智庫論見丨Token經(jīng)濟學芻議

圖片來源/新華社

核心觀點

今天Token的消費量正處于高速增長階段，中國日均Token調(diào)用量從兩年前的約1000億飆升至最近的140萬億，增長了約1400倍。我們看到，需求是真實的、旺盛的、加速增長的，只是還沒有被充分貨幣化。Token經(jīng)濟的未來規(guī)模，不取決于人類能用多少Token，而取決于機器能用多少。

■白惠天 袁曉輝

一個困擾市場的問題是：如果AI真的那么有用，為什么好像賺錢的只有賣GPU的，做大模型和做應用的很少見到賺大錢的？

英偉達毛利率超過70%，數(shù)據(jù)中心年收入逼近兩千億美元。但AI產(chǎn)業(yè)鏈中下游，全球主要模型廠商幾乎無一盈利，中國大模型市場經(jīng)歷了百模大戰(zhàn)式的激烈競爭后，推理服務價格已被壓向成本線。整條產(chǎn)業(yè)鏈呈現(xiàn)出一個清晰的結(jié)構(gòu)：上游的利潤已經(jīng)長出來了，下游的閉環(huán)還沒有閉上。

一種流行解讀是這是AI泡沫。但經(jīng)濟學視角的分析提供了另一種可能——閉環(huán)沒閉上，不是因為AI沒有創(chuàng)造價值，而是因為已經(jīng)創(chuàng)造的價值沒有被充分貨幣化。要理解這一點，我們需要回到AI經(jīng)濟的基本計量單位——Token。

Token是大語言模型處理和生成信息的基本單位。你向AI提一個問題，會花一些Token；AI給你一個回答，也會花一些Token。英偉達CEO黃仁勛將AI產(chǎn)業(yè)拆解為能源、芯片、基礎設施、模型、應用五層，并將Token定義為貫穿五層的語言和貨幣。有了Token，AI經(jīng)濟就有了可以計量、定價和算賬的單位——就像千瓦時讓電力有了價格，桶讓石油有了期貨市場。圍繞這個單位正在形成的一套經(jīng)濟運行邏輯，我們稱之為Token經(jīng)濟學。

以下我們將從價值、生產(chǎn)、需求三個維度，嘗試為這個正在成型的新經(jīng)濟體系勾勒輪廓。

AI創(chuàng)造了多少價值？

Token經(jīng)濟的第一個反直覺現(xiàn)象是：Token越便宜，總花費越多。

過去兩年多，Token生產(chǎn)成本下降了超過99%。但全球企業(yè)AI支出不降反升，翻了三倍多。經(jīng)濟學家對此不會陌生——1865年英國經(jīng)濟學家杰文斯發(fā)現(xiàn)，蒸汽機效率的提升不但沒有減少煤炭消費，反而讓更多使用場景變得經(jīng)濟可行，總消耗量大幅上升。Token正在三年之內(nèi)重演煤炭使用持續(xù)了一個世紀的故事。

但Token與煤炭有一個根本區(qū)別。煤炭的價值由物理屬性決定，一噸煤就是一噸煤。Token的價值則完全取決于被用來做什么。耶魯大學Cowles基金會的Bergemann等人在對大模型定價機制的理論研究中指出，Token是“可合同化的計量單位”：數(shù)量可精確計量，但價值因任務而異。同一個Token，用來閑聊值幾厘錢，用來寫代碼值幾百美元（折合人民幣數(shù)千元），用來做法律分析可以值上千美元——差出好幾個數(shù)量級。

我們把這種屬性稱為可編程性：同一種要素，僅因接收的指令不同，就能產(chǎn)出價值相差萬倍的智力成果。鋼鐵做不到，石油做不到，電力的價值也因用途而異，但必須借助不同的物理設備——沒有任何一種傳統(tǒng)生產(chǎn)要素能僅憑指令不同就讓自身價值跨越多個數(shù)量級。所謂平均Token價格，就像用平均房價來描述一個既有茅草屋又有摩天樓的城市——數(shù)字正確，但毫無意義。

可編程性直接解釋了為什么AI的賬面收入遠低于其創(chuàng)造的價值。斯坦福大學數(shù)字經(jīng)濟學家Brynjolfsson等人（2025）基于大規(guī)模意愿支付實驗估算，僅2024年生成式AI就為美國消費者創(chuàng)造了約970億美元的消費者剩余；斯坦福大學2026年AI指數(shù)報告沿用同一方法框架更新了估算結(jié)果，達到約1720億美元。無論取哪個數(shù)字，結(jié)論是一致的：用戶獲得的價值遠超實際支付的費用，且這一差距仍在快速擴大。當一個月20美元的訂閱費同時覆蓋了閑聊用戶和用AI做百萬級商業(yè)決策的專業(yè)用戶時，后者獲得的消費者剩余顯然會高很多。問題的本質(zhì)在于：當前AI服務是按算力成本定價的，不是按它為用戶創(chuàng)造的價值定價的。定價的維度，并不是價值評估的維度。

更值得注意的是，Token消費的結(jié)構(gòu)與多數(shù)人的預期不同。當前增長最快的不是企業(yè)生產(chǎn)力工具，而是角色扮演、對話娛樂等消費性應用。這意味著Token經(jīng)濟的增長引擎并非“AI替代人力”——這個敘事雖然最吸引眼球，但從數(shù)據(jù)來看，尚未成為主流。真正驅(qū)動增長的，是一種此前不存在的消費形態(tài)——我們姑且稱之為AI原生消費。這些需求不是替代，而是純粹的增量。

所以，不是AI沒有創(chuàng)造價值，而是價值以消費者剩余的形式留在了用戶手中，還沒有變成收入。

Token工廠的成本結(jié)構(gòu)

聊天框里冒出一句回答，只要幾秒。但背后被拉動的，是一整套體系：持續(xù)運轉(zhuǎn)的數(shù)據(jù)中心、排隊等著上架的GPU、被鎖定的電力與冷卻系統(tǒng)，以及還在不斷抬高的資本開支。聊天框是最輕的一層，背后壓著的是最重的那幾層。

黃仁勛的五層蛋糕每一層解決的問題都不同，但每一層都需要真金白銀。能源解決電力供應的問題，芯片解決算力的問題，基礎設施解決跑得快不快的問題，模型解決是否能調(diào)得出來的問題，應用解決賣不賣得出去的問題。全球頭部科技公司的年資本開支已從百億美元量級躍升至近千億美元量級，絕大部分投向AI數(shù)據(jù)中心和配套電力。AI看上去像軟件，但骨子里越來越像重工業(yè)。用戶買到的不是憑空冒出來的智能，而是五層蛋糕最上面那層被產(chǎn)品化之后的切片。

好消息是，Token的生產(chǎn)成本還在以驚人速度下降。哥倫比亞大學研究者Gogerty對150項技術(shù)學習率的系統(tǒng)研究顯示，GPU算力成本的學習率高達89%——即產(chǎn)量每翻一番，單位成本下降89%——是有記錄以來所有技術(shù)中的最高值。多項研究顯示，大模型推理成本近年來每年下降約一個數(shù)量級，盡管這一趨勢在不同任務和模型之間差異顯著，但整體仍呈現(xiàn)出一條陡峭下行的成本曲線。

但這恰恰解釋了利潤為什么集中在上游：成本越快下降，越需要前置的重資產(chǎn)投入來推動下一輪降價。誰控制了最稀缺的供給，誰就先拿到利潤。英偉達的護城河不只在GPU性能，更在于CUDA生態(tài)構(gòu)成的轉(zhuǎn)換成本——整個行業(yè)圍繞著這套接口搭建系統(tǒng)。訓練層是寡頭市場，門檻以十億美元計；推理層趨向競爭，開源模型已經(jīng)把價格壓低了九成以上。

中國在這場競爭中的位置值得關(guān)注。中國模型憑借算法效率、開源策略和極致定價，在全球Token市場迅速崛起，于是有了中國AI模型出海的說法。AI出海，是指中國模型的推理計算部署在海外云節(jié)點，本質(zhì)上是中國的AI算法在出海，而不是中國的電力在出海。競爭越激烈，Token越便宜，最終受益的是全球所有開發(fā)者和用戶。

回到開篇的問題：上游賺錢、下游虧損，是泡沫嗎？這與2000年前后伴隨互聯(lián)網(wǎng)經(jīng)濟狂飆突進的光纖泡沫有本質(zhì)區(qū)別。光纖泡沫的問題在于需求沒有跟上——資本提前大規(guī)模鋪設了光纖，但實際使用量長期不足。而今天Token的消費量正處于高速增長階段，中國日均Token調(diào)用量從兩年前的約1000億飆升至最近的140萬億，增長了約1400倍。我們看到，需求是真實的、旺盛的、加速增長的，只是還沒有被充分貨幣化。

Token的最大買家：從人到智能體

如果說前兩節(jié)描述的是Token經(jīng)濟的現(xiàn)狀，那么接下來正在發(fā)生的變化，可能才是真正改變量級的力量。

過去兩年，Token需求的消費主要來自人類用戶。但人類消費有一個天花板——認知帶寬。Zheng和Meister在2025年發(fā)表于《Neuron》的研究中測算，人類有意識地處理信息的速度大約只有每秒10比特——盡管我們的感官系統(tǒng)每秒接收的數(shù)據(jù)高達十億比特。這是生理上限，不會因為AI變強而改變。一個人一天能讀多少字、能處理多少信息，終歸有上限。

但智能體（Agent）正在打破這個天花板。智能體不是聊天機器人——它是能自主執(zhí)行多步驟任務的AI程序。你給它一個目標，它自己去搜索、比較、計算、決策。一個編程智能體執(zhí)行一個復雜任務，可以消耗數(shù)百萬Token，而且24小時不間斷運行。一家企業(yè)部署上千個智能體，年Token消耗量可能超過一個中等國家全部人類用戶消耗Token的總和。

更深層次的變化在于市場結(jié)構(gòu)本身。智能體不只消耗Token，還能自主采購——執(zhí)行任務中自行決定調(diào)用哪個模型、消耗多少資源。當一個智能體在為用戶做機票比價時，它可能在幾秒內(nèi)調(diào)用三個不同的模型、消耗數(shù)萬Token，全程不需要用戶干預。Token市場正在出現(xiàn)一種全新的買方：非人類買家。它們?nèi)旌蜻\行，對延遲敏感但對價格不敏感，可以在毫秒間切換供應商。

從經(jīng)濟史看，這并不新鮮。每一代通用技術(shù)都經(jīng)歷過需求主體的轉(zhuǎn)換——電力從照明進入工業(yè)動力時，需求量級躍升了數(shù)十倍；互聯(lián)網(wǎng)從人類瀏覽進入機器間通信時，數(shù)據(jù)流量實現(xiàn)了指數(shù)級增長。Token經(jīng)濟正站在類似的拐點上。

這也回應了經(jīng)濟學界長期討論的索洛悖論——AI投資井噴，但生產(chǎn)率提升有限。斯坦福大學經(jīng)濟學教授Jones在其2026年的研究中指出，AI的生產(chǎn)率提升受制于系統(tǒng)中的最薄弱環(huán)節(jié)：組織適配、制度變革、人類認知。如果瓶頸在于人類組織無法以AI的速度運轉(zhuǎn)，那么讓AI將自己組織自己——智能體網(wǎng)絡——可能正是釋放生產(chǎn)率潛力的路徑。

Token經(jīng)濟的未來規(guī)模，不取決于人類能用多少Token，而取決于機器能用多少。

結(jié) 語

三節(jié)論述沿著一條追問展開：Token創(chuàng)造了多少價值？這些價值是怎么被生產(chǎn)出來的、利潤卡在哪里？需求接下來由誰來驅(qū)動？

這些答案嘗試勾勒出Token經(jīng)濟學的基本輪廓。杰文斯悖論與可編程性解釋了為什么價格暴跌而支出暴漲；消費者剩余解釋了為什么賬面收入遠低于真實價值創(chuàng)造；五層蛋糕與算力瓶頸解釋了為什么AI像軟件卻賺著重工業(yè)的利潤；智能體的崛起則解釋了為什么當前的增長可能只是起點。

煤炭的推廣用了一個世紀走完杰文斯循環(huán)，電力用了四十年實現(xiàn)從照明到工業(yè)動力的躍遷，互聯(lián)網(wǎng)用了二十年完成從人到機器的流量轉(zhuǎn)換。Token經(jīng)濟正在將這些歷史進程壓縮到數(shù)年之內(nèi)。

我們今天能觀察到的，不過是這場變革的開頭幾頁。最后一個問題留給每位讀者：你現(xiàn)在的工作中，有多少環(huán)節(jié)可以被拆解為“輸入信息、處理、輸出結(jié)果”？凡是符合這個模式的，都有更大的可能會被Token化。留給人類的，是判斷、創(chuàng)意、關(guān)系和不確定性——而這些恰恰是Token做不好的事。

（作者單位：騰訊研究院）

總 監(jiān) 制丨王列軍車海剛

監(jiān) 制丨陳 波 王 彧 楊玉洋

主 編丨毛晶慧 編 輯丨蔣 帥