一句话看懂：UC Berkeley 的 BAIR 团队发文指出，AI 推理成本正以每年中位数 50 倍的速度下降，GPT-4 级模型推理成本从 2023 年初的每百万 token 约 30 美元降至现在不足 1 美元，近乎免费的智能即将到来。这将颠覆数据系统的设计逻辑，催生出为智能体（Agent）服务、由智能体运行、并让智能体自行生成的下一代数据基础设施。
事件核心：发生了什么
BAIR 发布了由 EECS 副教授 Aditya G. Parameswaran 领衔的博客文章。文章核心论据是：AI 推理价格在过去一年下跌了 9 倍到 900 倍，前沿模型和开源模型均在快速降价。作者认为，虽然“诺贝尔奖级别的智能”尚未出现，但足以胜任绝大多数知识工作的智能已经存在，且价格仍在暴跌。由此引出的问题是：当智能几乎免费时，数据系统应该如何重构？文章提出了三个并列的挑战——Data Systems For Agents（为智能体设计的数据系统）、Data Systems Of Agents（由智能体构成的数据系统）、Data Systems By Agents（由智能体自动生成的数据系统）。
为什么重要
这篇文章不仅有学术背景（BAIR 团队），而且提出了一个极具前瞻性的命题。过去数据系统主要为人或传统应用服务；一旦 Agent 成为主流负载，系统需要处理极端的“智能体推测”（agentic speculation）——每个用户请求可能导致数千条 SQL 查询，80%-90%的子查询存在重复计算。作者认为，传统多查询优化、共享扫描、近似查询处理（AQP）等老技术将在 Agent 场景下重新焕发价值。此外，当 Agent 能够自主生成完整的数据系统时，可信验证将成为瓶颈。这直接挑战了数据库、数据仓库、数据湖等基础设施的设计哲学。
对用户/开发者/创作者的影响
对开发者：如果你正在构建基于 Agent 的 BI 工具或数据分析产品，需要重新考虑数据系统架构。传统数据库不支持多 Agent 并发、批量化查询和近似结果流；未来可能需要引入对多查询优化的原生或中间层支持。
对普通用户：AI 驱动的数据分析将更加普及且便宜。用户可以不用写 SQL，直接下达类似“分析今年咖啡销量为何下降”的高阶任务，后台的 Agent 群组会自动组合查询并返回答案。成本降低意味着更多中小企业也能使用 LLM 驱动的分析服务。
对数据平台和云服务商：Fine-tuning 和推理成本下降，代理式工作负载（Agent swarm）将成为新的算力消费大户。如果有平台能率先提供原生的“For, Of, By Agents”数据服务，可能抢占下一个增长点。
值得关注的后续
1. 具体落地案例：该团队提到的 DBT 风格 Jinja 宏等具体方案是否会在开源项目或商业数据库中出现。
2. 成本下降速度：推理价格是否继续按年 50 倍中位数下降，将对 Agent 部署的 ROI 产生直接影响。
3. Agent 生成系统的可信挑战：目前公开信息显示，如何验证由 Agent 自动合成的数据系统的正确性和安全性尚未有成熟方案，这可能是下一个研究与工程热点。
