Deepractice 智能体云的生产函数
从 MaaS 到 AaaS
投入多少钱到 AI，能产出多少价值？
这个问题，几乎每个决策者都在问。
2025 年 2 月，耶鲁大学 Cowles Foundation 发布了一篇论文：The Economics of Large Language Models（Bergemann, Bonatti, Smolin）。论文提出了一个生产函数，用来衡量 Token 和微调的价值。
但这个框架有个问题：它是为 MaaS（Model as a Service） 设计的——关注的是模型层的价值。
而 2025 年的市场现实是：价值创造正在从模型层转移到智能体层。
我们需要一个新的框架，来衡量 AaaS（Agent as a Service） 的价值。
这就是 Deepractice Cloud Production Function。
公式
价值 = x^α × y^β × (b+z)^γ × (1+a)^δ
四个变量：
| 变量 | 含义 |
|---|---|
| x | 输入 Token（给 AI 的内容） |
| y | 输出 Token（AI 生成的内容） |
| b+z | 模型质量（基础模型 + 微调） |
| 1+a | 智能体投入 |
四个指数（α, β, γ, δ）代表每项投入的弹性——弹性越大，投入越值钱。
这个公式怎么来的？有什么用？往下看。
两个核心原理
原理一：边际递减
问：给 AI 更多 Token，效果会更好吗？
会。但不是线性的。
100 Token → 200 Token，提升明显。 1000 Token → 2000 Token，提升就不那么明显了。
这叫边际收益递减。每多投入一点，增加的效果越来越少。
数学上怎么表达？指数 < 1。
价值 = Token^0.5
Token 翻 4 倍，价值才翻 2 倍。
不只是 Token。模型也一样：
- GPT-3.5 → GPT-4，提升大
- GPT-4 → GPT-5，提升没那么大了
智能体也一样：
- 无 Agent → 简单 Agent，提升大
- 简单 Agent → 复杂 Agent，提升变小
所有投入都有边际递减。
原理二：相乘不相加
问：Token、模型、智能体，这三个因素能各算各的吗？
不能。它们是相乘关系，不是相加。
- 模型差 → 其他再好也没用
- Token 没有 → 模型再好也没用
- Agent 没有 → 效率上不去
任何一个 = 0，整体价值 = 0。
这解释了为什么有些公司买了最贵的模型，效果却不好——他们的智能体层是 0。
逐项解读
Token 项：x^α × y^β
为什么要把输入和输出分开？
因为它们成本不同。
| 类型 | 成本 |
|---|---|
| 输入 Token | 便宜 |
| 输出 Token | 贵 3-5 倍 |
输入，AI 只需要"读懂"。 输出，AI 需要"生成"，计算量大得多。
不同场景，输入输出比例差异巨大：
| 场景 | 输入 | 输出 |
|---|---|---|
| 长文档摘要 | 大 | 小 |
| 创意写作 | 小 | 大 |
| 对话问答 | 中 | 中 |
这意味着：不同业务场景，Token 成本结构完全不同。
模型项：(b+z)^γ
b 是基础模型质量，z 是微调投入。
关键洞察：γ 在 2025 年已经很小了。
什么意思？
根据 IBM 和多家咨询机构的研究，当前市场有几个现实：
- 通用模型能力已经很强
- 微调需要大量计算资源和专业团队
- 行业方向是 Prompt Engineering + RAG，不是 Fine-tuning
当 γ 很小时，z 的贡献微乎其微，b 占主导。
翻译成人话：选个好模型就行，别折腾微调了。
这就是为什么大家都在玩提示词工程，不玩微调。
智能体项：(1+a)^δ —— 这是重点
这一项是我们扩展的。
耶鲁论文关注的是"微调"层。但 2025 年的市场现实是：价值创造已经转移到智能体层。
为什么是 (1+a) 而不是 a？
- a = 0（无智能体）→ (1+0)^δ = 1 → 基础价值不变
- a > 0（有智能体）→ (1+a)^δ > 1 → 价值被放大
智能体不是加法，是乘法。它放大前面所有投入的价值。
根据麦肯锡 2025 年报告，85% 的组织已经在至少一个工作流中集成了 AI Agent。MarketsandMarkets 预测 AI Agent 市场将从 2025 年的 78 亿美元增长到 2030 年的 526 亿美元。
这个增速，远超模型层和 Token 层。
δ 正在变大。这是当前 AI 价值的核心战场。
智能体投入 a，本身就是一个复杂的系统。
提示词工程、工具调用（Tool Use）、RAG、MCP、人力服务、服务器资源、沙箱环境... 这些要素如何组合？各自的边际收益如何？怎样的投入比例最优？
这是 AaaS 行业的深层逻辑。我们会在后续文章中展开。
公式的战略意义
弹性参数 = 市场价值分布
| 参数 | 如果很大 | 如果很小 |
|---|---|---|
| α（输入 Token） | 输入很重要 | 输入不关键 |
| β（输出 Token） | 输出很重要 | 输出不关键 |
| γ（微调） | 微调很值钱 | 微调没意义 |
| δ（智能体） | 智能体很值钱 | 智能体没意义 |
2025 年的市场状态
- α, β：中等。Token 有价值，但价格持续下降。
- γ：很小。微调几乎没意义，通用模型已足够强。
- δ：很大。智能体是价值核心。
这意味着什么？
如果你是投资人：
- 别再投微调公司了
- 关注智能体层的价值创造
如果你是企业决策者：
- Token 成本会继续降，不用太纠结
- 选好模型，然后把精力放在智能体层
如果你是创业者：
- 模型层已经是巨头的游戏
- 智能体层才有机会
总结
价值 = x^α × y^β × (b+z)^γ × (1+a)^δ
─── ─── ─────── ───────
输入 输出 模型 智能体
三个原则：
- 每一项都有边际递减（指数 < 1）
- 相乘关系，缺一不可
- 弹性大小反映市场价值分布
2025 年的市场现实：
- Token 在降价（α, β 中等）
- 微调没意义（γ 很小）
- 智能体是价值核心（δ 很大）
Deepractice Cloud 的本质：卖的是 (1+a)^δ —— AaaS 的价值。
理论来源
本公式基于耶鲁大学 Cowles Foundation 2025 年论文 The Economics of Large Language Models（Bergemann, Bonatti, Smolin）扩展而来。原论文提出了 Token 和微调的生产函数框架，我们在此基础上增加了智能体层。
参考文献：
- Bergemann, Bonatti, Smolin (2025). The Economics of Large Language Models: Token Allocation, Fine-Tuning, and Optimal Pricing. arXiv: https://arxiv.org/abs/2502.07736
- McKinsey (2025). The state of AI in 2025: Agents, innovation, and transformation
- MarketsandMarkets. AI Agents Market worth $52.62 billion by 2030