuisha kipengele cha bidhaa zinazolinganishwa cha Sato–Vartia kwa modeli za pamoja katika vipindi vinavyofuatana na marekebisho yafuatayo ya utofauti:

\[ \left( \frac{\lambda_t}{\lambda_{t-1}} \right)^{1/(\sigma-1)} \]

Hapa \(\lambda_\tau\) inawakilisha sehemu ya matumizi ya kipindi husika inayokwenda kwa modeli za pamoja katika vipindi vyote viwili; \(\sigma\) inawakilisha elasticity ya uingizwaji kati ya modeli.

Kwa kuwa bei na ubora uliopimwa husogea pamoja kwa kiwango kikubwa katika soko hili, \(\sigma\) haiwezi kukadiriwa kwa kuaminika. Kwa hiyo, watafiti huripoti thamani tofauti zilizokalibishwa.

Ukubwa kamili unategemea dhana ya \(\sigma\); lakini kwamba kipengele cha bidhaa zinazolinganishwa kinashuka kwa %2,9 pekee na mwendo mkuu unatokana na kipengele cha utofauti/bidhaa mpya hakibadiliki katika kalibrasheni mbalimbali. Cha kuvutia, matokeo ya CES katika kiwango cha \(\sigma \approx 10\) ya -%51,1 yanakaribia sana matokeo huru ya hedoniki ya ubora-usioyumba ya -%51,9.

Bei ya kufikia kizingiti kisichobadilika cha benchmark

Faharasa ya kizingiti hufuatilia bei iliyotangazwa ya modeli ya bei ya chini zaidi inayopita alama fulani ya Artificial Analysis. Kwa kuwa bei ni kiwango cha chini, inaweza kuathiriwa na modeli moja ya bei ya chini sana. Kwa hiyo, chanzo huripoti vizingiti tofauti na ukaguzi wa leave-one-model-out ambapo modeli moja huondolewa kila mara.

Kwa sababu matokeo haya ni makubwa sana, watafiti huipa kipaumbele faharasa ya hedoniki ya ubora-usioyumba ya -%51,9, ambayo ni ya tahadhari zaidi, badala ya faharasa ya kizingiti kama kipimo kikuu cha kichwa.

Faharasa ya kila siku ya hali ya soko inaonyesha nini?

Faharasa ya kila siku hufuatilia kwa pamoja bei iliyochanganywa ya modeli zinazochaguliwa na watumiaji na uwezo wa benchmark uliowekewa uzito wa matumizi. Katika wastani thabiti wa robo mwaka kutoka robo ya kwanza ya 2025 hadi robo ya pili ya 2026, gharama ghafi iliyowekewa uzito wa matumizi ilishuka kwa takriban %32, uwezo uliopimwa uliowekewa uzito wa matumizi uliongezeka kwa takriban %110, na gharama kwa kila kitengo cha uwezo ilishuka kwa takriban %68.

Katika mgawanyo wa kihasibu wa mabadiliko ya kila siku, sehemu ya variance iliyoelezwa na kipengele cha bei-iliyotangazwa-pekee ni takriban %0,2, huku kipengele cha matumizi-bei-muundo kikiwa na mchango wenye ishara wa takriban %105,1; kipengele cha uwezo ni -%6,3 na mabaki ni +%1,0. Thamani hizi hujumlisha hadi %100 kutokana na muundo wa kihasibu na zinaonyesha kutawala kwa muundo wa matumizi. Uchambuzi huu si mgawanyo wa kisababishi wa mshtuko wa bei, bali ni uhasibu elekezi wa hali ya kila siku ya soko.

Mahitaji ya matumizi ya muda mfupi

Waandishi wanahusisha mabadiliko ya kila mwezi ya matumizi katika kiwango cha modeli na mabadiliko ya bei ya tokeni iliyotangazwa ya modeli:

\[ \Delta\ln U_{m,t} = -\eta\,\Delta\ln p_{m,t} + \lambda_t + u_{m,t} \]

\(U_{m,t}\) inaonyesha matumizi ya modeli, \(p_{m,t}\) bei ya tokeni iliyotangazwa, \(\lambda_t\) athari zisizobadilika za mwezi, na \(\eta\) elasticity ya bei-matumizi.

Kwa modeli zote, makadirio ya nukta ni \(\eta = 0,40\). Kwa maneno mengine, kushuka kwa bei kwa %1 kunahusishwa na takriban %0,40 matumizi zaidi. t-statistika dhidi ya sifuri ni 1,6; kipindi cha kujiamini cha %95 cha bootstrap iliyokundiwa kwa modeli ni -0,15 hadi +0,90. Dhidi ya nadharia ya elasticity ya moja, t = -2,5. Kwa hiyo, matokeo si mkunjo wa mahitaji wa kimuundo unaosema “bei ikishuka, matumizi yataongezeka kwa kiasi hiki kwa uhakika”. Bei inaweza kujibu mahitaji yanayotarajiwa na watoa huduma, na uzinduzi wa modeli si wa nasibu.

Katika tabaka za ubora, makadirio ya nukta ni 0,00 kwa modeli za ubora wa chini za “commodity”, 0,60 katika tabaka la kati na 0,77 kwa modeli za frontier; hata hivyo, vipindi vya kujiamini vya bootstrap kwa tabaka vina sifuri ndani yake.

Kwa nini mtaji wa ziada ni muhimu?

Mfumo wa dhana wa mahitaji ya muda mfupi wa utafiti ni huu:

\[ \ln Q_t = a - \eta_{SR}\ln P_t + b\ln K_t + e_t \]

Hapa \(Q_t\) inaonyesha uwezo uliopimwa ulionunuliwa, \(P_t\) bei kwa kila kitengo cha uwezo, \(K_t\) mtaji wa ziada, na \(\eta_{SR}\) elasticity ya bei ya muda mfupi. Mtaji wa ziada haumaanishi mtaji wa kimwili pekee; kurekebisha vipengele kama msimbo wa programu, muundo wa prompt, michakato ya tathmini, udhibiti wa usalama, ufikiaji wa data na uaminifu wa taasisi kunaweza kuchukua muda. Kwa hiyo, kushuka kwa haraka kwa bei ya uwezo wa akili bandia uliopimwa hakuhakikishi kwamba matumizi yataongezeka kwa wakati mmoja kwa uwiano wa moja kwa moja.

AIPI inaweza kutumikaje katika utafiti wa uchumi na fedha?

Utafiti umeunda mfululizo wa AIPI kama bei ya pembejeo ya akili bandia inayoweza kuunganishwa na data za kampuni, sekta, taaluma au uchumi mkuu. Muundo wa kawaida wa econometric unaotegemea exposure unaweza kuandikwa hivi:

\[ y_{i,t} = \beta \left( E_i \times \Delta\ln AIPI_t \right) + \alpha_i + \gamma_t + \varepsilon_{i,t} \]

\(E_i\) inaonyesha exposure ya akili bandia iliyobainishwa mapema kwa kampuni, sekta au taaluma; \(y_{i,t}\) matokeo yanayochunguzwa; \(\alpha_i\) athari zisizobadilika za kitengo; na \(\gamma_t\) athari zisizobadilika za muda. Kwa kuwa athari za muda humeza kiwango cha jumla cha AIPI, mgawo unaotambuliwa hutumia tofauti kati ya vitengo vyenye viwango tofauti vya exposure kwa bei ya pembejeo ya akili bandia inayoshuka.

Waandishi wanatoa tahadhari muhimu hapa: kwa tafsiri ya kisababishi, \(E_i\) lazima iwe imebainishwa mapema na kipengele cha AIPI kinachotumiwa lazima kiwakilishe mabadiliko halisi ya bei. Kwa kuwa faharasa ya kila siku ya hali ya soko iliyowekewa uzito wa matumizi husogea kwa kiasi kikubwa kwa muundo wa matumizi, vipengele vya bei vya ubora-usioyumba au kizingiti-kisichobadilika vinafaa zaidi katika miundo ya kisababishi ya bei.

Mfano wa tokeni 12.000 unaeleza nini?

Utafiti unatoa mfano wa ombi kubwa la takriban tokeni 12.000 zilizochanganywa ili kubadilisha faharasa ya kizingiti kisichobadilika cha benchmark kuwa vitengo vinavyoeleweka zaidi. Kwa modeli ya bei ya chini zaidi inayopita kizingiti hicho, gharama iliyotangazwa ya ombi kama hilo ilikuwa takriban dola za Marekani 0,32 mwanzoni mwa sampuli na ilishuka hadi takriban dola za Marekani 0,0002 mwishoni.

Namba hii si “faharasa ya gharama ya kazi halisi”. Chanzo hakioni kwa kweli ni tokeni ngapi zinahitajika kwa kila kazi maalum iliyokamilishwa. Kwa hiyo, hesabu hii ni ubadilishaji wa kitengo cha bei tu; haithibitishi gharama ya kukamilisha kwa mafanikio kikapu kisichobadilika cha kazi.

Matumizi katika soko la ajira

Ili kuonyesha matumizi yanayowezekana ya mfululizo wa bei ya kiuchumi, utafiti unaunganisha mtiririko wa uajiri na hisa za ajira za ngazi ya SOC-6 za Revelio katika kampuni za umma kwa kipindi cha 2021–2026 na vipimo vya kazi vinavyotegemea O*NET pamoja na vipimo vya exposure ya akili bandia. Kwa kuwa 2026 ni mwaka usiokamilika, unatafsiriwa kwa tahadhari maalum.

Katika uchambuzi ambapo sifa za kazi zinalinganishwa kwa pamoja, mgawo wa kazi za mikono za kawaida ni -0,102, t = -2,0; mgawo wa kazi za uchanganuzi zisizo za kawaida ni +0,142, t = +4,0. Mgawo wa urutinifu uliosalia baada ya kudhibiti sifa za kazi hushuka hadi -0,010 na t = -0,3. Kwa hiyo, matokeo haya hayawezi kurahisishwa kuwa mekanizimu ya “kazi za kiakili za kawaida zimebadilishwa na akili bandia”; chanzo kinatafsiri hili kama mabadiliko mapana ya kupanda kwa kiwango/muundo wa taaluma.

Matokeo haya ya soko la ajira hayathibitishi athari ya kisababishi ya kushuka kwa bei ya akili bandia kwa soko la ajira. Kwa kuwa paneli haitoi mishtuko tofauti ya bei ya akili bandia katika kiwango cha taaluma, waandishi wanayawasilisha kama matumizi elekezi yanayoonyesha jinsi faharasa inaweza kutumika.

Matokeo yanayoungwa mkono na utafiti

• Katika soko la API la umma, bei ya uwezo uleule wa benchmark uliopimwa ilishuka kwa kiasi kikubwa kati ya Januari 2025 na Juni 2026.
• Kushuka huku hakuwezi kuelezwa na punguzo la bei la jumla la modeli za zamani zinazoendelea.
• Kuingia kwa modeli mpya, mwendo wa mpaka wa bei-utendaji na kuhama kwa matumizi ya watumiaji kwenda katika vizazi vipya vya modeli ni sehemu kuu za kipimo.
• Faharasa za muda mrefu za bidhaa zinazolinganishwa zinaweza kukosa margin kubwa ya bidhaa mpya/utofauti kwa sababu ya mzunguko wa haraka wa modeli.
• Maeneo tofauti ya uwezo hayapangwi bei kwa njia ileile sokoni.
• Kushuka kwa ubora-usioyumba kunaendelea chini ya mizani mbadala ya benchmark, LMArena Elo na miundo tofauti ya bei ya tokeni za ingizo–tokeo.

Matokeo yasiyoungwa mkono na utafiti

• AIPI si faharasa ya bei ya soko lote la akili bandia.
• Bei za makubaliano ya faragha ya mashirika, inferensi ya self-hosted au programu zilizofungashwa hazipimwi.
• Alama ya benchmark si kitengo kamilifu au cha asili cha matokeo ya kiuchumi ya tija katika ulimwengu halisi.
• Mabadiliko katika faharasa ya kila siku iliyowekewa uzito wa matumizi hayawezi kutafsiriwa kama mshtuko safi wa bei.
• Mahusiano ya soko la ajira si ushahidi wa kisababishi wa upotevu wa kazi au uundaji wa kazi.
• Haijakadiriwa kimuundo kwamba modeli za open-weight zilisababisha kiwango fulani cha kushuka kwa bei.
• Bei ya inferensi kwa kila kitengo cha uwezo si gharama yote ya taasisi kupokea akili bandia; gharama za data, integration, programu, tathmini, usalama na mtaji wa ziada zipo kando.

Maelezo ya Chanzo na Mbinu

Kichwa asili cha chanzo: The Price of Intelligence

Waandishi: Cayman Seagraves; Stace Sirmans.

Taasisi katika toleo la PDF: Cayman Seagraves — Florida Atlantic University; Stace Sirmans — Auburn University.

Tarehe ya chanzo: 26 Juni 2026.

Aina ya chanzo: Upimaji wa bei wa kimajaribio katika uchumi na fedha / working paper-preprint. Utafiti haupaswi kuwasilishwa kama makala ya jarida iliyopitiwa na wanazuoni wenza.

Maelezo ya toleo la bibliografia: Kichwa asili cha PDF iliyotumiwa ni “The Price of Intelligence” na mwisho wa sampuli ni Juni 2026. Rekodi ya baadaye ya SSRN ina kichwa “The Price of Intelligence: A Hedonic Index for AI Capability” na ina marekebisho ya baadaye zaidi. Matokeo ya kiasi katika maandishi haya ya Verianla hayajatoka kwenye marekebisho ya baadaye, bali kwenye toleo la PDF lililopakiwa la 26 Juni 2026.

Kitambulisho cha DOI / SSRN: Katika rekodi ya sasa ya bibliografia, DOI 10.2139/ssrn.7003679 na SSRN abstract 7003679 zimethibitishwa.

Uainishaji wa JEL: O33, E31, C43, L86.

Maneno muhimu ya chanzo: artificial intelligence; inference cost; price index; new goods; economics; finance.

Data za bei na matumizi: Bei zilizotangazwa za OpenRouter, snapshots za bei za kila mwezi zilizohifadhiwa na viwango vya kila siku vya matumizi ya modeli.

Data za ubora: Artificial Analysis composite Intelligence Index; LMArena/Chatbot Arena text Elo katika ukaguzi huru wa uthabiti.

Matumizi katika soko la ajira: Data za taaluma za kampuni za umma kutoka Revelio; vipimo vya Routine Task Intensity, AI Occupational Exposure na Eloundou GPT exposure vinavyotegemea O*NET.

Upatikanaji wa data: Misururu ya AI Inference Price Index iliyotokana na waandishi, jedwali la ulinganishaji wa modeli lenye matoleo, na msimbo wa ujenzi na uchambuzi unaozalisha majedwali/michoro huchapishwa katika kifurushi cha replication. Usambazaji upya wa data ghafi za wahusika wengine kama OpenRouter, Artificial Analysis, LMArena na Revelio unategemea masharti yao wenyewe ya matumizi na leseni.

Leseni: PDF haibainishi leseni ya wazi ya matumizi tena kwa makala yenyewe. Taarifa ya upatikanaji wa data inasema mfululizo wa AIPI uliotokana na waandishi, jedwali la ulinganishaji na msimbo wa uchambuzi/ujenzi vimechapishwa katika kifurushi cha replication chini ya leseni ya Creative Commons Attribution. Leseni hii haipaswi kutumika moja kwa moja kwa data ghafi za wahusika wengine.

Ufadhili: Katika toleo la PDF lililopakiwa, taarifa ya ufadhili haikuripotiwa.

Mgongano wa maslahi: Katika toleo la PDF lililopakiwa, taarifa tofauti ya mgongano wa maslahi haikuripotiwa.

Michango ya waandishi: Katika toleo la PDF lililopakiwa, CRediT au taarifa ya kina ya michango ya waandishi haikuripotiwa.

Corresponding author: Katika tanbihi ya PDF, anwani ya barua pepe imetolewa kwa Stace Sirmans; lebo tofauti ya “corresponding author” haijaandikwa wazi.

Vikwazo vikuu vya kimbinu: Sampuli imewekewa mipaka kwenye soko la API la umma la OpenRouter. Mikataba ya faragha ya mashirika, inferensi ya self-hosted na bei za programu zilizofungashwa hazionekani. Kwa kuwa Artificial Analysis hutoa alama moja tu ya sasa ya ubora kwa kila modeli, mfululizo kamili wa kihistoria wa benchmark wa “as-of” hauwezi kujengwa upya. Faharasa iliyowekewa uzito wa matumizi hubeba kwa pamoja bei na uchaguzi wa modeli. Katika uchambuzi wa Feenstra/CES, elasticity ya uingizwaji hukalibishwa kwa sababu haiwezi kutambuliwa kwa kuaminika ndani ya data. Elasticity ya matumizi na matokeo ya soko la ajira ni elekezi na hayapaswi kutafsiriwa kama makadirio ya kimuundo ya kisababishi.

Jukumu la kisayansi la michoro ya chanzo: Mchoro Mkuu 1 unaweka pamoja bei ya modeli zinazoendelea, gharama ya ubora-usioyumba na matumizi ya modeli mpya. Mchoro 2 unaonyesha maendeleo ya mpaka wa bei-utendaji kupitia vizazi vipya vya modeli. Mchoro 3 unaonyesha jinsi faharasa tofauti za bei zinavyotofautiana kwa soko lilelile. Mchoro 4 unaonyesha mgawanyo uliounganishwa kwa mfululizo wa kushuka kwa gharama ya kikapu cha mtumiaji, na Mchoro 5 unaonyesha kuhama kwa matumizi kwenda katika vizazi vipya vya modeli na gharama yao ya chini kwa kila kitengo cha uwezo uliopimwa. Michoro ya ziada hujaribu kutokuwa na uhakika kwa bootstrap, vizingiti vya benchmark, muundo wa familia za modeli, nusu-uhai wa kibiashara, marekebisho ya bidhaa mpya ya CES na matumizi katika soko la ajira.