十亿用户、八成降价、十年难题：OpenAI如何改写AI产业版图

2026年8月2日，三条关于OpenAI的消息几乎同时刷屏：全球月活用户突破10亿，ChatGPT从上线到达成这一里程碑用了不到4年；主力模型GPT-5.6 Luna价格下调80%，输入降到每百万token 0.2美元，输出降到每百万token 1.2美元，Terra同步降价；实验性系统Astra花费约2000美元算力，解开10道人类专家十年未解的数学难题，Lean形式化证明全部开源。把它们并排放在一起，会看到一种少见的组合：一边是规模与价格的平民化，一边是能力天花板的精英化。这正是这一轮AI产业最值得分析的特征。

OpenAI用户突破10亿，增长曲线改写互联网史

ChatGPT在2022年底向公众开放，到2026年8月全球月活用户突破10亿，用时不到4年。作为参照，TikTok达到10亿月活用了约5年，Instagram用了约8年，Facebook含跨产品迁移用了更长时间。一个生产力工具类应用，在付费墙和企业版并存的条件下，跑出了比短视频平台更快的增长曲线，这本身就说明AI已经不是尝鲜玩具。

从0到10亿，AI的增长速度对照

| 产品 | 达到10亿月活所用时间 | 主要驱动 |
| --- | --- | --- |
| ChatGPT | 约3.5年 | 通用对话、API生态、企业落地 |
| TikTok | 约5年 | 短视频、算法推荐、全球化 |
| Instagram | 约8年 | 图片社交、Stories |
| Facebook | 约12年 | 社交图谱、跨产品整合 |
| WhatsApp | 约9年 | 即时通讯、新兴市场 |

这组数据用的是达到10亿月活，各家的统计口径并不完全一致——ChatGPT的数字包含网页端、App和API调用背后的去重用户，而社交平台多以账户口径统计。即便打折理解，它的增长速度仍然显著快于上一代消费级互联网产品。背后的原因不只是产品好用，还包括API价格持续下降让大量中小开发者能基于它做二次产品，反过来把用户盘子做大。

十亿用户的构成也值得拆解。其中相当比例来自企业端：ChatGPT的企业版、教育版与API驱动的第三方产品，贡献了大量高粘性、高ARPU的用户；消费端则呈现明显的区域扩散，从北美、欧洲向东南亚、拉美、中东延伸。这种企业加消费双轮驱动的结构，比单一娱乐类应用更抗周期——企业预算一旦绑定到AI工作流，迁移成本远高于换一个短视频App。

价格战正式打响，GPT-5.6 Luna降价80%

在10亿用户达成的同时，OpenAI把GPT-5.6 Luna的输入价格下调到每百万token 0.2美元、输出每百万token 1.2美元，整体降幅约80%，Terra系列同步降价。对一家年烧数十亿美元算力的公司来说，敢于在这个时点大幅降价，传递的信号很明确：单位推理成本已经降到可以支撑大规模低价放量。

主力模型定价对照

| 模型 | 输入（美元/百万token） | 输出（美元/百万token） | 定位 |
| --- | --- | --- | --- |
| GPT-5.6 Luna | 0.2 | 1.2 | 主力通用模型 |
| GPT-5.6 Terra | 0.6 | 2.4 | 高能力、长上下文 |
| 上一代主力（参照） | 约1.0 | 约5.0 | 降价前基线 |
| 开源竞品A（参照） | 约0.3 | 约0.9 | 自部署加边际成本 |

降价幅度之大，让“用不用得起大模型”在很多场景里变成了“用哪个更便宜”。当输入token价格降到0.2美元每百万，意味着处理一份10万token的长文档成本只有约0.02美元，批量化处理百万级文档的门槛被彻底拉低。

价格战的产业逻辑

价格战表面是抢用户，底层是算力效率与模型架构的红利兑现。降价能够持续的前提，是单位推理成本同步下降——这依赖于更高效的注意力变体、更激进的量化与推测解码、以及专用推理芯片的规模部署。当成本曲线下穿价格曲线，厂商才有空间打价格战而不出血。

把时间拉长看，大模型token价格在过去三年下降了两个数量级。2023年主流模型输入价格还在每百万token数十美元量级，到2026年主流已跌破1美元。这种下降速度超过了同期算力硬件的降价节奏，说明红利更多来自算法与系统优化，而非单纯硬件普及。对应用开发者而言，这带来一个反向启示：把产品架构绑定在某一档价格上是危险的，更稳妥的做法是假设token成本持续下行，把省下的预算前置投到数据质量与评测体系上。

降价对开源模型厂商和小型API创业公司构成直接压力。自部署开源模型的吸引力，取决于人力运维成本与官方托管价差的对比；当官方托管价压到极低，自部署的边际节省被压缩，中小厂商要么在垂直场景做深，要么在数据与工程上构筑差异化，单纯比拼通用模型价格已无空间。

一个典型检索增强生成（RAG）客服系统的月度成本，可以按新定价这样估算：

python

# GPT-5.6 Luna 定价下的 RAG 客服成本估算
INPUT_PRICE = 0.2 / 1_000_000   # 美元/输入token
OUTPUT_PRICE = 1.2 / 1_000_000  # 美元/输出token

daily_sessions = 50_000          # 日均会话数
input_tokens_per_session = 6_000  # 含检索上下文
output_tokens_per_session = 800

daily_input = daily_sessions * input_tokens_per_session
daily_output = daily_sessions * output_tokens_per_session

monthly_cost = 30 * (
    daily_input * INPUT_PRICE + daily_output * OUTPUT_PRICE
)
print(f"月度推理成本约 ${monthly_cost:,.2f}")
# 月度推理成本约 $3,360.00

同样的负载放到降价前的基线模型上，月成本会接近1.7万美元。八成的价差，足以让一个原本因成本被搁置的AI客服项目立刻立项。这就是价格战对应用层的真实拉动。

Astra用2000美元解开十年数学难题

如果说降价是向下的扩张，Astra的数学突破则是向上的攀登。这套实验性系统在约2000美元的算力预算内，解开了10道人类专家十年未解的数学难题，其中对埃尔德什单位距离猜想给出了48%成功率的证明尝试，并自主找到了雅可比猜想的一个反例。全部Lean形式化证明已经开源，任何人都可复算与审查。

埃尔德什单位距离猜想与雅可比猜想

埃尔德什单位距离猜想关心的是一个看似简单的问题：平面上n个点之间，最多能有多少对点的距离恰好为1。Astra对这一问题给出了部分进展，并在48%的参数区间完成了证明尝试——这意味着它不是一次性猜中答案，而是在可验证的形式化框架里逐步推进，留下可被数学家继续接力的成果。

48%的成功率需要正确理解。它衡量的是Astra在形式化框架内、对特定参数区间构造出可核验证明的尝试覆盖率，而非对整道题的蒙对概率——剩下的区间要么超出当前搜索能力，要么需要更深的概念创新。这种部分进展对数学研究尤其宝贵：传统人工证明往往要么全对要么搁置，而Astra能把一道大题切成可逐步蚕食的子目标，让人和机器各取所长。

雅可比猜想则是代数几何中长期悬而未决的难题，Astra自主构造出一个反例，相当于在“猜想是否成立”这个问题上提供了一个具体的否定证据。找到反例往往比证明更难，因为它需要在浩瀚的可能性空间里精准定位，这正是大模型结合搜索与形式化验证的强项。

Lean证明与开源的意义

数学证明最怕“看起来对但实际有漏洞”。Lean是一门交互式定理证明语言，任何写在Lean里的证明都必须通过内核检查，逻辑上一丝不苟才算成立。Astra把证明以Lean形式开源，等于把“是否真的证出来了”这件事交给全社区复算，而不是让读者凭直觉相信。

lean

-- 示意：单位距离上界相关命题的形式化声明（简化版）
structure UnitDistanceConfig (n : ℕ) where
  points : Fin n → ℝ × ℝ
  -- 任意两点之间的距离若为1，则计入单位距离对

def unit_distance_pairs {n : ℕ} (c : UnitDistanceConfig n) : ℕ :=
  (Finset.univ.filter (fun p => dist (c.points p.1) (c.points p.2) = 1)).card

-- Astra 给出的可机器核验上界命题
theorem astra_upper_bound (n : ℕ) (h : n ≥ 1) :
    ∃ (U : ℕ), unit_distance_pairs (defaultConfig n) ≤ U ∧ U ≤ n^2 := by
  -- 证明主体由 Astra 生成并经 Lean 内核核验
  sorry

上面只是示意结构。真实开源仓库里，每个定理都没有sorry——任何一个sorry都会让证明无法通过核验。把成果做成Lean而非自然语言论文，是AI数学能力从“会写漂亮话”走向“产出可检验知识”的关键一步。

Astra的意义不止于数学。形式化验证的范式可以迁移到任何需要严格正确性的领域：形式化规格的协议与接口、硬件设计验证、智能合约审计、乃至监管合规的规则核验。当AI能在这些领域产出可机器检验的成果，它就从提供建议的助手，变成对结论负责的协作者。这是AI可靠性叙事里被低估的一块拼图。

实践案例

案例一，某SaaS创业团队的成本结构重构

一家做合同审阅的SaaS创业团队，过去用上一代主力模型做条款抽取与风险标注，单份合同推理成本约0.15美元。Luna降价后，他们把后端切换到GPT-5.6 Luna，并把原来因成本不敢开启的逐句比对历史合同功能默认打开。单份合同成本降到约0.03美元，功能反而更全。团队把省下的预算投到更长的上下文检索和更细的Prompt工程上，产品体验明显提升。这个案例说明，降价释放的不只是利润，更是产品设计的自由度。

案例二，高校数学科研组引入Astra辅助证明

一个组合数学方向的高校科研组，把Astra当作不知疲倦的合作者：研究者提出猜想方向与不变量，Astra在Lean里尝试构造证明，遇到卡点就生成多个候选路径并由研究者筛选。在单位距离相关的一个子问题上，Astra给出三条候选路径，其中一条经人工补全后成为正式成果。研究者强调，Astra并没有替代人，而是把试错成本压到接近零，让人能大胆尝试那些传统方式下试不起的方向。

十亿用户时代，AI产业的三个判断

价格战会从模型层传导到应用层。当推理token便宜到几乎可忽略，竞争焦点会从用得起转向用得准——谁的数据、检索与评测体系更扎实，谁的产品就更有粘性。纯粹套壳的应用会被加速出清。

形式化能力将成为AI可靠性的试金石。Astra的Lean证明之所以重要，不在于它解了几道题，而在于它示范了一条AI产出可检验知识的路径。在代码、法律、金融等容错率低的领域，能否把输出接入形式化核验，将决定AI能走多深。

十亿用户意味着责任重心的转移。当一款AI产品触达全球十分之一人口，幻觉、偏见、滥用的外部性会被放大一个量级。下一阶段的竞争，安全与对齐不再是加分项，而是入场券。

还有一个常被忽视的维度：速度本身成为竞争力。从10亿用户到可能的20亿，留给后来者的追赶窗口正在收窄。当头部厂商同时握有规模数据、低价算力与前沿能力，二三梯队若不能在垂直领域或区域市场找到立足点，差距会以加速度拉大。这不是赢家通吃的宿命，但确实意味着AI产业的竞争，正从百米冲刺转向带配速的马拉松。

把这三条放在一起看：降价让AI无所不在，Astra让AI触及知识前沿，十亿用户让AI成为基础设施。OpenAI这一周做的事，其实是把AI产业从少数人的工具推向所有人的环境——而这，才是2026年8月这组新闻真正的分量。