Jevons Paradox

可以先理解为:效率提升后总消耗反增的机制

不是东西便宜了,大家就少用了。很多时候正相反:越便宜,越舍得用,总量反而上去。

关键结构图

当前相关远处弱强

中心节点写「Jevons Paradox」,周围连接 tokenmaxxing、Compute capacity、AI 工厂,用细线表示相邻路径和调用方向。

Jevons Paradox 是效率提高、单位成本下降后,资源总消耗反而上升的现象。在 AI 语境里,模型调用变便宜可能不会减少 token 消耗,反而让人把 AI 用到更多任务里。

当你需要理解模型之外还有哪些基础设施支撑 AI 能力时,可以用「Jevons Paradox」命名这块砖,再连接相邻概念继续判断。

Jevons Paradox 是理解 AI 成本的桥接砖。模型越便宜,人类越可能把它嵌入更多流程;因此总算力、总 token、总推理需求可能继续扩大。

在拆解一个 AI 系统为什么能稳定运行时,你可以用「Jevons Paradox」标记其中最需要被看见的结构,再检查它提供了什么证据、边界或行动方向。

在整理「AI 基础设施」主题时,把「Jevons Paradox」和「tokenmaxxing」放在同一路径里,可以帮助读者从单点概念走向可复用的判断框架。

类型:系统结构 / 概念整理

事实线:这张卡把「Jevons Paradox」整理为概念提炼: Jevons Paradox 是效率提高、单位成本下降后,资源总消耗反而上升的现象。

依据:1000 Bricks 本地砖块库的概念定义、相邻砖块关系和AI 基础设施、系统架构和工具链讨论。

边界:适用于「AI 基础设施、算力、存储、运行时和工具系统」主题下的理解、复盘和设计判断;不等于行业统一标准或对所有场景都成立的结论。

常见误读:不要把它当作某篇材料的原文摘要,也不要因为概念名清晰就忽略具体情境和验证证据。