耗资数百万破解千禧年难题：OpenAI掀翻桌子降价80%

9月8日，硅谷发生了一场极其分裂的舆论事件：一边是烧掉数百万美元算力、调动一万个AI智能体历时整整88小时，攻克了人类数百年未解的流体力学核心难题；另一边，则是同一天在旧金山高盛大会上由CFO Sarah Friar披露的一条惊人消息——其最入门级的推理模型Luna API价格一夜之间被砍掉了80%，而使用量随之以惊人的速度暴涨了10倍。

前者展现了AI令人恐惧的智力潜力，后者则暴露了这场革命背后冰冷的商业算盘。在这场看似割裂的表演中，隐藏着一个清晰的战略转向：当算力变得极度廉价时，AI正在彻底摆脱“高级玩具”的身份，蜕变为所有企业的生产基建。

1万智能体的“蛮力”突围

9月8日下午，OpenAI官网发布了一篇极为特殊的长文：《Navier–Stokes Solution by Agents》。文中宣告其内部系统成功证明了纳维-斯托克斯方程的存在性与光滑性问题。这是一场什么样的算力轰炸？据官方博客披露，该系统在长达88小时的计算中，生成了高达约130亿Tokens的输出，并产生了270万条AI智能体之间的交互消息。最终，项目不仅完成了复杂的数学推导，还借助OpenAI自研的GPT-6 Astra完成了Lean形式化验证，输出了超过百万行的代码逻辑。

这是目前为止规模最大的多Agent协同应用案例。过去我们习惯把AI当作聊天助手，但这次的系统表现像一个真实的科研团队：系统自主拆解了这一著名的“千禧年大奖难题”，分配不同的任务给专精于代数、几何及逻辑推理的不同智能体，并在遇到逻辑断层时自行试错迭代。

然而，这项成就也迅速引发了学术界的冷水泼头。纽约大学（NYU）数学家Tristan Buckmaster于同日发表公开声明，尖锐指控OpenAI在其提出相关研究路线后强行抢跑，试图通过堆砌算力掩盖学术伦理问题；OpenAI方面予以坚决否认。与此同时，作为该难题官方评定机构的克雷数学研究所，依然将其挂在“Millennium Prize Problems”页面上，标记状态为“未解决”。

对此必须保持绝对的清醒：OpenAI此次的技术壮举，本质上是一次以巨额资金换取算力突破的“蛮力胜利”，而非获得全行业共同认可的学术定理。 正如诺贝尔奖得主陶哲轩所警告的那样，AI时代的科学竞争已经从纯粹的智力比拼变成了高昂资源成本的消耗战。这道题的真正价值不在于答案本身，而在于证明了：只要有足够的并发智能体和资金，机器已经具备了啃下高难度专业壁垒的基础能力。

终结按次收费：从卖API到买确定性

如果说数学界还在争论证明的真伪，那么CFO Sarah Friar在同场会议上抛出的商业数据则直接掀翻了行业的定价桌子，彻底改变了游戏规则。

OpenAI正式宣布将针对入门级推理模型Luna的价格下调高达80%，这仅仅是为了应对日益激烈的存量市场竞争吗？并非如此。这种断崖式的降价策略背后，是一个全新的商业模式——AI行业正在从“卖API调用次数”向“卖确定性产出”转型。

在过去的几年里，云模型的盈利模式始终建立在按Token或按调用的累积收费上。但随着像Luna这样的廉价高并发模型的出现，传统的按次计费变得极不经济。用户不再关心每一次调用的精细度，而是追求以最低成本得到可执行的结果。OpenAI通过将基础算力成本削减五分之一，直接击穿了中小企业自建私有化部署的成本底线。

数据给出了最直接的反馈：在公告发布后的极短时间内，Luna的使用量环比实现了10倍的激增。更为关键的是，这一波红利全部转化为了营收规模。根据Friar在高盛大会上的披露，OpenAI在6至7月份的企业端收入实现了环比32%的惊人增长，这一增速远超整体年化总收入20%的平均水平。由此带来的结果是，OpenAI的企业端收入规模第一次与消费者端达到了基本持平的状态，提前达成了其年底两大板块收入对等的战略目标。 此外，专门面向程序员群体的代码助手Codex，累计活跃用户已突破了2500万大关。

这组数字的含金量极高。在过去很长一段时间里，开发者个人（消费者端）是驱动AI消费的主力军，真正的企业采购往往由于预算审批周期长而在规模化上显得犹豫不决。现在，随着单点成本降至冰点，企业的决策逻辑发生了根本性逆转：当一个AI系统的单次调用成本低于一名初级员工的人工复核成本时，采购就不再是一项财务负担，而是一种利润来源。

真正的对手不是智谱GLM，而是开源生态

透过现象看本质，OpenAI发起这场降维打击的目标究竟是谁？表面上看似乎是在抢占市场份额，但实际上它瞄准的是整个开源模型的生存根基。

长期以来，国内外的科技公司面对闭源巨头的垄断，寄希望于开源社区提供的Hugging Face等替代方案。理论上，企业完全可以通过本地服务器部署开源的大语言模型，无需缴纳昂贵的API租金。然而，这个方案的隐性成本一直居高不下：不仅需要购买昂贵的GPU集群，还需要一支庞大的工程师团队不断微调模型并处理安全漏洞。

如今，当云端闭源模型的定价被压低至开源部署硬件维护成本的零头时，自建开源集群的物理优势荡然无存。如果连最廉价的闭源模型都要比你自己训练和运维一个大型开源架构便宜得多，那么对于缺乏顶尖算法团队的绝大多数实体企业而言，“私有化部署”将成为一个彻头彻尾的伪命题。

这就是OpenAI真正凶猛之处：它利用自身垂直整合的硬件（如即将量产的Jalapeno自研芯片）带来的底层成本优势，通过Luna这一杀手锏级别的低价产品，试图在未来的AI应用中完成一场“降维清洗”。

未来的市场博弈将进入白热化阶段。投资者和行业观察家应当重点关注未来几个季度内，那些试图通过低价切入企业服务赛道的AI初创公司能否扛住巨头补贴战的冲击。更重要的是，随着AI介入越来越硬核的基础科学与数学领域，学术界将不得不接受一个事实：高质量的人类科研思维，正逐渐沦为一种昂贵且稀缺的顶级奢侈品，而不再是实验室里的标配。