健康經濟學指標

第 77 個主題，共 91 個· 人工智慧加速

推理單位經濟學

推理單位經濟學以邊際算力為AI功能定價：每令牌成本，逐級彙總為每筆交易成本、每使用者成本、每次臨床事件成本。其決定性的動態特徵在於：在能力保持不變的情況下，大語言模型的價格大約每1–2年下降一個數量級——這是一種在醫療技術成本核算歷史上前所未有的通縮速度。

為何重要

價格的崩塌帶來兩個後果。在商業層面，一項今天看來只是邊際盈利的AI功能，18個月後可能變得輕鬆盈利——而按今天成本定價的競爭對手，則會被後來者壓價擊敗。在經濟學評估層面，任何針對AI賦能臨床服務的成本效果模型，若固定使用2024年的推理價格，都會實質性地高估其持續營運成本——這類分析需要像藥物模型處理專利到期與仿製藥進入那樣，納入價格下降情景。（研究中的參照資料：截至2026年年中，前沿模型的輸出令牌價格約為每百萬令牌15–75美元，中端模型便宜一個數量級；達到GPT-4水平能力的成本，已從2022年的約每百萬令牌20美元降至約0.40美元；Epoch AI測算，根據能力里程碑的不同，年降幅在9倍至900倍之間。）

計算方法

每次呼叫成本  = 輸入令牌數 × 輸入費率 + 輸出令牌數 × 輸出費率
每單位成本    = Σ 每單位業務產出所需的呼叫次數（每次分診事件、
               每份起草信函、每份問診摘要）

綜合實際情況  = 基礎呼叫 + 重試 + RAG上下文（偏重輸入）
             + 評估/護欄呼叫（通常帶來20–50%的額外開銷）

多年期模型的價格下降情景：
  成本_t = 成本_0 × d^t，在敏感性分析中測試 d ∈ {0.3, 0.5, 0.7}/年

實例演算

某AI出院摘要服務：平均每份摘要使用12,000個輸入令牌（病歷上下文）+ 1,200個輸出令牌，外加一次校驗環節（6,000輸入/300輸出）。按輸入每百萬令牌3美元、輸出每百萬令牌15美元計算：

起草：  12,000 × 3/100萬 + 1,200 × 15/100萬  = $0.036 + $0.018 = $0.054
校驗：  6,000 × 3/100萬 +   300 × 15/100萬  = $0.018 + $0.0045 ≈ $0.023
每份摘要成本 ≈ $0.077 → 每年10萬份摘要 ≈ $7,700

相較於每份摘要節省約20分鐘臨床醫師時間（約合£25），推理成本僅佔
所創造價值的0.25%——這項經濟學的主導因素幾乎完全不在令牌本身，
而在於其他一切：整合、評估、治理、推廣採用。

這一結論——在當前價格水平下，對於高價值臨床任務而言，推理成本很少是真正起決定作用的約束——這一發現本身，正值得帶入定價會議之中。

與軟體工程的聯絡

這本質上是雲單位經濟學在AI場景下的專門化版本，帶有三點實踐要點：按業務單位計量，而非按API呼叫次數計量，這樣得出的數位才能直接輸入ICER/預算影響模型；關注輸入/輸出之間的不對稱性（輸出價格通常約為輸入價格的4倍；RAG架構偏重輸入——架構選擇本身就是定價選擇）；以及按任務層級路由——將模型能力與任務難度相匹配（分類任務用廉價模型，綜合生成任務用前沿模型），通常能在保持同等品質的前提下，將綜合成本削減5–10倍，這正是"使用最便宜的有效介入措施"這一原則的軟體版本（參見成本最小化，前提是已證明等效性）。

陷阱

  • 固定價格的多年期模型——會高估成本；但同樣要警惕假設通縮會自動發生的收入模型——價格戰並非合同承諾；兩種情形都應做情景分析。
  • 忽視評估環節的開銷：護欄機制、評判模型與重試都是真實消耗的令牌，在受監管場景下往往佔據大部分成本。
  • 只盯著單價的短視：延遲、速率限制與上下文視窗約束都帶有令牌價格本身無法體現的成本。

來源