title: 前沿能力瀑布：Frontier Diffusion Half-Life、能力帶遷移與智能商品化
english_title: The Frontier Capability Cascade: Diffusion Half-Life, Capability-Band Migration, and Intelligence Commoditization
author: Neo.K with Aletheia
institution: EveMissLab / 一言諾科技有限公司
series: AGI 普世化與智能基礎設施經濟學
series_position: Paper 02 / 06
document_type: Theoretical Paper / AI Economics / Capability Diffusion
version: v0.1
date: 2026-09-11
status: Working Paper
canonical_source: UTF-8 Markdown
canonical_math_delimiters: inline $...$ ; display $$...$$

前沿能力瀑布：Frontier Diffusion Half-Life、能力帶遷移與智能商品化

The Frontier Capability Cascade: Diffusion Half-Life, Capability-Band Migration, and Intelligence Commoditization

系列：《AGI 普世化與智能基礎設施經濟學》
系列位置： Paper 02 / 06
版本： v0.1
日期： 2026-09-11
作者： Neo.K with Aletheia
機構： EveMissLab／一言諾科技有限公司
文件性質： 理論論文／AI 經濟學／能力擴散／智能商品化
狀態： Working Paper
Canonical source： UTF-8 Markdown
Canonical math delimiters： inline $...$ ；display $$...$$

摘要

前一篇提出：

AGI_{\mathrm{event}} \neq AGI_{\mathrm{infrastructure}}.

本篇進一步處理其中最關鍵的動力問題：

一個今天仍只存在於 frontier 的能力，究竟以多快速度向下擴散，成為 upper-workhorse、mass / cheap capability，最後進入普世基礎設施？

本文將這個過程稱為 Frontier Capability Cascade（前沿能力瀑布），並以：

\boxed{ F_t \rightarrow U_{t+\Delta_1} \rightarrow M_{t+\Delta_1+\Delta_2} \rightarrow I_{t+\Delta_1+\Delta_2+\Delta_3} }

描述能力從 Frontier、Upper Workhorse、Mass / Cheap 到 Infrastructure 的遷移。

本文提出 Frontier Diffusion Half-Life：

T_{1/2}^{F\rightarrow C},

表示某一 frontier capability 的稀缺性、價格溢價、取得限制或供應集中度下降一半所需的近似時間。其目的不是尋找一個單一物理常數，而是建立可比較的能力擴散速度指標。

本文同時區分四種容易被混淆的「變便宜」：

\boxed{ \text{PriceDecline} \neq \text{CostDecline} \neq \text{CapabilityPreservation} \neq \text{TotalTaskCostDecline}. }

模型 API 單價下降，不代表完成同品質任務的總成本一定下降；較便宜模型若需要更多 rounds、更多 verification 或更多 human intervention，其：

CostToArtifact(Q)

仍可能更高。因此真正的商品化分析必須以品質調整後任務成本，而不是單純 token price 為核心。

本文提出：

\boxed{ \text{CommodityIntelligence} = \text{SufficientCapability} + \text{LowMarginalCost} + \text{HighAvailability} + \text{HighReplicability} + \text{WorkflowCompatibility}. }

本文亦討論蒸餾、量化、推理最佳化、硬體進步、模型路由、專業化、開放權重、本地部署與競爭性定價如何共同推動能力瀑布；並提出 Jevons-like Intelligence Rebound：當單位智能成本下降時，總智能消耗不一定下降，反而可能因 agent 數量、重試、驗證、平行探索與長時任務增加而快速上升。

因此：

\boxed{ UnitIntelligenceCost\downarrow \not\Rightarrow TotalAIExpenditure\downarrow. }

更可能出現：

UnitIntelligenceCost\downarrow \quad\land\quad TotalIntelligenceConsumption\uparrow.

本文最後提出三組可實證指標：Capability Migration Index、Quality-Adjusted Price Compression、Frontier Diffusion Half-Life，並給出反證條件。核心結論是：真正改變市場結構的，不是前沿能力繼續存在，而是前沿能力失去稀缺性的速度。

關鍵詞： Frontier Diffusion Half-Life、Capability Cascade、能力帶遷移、智能商品化、推理成本、Cheap Iteration、Open Weights、模型路由、Jevons Effect、AGI Infrastructure

1. 問題：前沿為什麼不會永遠是前沿？

任何技術前沿都具有兩種不同功能。

第一種是：

\boxed{ \text{PushTheCeiling} }

也就是建立新的最大能力。

第二種則是：

\boxed{ \text{MoveTheReferencePoint} }

亦即，一旦某能力被證明可以存在，市場就會開始尋找：

更便宜的做法；
更小的模型；
更低的延遲；
更低的能耗；
更穩定的部署；
更好的專用版本；
更適合 agent 的版本；
更可在本地運行的版本。

因此：

\boxed{ \text{FrontierDiscovery} \Rightarrow \text{CompressionSearch}. }

前沿競爭與商品化不是兩條獨立歷史，而是同一條能力曲線上的不同階段。

2. 四層能力帶

本文將市場中的 AI 能力簡化為四層：

F_t = \text{Frontier},

U_t = \text{Upper Workhorse},

M_t = \text{Mass / Cheap},

I_t = \text{Infrastructure}.

2.1 Frontier

特徵：

能力最強；
稀缺性高；
價格溢價高；
可能存在供應限制；
適合突破、難題、最終 gate。

2.2 Upper Workhorse

特徵：

接近前沿但成本較低；
穩定；
可大量進入企業與研究工作流；
適合複雜 production。

2.3 Mass / Cheap Capability

特徵：

單次成本低；
延遲低；
可大量並行；
適合 bulk work、重試、驗證、抽取、分類與簡單代理。

2.4 Infrastructure

特徵：

可預期；
可嵌入；
易於採購或本地運行；
不再被視為「特殊 AI 使用」；
開始像資料庫、網路、雲端與算力一樣成為默認底層。

所以能力瀑布可寫成：

\boxed{ F \rightarrow U \rightarrow M \rightarrow I. }

3. 能力遷移不是模型遷移

一個重要區分是：

\boxed{ \text{CapabilityMigration} \neq \text{ModelMigration}. }

同一個模型不必真的從 frontier 變成 cheap model。

更常見的是：

某個能力最先由模型 $M_1$ 證明，後來由 $M_2,M_3,\ldots$ 以更低成本複製或近似。

因此本文研究的不是單一模型生命週期，而是：

\boxed{ \text{CapabilityClass} }

的市場生命週期。

4. Frontier Diffusion Half-Life

對某能力 $c$ ，定義：

S_c(t)

為其稀缺度。

稀缺度可由多個因素共同表示：

S_c = f( P, N, A, D, R ),

其中：

$P$ ：價格溢價；
$N$ ：供應者數量；
$A$ ：取得限制；
$D$ ：部署難度；
$R$ ：可靠性門檻。

定義：

T_{1/2}^{F\rightarrow C}(c)

為使：

S_c(t+T_{1/2}) \leq \frac{1}{2}S_c(t)

的近似時間。

這不是聲稱所有能力都具有指數衰減。

其用途是：

比較不同能力由稀缺前沿走向普及的速度。

5. 另一個更實務的半衰期定義

在實證上，可以直接使用價格或可取得性。

例如定義某品質門檻 $Q$ ：

P_c(Q,t)

為時間 $t$ 完成能力 $c$ 、達到品質 $Q$ 的最低市場成本。

若：

P_c(Q,t+T) \leq \frac{1}{2} P_c(Q,t),

則可將 $T$ 視為價格型能力半衰期：

T_{1/2}^{price}(c,Q).

同理可以定義：

T_{1/2}^{latency},

T_{1/2}^{hardware},

T_{1/2}^{availability}.

因此：

\boxed{ \text{DiffusionHalfLife} }

可以是一組向量，而不是一個單值。

6. 單價下降不等於總成本下降

AI 市場最常見的錯誤之一是：

API 每百萬 token 變便宜，所以 AI 成本下降。

這不一定成立。

若：

PricePerToken\downarrow

但同時：

TokensPerTask\uparrow,

則：

\text{TaskCost}

不一定下降。

若便宜模型還需要：

\text{MoreRounds} + \text{MoreVerification} + \text{MoreRetries} + \text{MoreHumanIntervention},

則：

\boxed{ \text{CheapModel} \not\Rightarrow \text{CheapOutcome}. }

因此必須使用：

\boxed{ CostToArtifact(Q) }

而不是只看：

\text{PricePerToken}.

7. Quality-Adjusted Cost

定義某模型 $m$ 完成任務 $x$ 、達到品質 $Q$ 的期望總成本：

C_{m,x}(Q) = C_{\mathrm{inference}} + C_{\mathrm{tool}} + C_{\mathrm{verification}} + C_{\mathrm{retry}} + C_{\mathrm{human}} + C_{\mathrm{failure}}.

其中：

C_{\mathrm{failure}}

代表錯誤結果的期望損失。

真正值得比較的是：

\boxed{ \min_m C_{m,x}(Q). }

若：

\min_m C_{m,x}(Q)

長期下降，能力才真正進入經濟商品化。

8. Frontier Premium

定義：

\Pi_F(c,t) = \frac{ C_{F,c}(Q,t) }{ C_{B,c}(Q,t)+\epsilon },

其中：

$C_{F,c}$ ：使用 frontier 完成能力 $c$ 的成本；
$C_{B,c}$ ：使用最佳非 frontier 能力完成同品質的成本。

若：

\Pi_F\gg1,

表示 frontier 具有高價格溢價。

若：

\Pi_F\rightarrow1,

則表示非 frontier 已逼近同等經濟效果。

這時：

\boxed{ \text{CapabilityCommoditization} \uparrow. }

9. 前沿的能力溢價與經濟溢價不同

即使：

Capability(F)>Capability(U),

也不代表：

EconomicValue(F)>EconomicValue(U).

因為對多數任務：

Q_{\mathrm{required}} < Q_F.

只要 upper-workhorse 已跨過：

Q_{\mathrm{required}},

更高能力就可能只有低邊際價值。

因此：

\boxed{ \text{PeakCapability} \neq \text{OptimalProductionCapability}. }

10. Cheap Iteration 作為替代智能

假設 frontier 模型一次解題成功率：

p_F.

便宜模型成功率：

p_C<p_F.

如果便宜模型可以低成本獨立重試 $n$ 次，其至少一次成功率為：

P_{\geq1} = 1-(1-p_C)^n.

若：

nC_C<C_F,

則：

多次廉價嘗試可能在總成功率與成本上優於單次 frontier。

因此：

\boxed{ \text{CheapIteration} }

本身可以成為一種經濟智能。

11. Parallel Intelligence

除了重試，廉價模型還可以：

A_1,\ldots,A_n

平行探索不同方案。

若有 verifier：

V

可以篩選輸出，則：

\boxed{ \text{ManyCheapAgents} + \text{Verifier} }

可能逼近：

\text{SingleFrontierAgent}

在特定任務上的效果。

因此：

\boxed{ \text{Intelligence} }

不再只是一顆模型的內在屬性。

它也可能是：

\text{Architecture} + \text{Parallelism} + \text{Verification}.

12. Frontier Compression Mechanisms

前沿能力往下擴散通常依賴多種機制。

12.1 Distillation

F \rightarrow \text{Teacher} \rightarrow \text{Student}.

高能力模型將可學習結構部分傳遞到更小模型。

12.2 Quantization

降低：

\text{Precision}

以減少：

\text{Memory} + \text{Compute}.

12.3 Inference Optimization

降低：

\text{Latency} + \text{Energy} + \text{ServingCost}.

12.4 Hardware Improvement

同一模型在新硬體上的：

\text{CostPerToken}

下降。

12.5 Specialization

用：

\text{DomainRestriction}

換：

\text{Efficiency}.

12.6 Routing

將不同難度任務分配到不同模型：

\text{Task} \rightarrow \text{Router} \rightarrow Model_i.

12.7 Open Weights / Local Deployment

降低：

\text{ProviderDependency} + \text{MarginalAccessCost}.

這些機制共同形成：

\boxed{ \text{CapabilityCompressionStack}. }

13. 路由本身會把智能變成市場組合

當：

Model_1,\ldots,Model_n

能力與價格不同時，最優策略不一定是固定使用最強模型。

定義任務：

x

路由器選擇：

m^\ast = \arg\min_m C_{m,x}(Q_x).

因此 AI 系統開始從：

\text{OneModel}

變成：

\boxed{ \text{CapabilityPortfolio}. }

這使「模型競爭」逐漸轉成：

\boxed{ \text{SystemCompetition}. }

14. 智能價格彈性

令：

q_I

表示智能使用量，

p_I

表示品質調整後智能單位價格。

定義：

\epsilon_I = \frac{ \%\Delta q_I }{ \%\Delta p_I }.

若：

|\epsilon_I|>1,

表示需求對價格高度敏感。

當：

p_I\downarrow,

總使用量可能：

q_I\uparrow\uparrow.

這為智能 rebound effect 建立接口。

15. Jevons-like Intelligence Rebound

能源效率提高時，總能源使用不一定下降。

AI 也可能如此。

當：

UnitIntelligenceCost\downarrow,

使用者可能：

啟動更多 Agent；
增加 retries；
做更多 verification；
延長任務 horizon；
擴大 task coverage；
對原本不值得自動化的工作開始自動化。

因此：

\boxed{ UnitIntelligenceCost\downarrow \not\Rightarrow TotalIntelligenceConsumption\downarrow. }

甚至：

\boxed{ UnitCost\downarrow \quad\land\quad TotalSpend\uparrow }

完全可能同時成立。

16. 「便宜」真正改變的是任務集合

定義：

\mathcal T(p)

為在單位智能價格 $p$ 下，經濟上值得 AI 化的任務集合。

則若：

p_2<p_1,

通常有：

\mathcal T(p_1) \subseteq \mathcal T(p_2).

也就是：

\boxed{ \text{CostDecline} \Rightarrow \text{AutomationDomainExpansion}. }

這比單一任務成本下降更重要。

因為 AI 不是只在既有需求裡更便宜。

它會創造：

原本根本不值得做的智能工作。

17. 可浪費智能的正式化

定義：

B_H

為人類對某次額外推理是否值得的最低注意門檻。

當：

C_{\mathrm{marginal\ intelligence}} < B_H,

使用者不再逐次審議。

於是：

\boxed{ \text{MarginalDecisionFriction} \rightarrow0. }

這是智能從「產品」變成「基礎設施」的重要訊號。

18. Capability Migration Index

對能力 $c$ ，定義市場供應的品質—價格分布：

D_c(Q,P,t).

可設一個固定能力門檻：

Q^\ast.

定義達標供應者：

N_c(Q^\ast,t).

再定義 Capability Migration Index：

CMI_c(t) = \frac{ N_c(Q^\ast,t) }{ P_{\min}(Q^\ast,t)+\epsilon }.

若：

CMI_c(t)\uparrow,

意味著：

達標供應增加；
最低成本下降；
能力正在從稀缺走向普及。

這不是唯一指標，但可以作為比較接口。

19. Quality-Adjusted Price Compression

定義：

QAPC_c(t_1,t_2) = 1- \frac{ P_c(Q^\ast,t_2) }{ P_c(Q^\ast,t_1) }.

若：

QAPC_c=0.8,

表示達到同品質門檻的最低成本下降了：

80\%.

此指標比：

\text{TokenPriceDrop}

更接近真實商品化速度。

20. 能力瀑布不是必然順滑的

有些能力可能：

F \rightarrow U

很快，

但：

U \rightarrow M

極慢。

原因可能是：

verifier 很昂貴；
長 context 成本高；
tool execution 風險高；
latency 不能下降；
法律責任阻止大量部署；
資料權限不可普及；
硬體瓶頸。

因此：

\boxed{ \text{CapabilityDiffusion} }

具有 domain-specific friction。

21. 非技術摩擦也會延長半衰期

能力可能已經便宜，但仍未普及。

因此：

T_{1/2}^{social}

可以顯著大於：

T_{1/2}^{technical}.

例如：

\text{TechnicalDiffusion} < \text{OrganizationalDiffusion} < \text{InstitutionalDiffusion}.

更完整地：

\boxed{ \text{CapabilityAvailability} \neq \text{CapabilityAbsorption}. }

22. 開放權重與供應結構

若 frontier 能力長期只由少數 provider 提供：

SupplyConcentration\uparrow.

若較高能力開始出現：

\text{OpenWeights} + \text{LocalInference} + \text{MultipleProviders},

則：

SupplyConcentration\downarrow.

這可能進一步壓低：

\text{Price} + \text{SwitchingCost} + \text{AccessRisk}.

因此開放權重的經濟意義不只在：

自由。

也在：

\boxed{ \text{CapabilitySupplyElasticity}. }

23. 本地部署是商品化的深層階段

當某能力必須透過昂貴遠端 API 才能取得，它仍具有租用性。

當能力開始：

\text{Cloud} \rightarrow \text{EnterpriseServer} \rightarrow \text{PersonalDevice},

邊際調用成本可能進一步下降。

此時：

\boxed{ \text{AccessCost} }

逐漸轉成：

\text{CapitalCost} + \text{EnergyCost}.

這會改變採購、隱私、延遲與主權結構。

24. 能力瀑布的企業效應

企業真正關心的不是：

哪個模型排名第一？

而是：

\boxed{ \text{WhichCapabilityBand} MinimizesProductionCost? }

因此企業可能形成：

\text{Frontier} = \text{HardCases},

\text{UpperWorkhorse} = \text{CoreProduction},

\text{MassCheap} = \text{BulkExecution}.

最終形成：

\boxed{ \text{TieredIntelligenceArchitecture}. }

25. 能力瀑布與軟體 Make-or-Buy

若：

\text{CostToGenerateInternalTool} < \text{CostToBuySaaS},

企業會重新計算：

\text{Make} \quad \text{vs} \quad \text{Buy}.

當能力瀑布持續推高：

\text{SoftwareGenerationCapability}

並降低：

\text{CostToArtifact},

市場可能出現：

\boxed{ \text{SaaSDemandCompression}. }

這不是所有 SaaS 都會消失。

但：

部分低差異、低網路效應、低制度護城河軟體，可能遭遇自生成替代。

26. 能力瀑布與人力 Make-or-Buy

同樣地，企業會比較：

\text{HireHuman}

與：

\text{DeployAI}.

真正的選擇函數可能是：

\text{ChooseAI} \iff E[V_{AI}] - C_{AI} > E[V_H] - C_H.

所以：

\boxed{ \text{CapabilityDiffusion} }

最後會進入：

\text{LaborMarket}.

27. Frontier Diffusion 與人類尾端能力

當 AI 只覆蓋人類分布中段：

AI\approx H_{\mathrm{median}},

頂尖人類仍稀缺。

但若能力瀑布逐步向右推進：

AI_t \rightarrow H_{90} \rightarrow H_{99} \rightarrow H_{99.9},

則稀缺人類能力的市場溢價可能被侵蝕。

真正關鍵不是：

AI>H_{\max}.

而是：

\boxed{ \text{ReplicableAI} \geq \text{HumanEconomicThreshold}. }

28. 能力瀑布與「不可替代性」命題

本文不主張：

HumanUniqueness=0.

但提出：

\boxed{ \text{CurrentHumanAdvantage} \not\Rightarrow \text{PermanentHumanMoat}. }

任何以：

AI 現在還做不好某事

推導：

人類永遠不可替代

的論證，都混淆了：

\text{PresentGap}

與：

\text{StructuralImpossibility}.

能力瀑布研究的目的，就是追蹤這個 gap 是否持續縮小。

29. 一個完整的能力瀑布函數

對能力 $c$ ，可用：

\Phi_c(t) = ( Q_t, P_t, A_t, L_t, R_t, D_t, N_t )

表示其市場狀態，其中：

$Q_t$ ：品質；
$P_t$ ：價格；
$A_t$ ：可取得性；
$L_t$ ：延遲；
$R_t$ ：可靠性；
$D_t$ ：部署難度；
$N_t$ ：供應者數量。

能力商品化不是：

P_t\downarrow

單一事件。

而是：

\boxed{ Q\uparrow, P\downarrow, A\uparrow, L\downarrow, R\uparrow, D\downarrow, N\uparrow. }

30. Infrastructure Threshold

定義：

\Theta_I(c)

為某能力成為基礎設施的門檻。

若：

Q\geq Q^\ast,

P\leq P^\ast,

A\geq A^\ast,

R\geq R^\ast,

D\leq D^\ast,

則：

c \in \text{InfrastructureCapability}.

因此：

\boxed{ \text{Infrastructure} }

是一個多條件狀態，而不是單一 benchmark 分數。

31. 可實證研究設計

後續可以選擇固定任務族：

software MVP；
game MVP；
mathematical reasoning；
document production；
research synthesis；
agentic browser task；
data transformation；
enterprise workflow。

對每一類追蹤：

CostToArtifact(Q,t),

HumanIntervention(t),

WallClockTime(t),

FailureRate(t),

ProviderCount(t).

並估計：

T_{1/2}^{F\rightarrow C}.

如此可以把：

「AI 變強很快」

轉換成：

「某種能力從前沿變成大眾能力用了多久」。

32. 本文的五條核心命題

命題一

\boxed{ \text{FrontierCapability} \rightarrow \text{CompressionSearch}. }

命題二

\boxed{ \text{CapabilityMigration} \neq \text{ModelMigration}. }

命題三

\boxed{ \text{TokenPriceDecline} \neq \text{ArtifactCostDecline}. }

命題四

\boxed{ \text{CheapIteration} + \text{Parallelism} + \text{Verification} }

可以在部分任務上替代單次 frontier intelligence。

命題五

\boxed{ \text{TheKeyVariable} = \text{RateOfScarcityLoss}. }

真正改變市場結構的，是前沿能力失去稀缺性的速度。

33. 可反證條件

本篇核心命題若要成立，至少應看到：

多個能力類型的 $T_{1/2}^{F\rightarrow C}$ 持續縮短；
固定品質 $Q$ 下的 $CostToArtifact(Q)$ 長期下降；
非 frontier 模型在更多高價值任務跨過可用門檻；
企業出現穩定 tiered-intelligence routing；
cheap iteration / parallel verification 在真實工作流產生經濟優勢；
本地與開放部署提高供應彈性；
能力取得成本下降後，AI 任務總量擴張。

若長期出現：

FrontierGap\uparrow

且：

CostToArtifact(Q)\not\downarrow,

則「能力瀑布」應被削弱。

34. 與 Paper 01 的關係

Paper 01 問：

\boxed{ WhenDoesGeneralIntelligenceBecomeInfrastructure? }

本文回答：

\boxed{ ByWhatMechanismDoesFrontierCapabilityLoseScarcity? }

因此：

Paper01 = \text{MacroTransition},

Paper02 = \text{DiffusionMechanism}.

下一篇則處理：

\boxed{ \text{OnceIntelligenceIsCheap}, HowDoesSoftwareProductionChange? }

35. 結論

前沿能力不會因為變成商品而失去歷史意義。

恰恰相反。

它的第一個作用是：

\text{RaiseTheCeiling}.

第二個作用是：

\boxed{ \text{CreateTheNextCommodity}. }

如果：

F_t

持續前進，

而：

T_{1/2}^{F\rightarrow C}

持續縮短，

文明面對的就不是：

一個非常強的 AI。

而是：

\boxed{ \text{AContinuousCascadeOfFormerFrontiers} \text{BecomingOrdinaryInfrastructure}. }

這就是前沿能力瀑布。

真正需要追蹤的不是：

下一個模型叫什麼？

而是：

\boxed{ \text{HowFastDoesItsCapabilityBecomeCheapEnough} ThatNobodyFindsItSpecialAnymore? }

當答案變成：

很快，

AGI 普世化就不再是一個遠方事件，而是一個持續運作的市場機制。

Paper 03：〈從程式碼生成到意圖收斂：AI 軟體生產、Cost-to-Artifact 與 Make-or-Buy 重構〉

核心問題：

\boxed{ \text{WhenSoftwareCanBeGeneratedByIteration}, WhatBecomesTheNewUnitOfEngineeringCost? }

預計處理：

Intent-to-Reality Latency；
一輪生成與多輪 loop；
Cost-to-Artifact；
verifier bottleneck；
AI-generated MVP；
software Make-or-Buy；
internal software generation；
SaaS demand compression；
Cheap Intelligence × Human Time；
Intent Convergence Engineering。