Kasalukuyang sinukat ng Epoch AI ang gastos ng “pag-iisip” ng AI, at ang pagbaba nito ay ang pinakamabilis na pagbaba na kailanman ay naranasan ng anumang transformative technology. Ang Epoch ay isang independiyenteng instituto ng pananaliksik na sinusubaybayan ang pag-unlad ng AI gamit ang kanilang sariling data: performance ng model, gastos sa pagtuturo, chips, at data center. Sa kanilang ulat noong Setyembre 22, sina Luke Emberson at David Roodman ay pinag-aralan ang gastos upang makamit ang parehong antas ng performance sa limang benchmarks (matematika, mga matigas na agham, at mga laro ng kasanayan) sa loob ng halos tatlong taon. Ang pangunahing numero: mula noong 2023, bumaba ang gastos ng isang tiyak na antas ng performance ng halos 47% bawat kuartal. Ito ay nagiging 13 beses na mas mura bawat taon. Sa komparasyon sa kasaysayan, apat na beses na mas mabilis kaysa sa DNA sequencing, anim na beses na mas mabilis kaysa sa compute, 18 beses na mas mabilis kaysa sa lithium battery, at 54 beses na mas mabilis kaysa sa elektrisidad hanggang 1973. Ang ebidensya ay nagpapakita na ang ritmo ay nagsimula na sa ganitong bilis noong Nobyembre 2021, nang buksan ng OpenAI ang API ng GPT-3. Noong Enero 31, 2025, ang o3 ng OpenAI ay nakakuha ng 75% sa GPQA Diamond (isang pagsusulit na estilo ng doktorado sa pisika, kimika, at biyolohiya) para sa halos 30 sentimos bawat tanong. Mas kaunti sa 18 buwan pagkatapos, ang GPT-5.6 Luna ay nakakamit ang parehong resulta para sa apat na sandaling sentimo ($0.0004). Pagbaba ng 725 beses. Ikinukumpara ng Epoch sa pagbaba ng presyo ng isang bagong kotse mula sa $50,000 patungo sa $69! Ang bilis ay nagkakaiba-iba batay sa domain: mas mabagal sa mga puzzle ng laro (39% hanggang 43% bawat kuartal), mas mabilis sa matematika (50% hanggang 52%). At bumababa ang presyo nang mas malakas agad pagkatapos maging pinakamahusay ang isang antas. Sa average ng limang pangunahing benchmarks, 66% bawat kuartal (75 beses bawat taon) sa debut ng state-of-the-art; dalawang taon pagkatapos, kalahati nito, 32% bawat kuartal (4.7 beses bawat taon). Ang kanilang hipotesis: sa simula, sinasakop ng lab ang premium, at pagkatapos ay biniyayaan ng kompetisyon—bukas at sarado—ang presyo. Kanilang sarili nilang isinasaad ang mga limitasyon. Maaaring sobra ang pagtuturo ng labs para sa benchmark. Ang pagtama sa pagsusulit ay hindi isang kapaki-pakinabang na gawain. Ang tunay na user ay hindi laging gumagamit ng pinakamurang model sa frontier. Ang window ay mayroon lang tatlong taon. Maaaring i-derive ang average na ito mula sa data sa iba’t ibang paraan. Para sa AI stack, ang mensahe ay malinaw: ang kakayahan na kahapon ay premium ay naging commodity nang mabilis, at ang nagpapalaya sa mass adoption ay ang gastos bawat task, hindi lamang ang bagong model. Para sa mga nagbebenta ng API, ang sobrang kita mula sa isang tiyak na model ay tila pansamantala. Sinasabi pa rin ng Epoch na ito ay parehong sanhi at epekto ng paligsahan. Sa kanilang graph, ang pinakamatinding pakikidigma malapit sa tuktok ay lalo na nangyayari sa pagitan ng saradong mga model. Para sa investor, napapaliit ang margin ng inference. Ang nakakakuha ng volume at nasa isang kuartal na unahan sa gastos ay mas mahalaga kaysa sa kuwento ng isang eternal model. Ang premium na maging pinakamurang model sa tuktok ay nawawala nang mabilis. Tumaas ang gastos ng chip at enerhiya. Bumaba naman ang gastos ng “pag-iisip.”