Chamath Palihapitiya：AI能力差距快速縮小，定價差距仍巨大
Chamath Palihapitiya發帖指出，2026年最大意外是開源/開放權重模型與閉源前沿模型能力差距縮小速度遠超定價差距，後者仍極爲懸殊。
以每月20億token（10億輸入+10億輸出）爲例：GPT-5.5 Pro約10.5萬美元，Claude Opus 4.8約3萬美元，DeepSeek V4 Pro約5220美元，DeepSeek R1約2740美元。
市場機制上，企業AI用戶買入高性價比開源模型與治理路由工具，賣出無管控高價閉源依賴；事件驅動Chamath公開成本對比，資金流向開源模型平臺與AI支出控制層，受益於DeepSeek等高性價比提供商及Software Factory類工具，承壓於前沿閉源實驗室高定價模式。
來源：公開信息
ABAB AI 解讀
Chamath長期關注AI經濟學，此次表態延續其對企業成本結構的觀察，指出多數公司團隊無治理大量使用最貴模型燒錢，而開源能力快速追趕爲分層使用（高量推理用DeepSeek，高端Agent用Claude，極致場景用GPT）提供了現實基礎。
資本路徑上，Chamath強調控制平面（如Software Factory）將成爲標準，通過模型無關路由聚焦客戶意圖與成本管理，預測前沿閉源實驗室營收增速將顯著放緩，開源模型收入將大幅增長。
當前AI基礎設施處於從閉源定價主導向開源+智能治理混合模式轉型階段，能力與定價脫鉤爲企業預算優化提供巨大槓桿。
本質屬於資本集中：開源模型以極低定價壓縮閉源溢價，機制在於能力差距縮小推動企業採用分層路由策略，推動AI支出從無治理高價消費向高效治理與開源主導重構，加速成本優化與開源生態擴張。
ABAB News · 認知定律
能力接近定價懸殊，開源即最大成本槓桿。
無治理燒錢勝不過智能路由，先控支出者先獲利潤空間。
AI基礎設施時代，模型無關控制平面決定預算流向，先建治理層者先佔企業定價權。