最近我问了 Gemini 一个问题：如果今天的 AI Token 相当于 3G 时代的流量，那么等它变得像家庭 Wi-Fi 一样便宜，会催生什么应用？
以前用手机上网，我们会在意图片多不多，视频要不要等连上 Wi-Fi 再看。后来，流量不再需要一兆一兆地算，短视频、直播和云相册才越来越自然地进入生活。
Token 也可以放在这条线上看。单价从要省着花走到不怎么心疼时，跟着一起变的往往还有交互、容错、形态和计费：调用会不会更勤，错了能不能再试，界面停在对话框还是临时长出来，钱按量算还是更接近按结果算。
当然，移动互联网的繁荣不能只归功于流量降价。网速、覆盖、智能手机、支付和开发者生态，都在一起变化。但这个类比带来一个值得思考的问题：当一种能力便宜到不再需要精打细算时，人会怎样重新使用它？
成本下降其实已经发生。斯坦福 AI Index 2025 记录，达到 GPT-3.5 水平的特定基准能力门槛的模型调用价格，从 2022 年 11 月每百万 Token 20 美元，降至 2024 年 10 月的 0.07 美元，下降超过 280 倍。这不意味着所有模型和所有任务都降了这么多。作为对照，工信部资料显示，2015 年起的五年间，移动网络单位流量平均资费下降超过 95%。来源
Token 单价也不等于完成一件事的成本。AI 可能要读材料、调用工具、反复尝试，还需要验证和人工复核。下面的推演假设的是：在质量大致可比的情况下，完成有用任务的成本持续下降。至于降到多少、何时发生，我并不知道。
一、后台多做几遍，前台少折腾一次
以前用 AI，尤其是写代码，补全和排查都更像抽卡。写一段需求，得到一版；跑不通，再贴报错；能跑了，又发现理解错了。做完一版，验证大多还是人来做。
发展到现在，已经有 Agent 能自己跑起来，核对结果，再试着把发现的问题修掉。人不必每次都守在中间来回贴，这是进步。
如果成本继续降，软件就更有理由把这种试错留在后台。一段需求进来后，先尝试几种实现，在隔离环境里运行测试，淘汰明显不合格的方案，再把少数结果交给人。用户看到的是两种方案，后台可能已经试过许多次。
但多生成几遍不自动等于可靠。几个模型可能犯同样的错，也可能互相说服后一起得出错误结论。这条路更可能先在结果能被外部验证的任务上走通，比如代码测试、表格对账和明确约束检查。至于文章是否动人、产品方向是否值得做，多数投票未必能替人判断。
所以，Token 便宜以后，测试、评估和验收标准反而会更重要。没有合格的尺子，多做二十遍也可能只是多出二十份待审核的工作。
二、助手开始记得前情，也知道什么时候别说话
今天大多数 AI 交互还是从输入框开始。人负责想起问题、整理背景、复制材料，再发出请求。
如果后台整理上下文的成本降低，助手也许可以在写方案时发现新假设与以前的结论冲突；在准备会议时，把尚未解决的问题和材料放在一起；在研究一个主题时，找回几个月前读过、却忘记放在哪里的一段内容。
但“全天候伴随”不一定等于一直录音、每秒读取屏幕。许多场景只需在文档变化、会议结束等事件发生时处理。用户应该知道助手看了什么，并能暂停、纠正和删除记忆。
还有一个现实的问题：它会不会太爱提醒？如果每天弹出五十条“我发现了一个关联”，只是把信息焦虑换了一个入口。好的助手应该把大量计算留在后台，只把少量真正有用的结果带到面前。
我也很希望，苹果这类把智能做进日常设备的方案能尽快普惠。离人近一些，也许更有机会从日常行为里理解这个人，同时把隐私保护做得更到位。个人助理怎样才算更懂“这个人”，会是后面很大的一个方向。
三、一些软件，会像临时搭起的小桌子
很多需求很小：比较几个方案、解释一个概率问题、给孩子演示科学现象，或者把手头的数据变成可以调整参数的图表。
它们未必值得做成一款长期维护的产品，却值得拥有一个恰好够用的界面。当生成和修改成本下降，“临时做一个小工具”可能越来越像今天“临时拉一个群”。
教育和内容也可能发生变化。同一个概念，可以根据学习者的回答，换一种比喻、一组例题或一个互动演示。个性化应建立在答题错误、练习进度等可观察的信息上；仅凭一次犹豫或一个表情，就断言孩子掌握了什么，并不可靠。
动态生成也有代价：界面总变，用户可能找不到熟悉的操作；生成的程序仍需要检查计算和数据安全。我更看好稳定基础功能与临时小工具结合的形态。不是所有软件都一次性，而是更多小需求可以被认真满足。
四、从“我盯着它做”，到“它准备好，我来验收”
我最期待的是这一类变化。很多工作并不难，只是需要反复查看，而且不一定恰好发生在有空的时候。
代码依赖更新了，要检查兼容问题；网站改了内容，要检查链接和图片；一项任务卡住了，要发现缺了哪一步。未来，助手也许可以持续做这些检查，发现问题后拉分支、尝试修复、运行测试，最后把变更和风险交给人验收。
投资信息整理也类似：后台跟踪公告和财报，把新信息与原有判断对照，提示哪些假设值得重新审视。但读到更多消息不意味着能够预测市场，一份分析草案也不意味着应当获得交易权限。
读资料、做分析、在沙盒试验，与修改生产系统、付款或交易，是不同级别的行动。越接近不可逆的结果，越需要明确授权、记录和恢复机制。
哪些应用可能先长出来？
我会优先观察三类：高频重复且结果容易验证的任务；准备工作多、但人只在少数节点决策的工作；以及需求个性化、范围足够小的互动工具。
它们都可以尝试把更便宜的计算，换成看得见的时间节省。涉及复杂现实、高额失败代价的任务，可能不会仅仅因为 Token 降价就迅速成熟。成本下降打开一扇门，但速度、可靠性、数据接入、权限和使用习惯，仍决定产品能走多远。
最后，什么会变得更贵？
Gemini 的回答提到了上下文、判断力和行动授权。我想再加上注意力。
有质量的上下文，需要知道目标、约束、过去的决定，以及哪些信息已经过时。判断力意味着能定义问题、制定标准，并从大量结果里选出真正有用的方案。信任和授权则要求我们知道系统做了什么、做错后能否发现和恢复。
流量便宜以后，我们得到了更多内容，也得到了更多争夺注意力的产品。如果 AI 只是以更低成本生成更多文章、视频和提醒，未必会让生活更轻松。
因此，我期待 Token 变便宜，主要是希望软件能在后台多承担一些检查、准备和收尾，让人少做一些机械的事。真正值得观察的，不只是每百万 Token 多少钱，而是可靠完成一件事情需要多少钱，以及它究竟为人省下了什么。
当计算越来越便宜，我们也许更需要学会决定：什么事情值得计算，什么事情值得交给它，以及省下来的时间想用在哪里。
这是我与 Gemini 探讨未来时得到的一些启发，以及我个人在应用 AI 过程中的一些感悟，希望能对你有启发。上面谈到的应用仍是推演，不是已经普遍成熟的事实，也不是一份时间表。