Token經濟學讓經濟理論失效了嗎

領導也不懂，但是要追風

去年初 DeepSeek 爆火，領導一拍腦袋下令：「咱們內部也必須全面擁抱 AI」。緊接著，公司 OA 系統首頁就突兀地多了一個鯨魚的圖標。點進去確實能聊天，但只要問點帶業務門檻的專業問題，它給出的回答就顯得極其弱智。甚至因為安全考慮，沒法聯網，所以會把幾年前的一些新聞找出來給你。

新鮮感一過，這東西徹底淪為擺設。

作為打工人，這個又會作為領導又一次的形式主義鬧劇。

但如果站在現在這個時點來看，當時這種形式主義，反而可能是最低成本的做法。

因為一旦真的被高頻使用，不斷取追求新的模型，公司的支出可能要變得更加可怕，按照彼時的Token計費標準，一個百人團隊的高頻AI協作，月均成本輕松突破數十萬元。

2026年3月，中國市場日均Token調用量已達140萬億。而且走出了相反的趨勢，Token單價跌了280倍，但企業的AI總支出反而翻了3倍。

對的，當所有人都以為 AI 會像云計算那樣帶來成本優化時，現實給出了截然相反的答案。單次調用成本在下降，但調用量暴漲到足以對沖掉所有降價紅利。連OpenAI、Anthropic這樣的頂級玩家，也在為成本焦慮，OpenAI收入翻倍，毛利率卻從40%跌至33%。

Token，中文名詞元，成為了新的經濟學的研究對象。

我們在互聯網平臺經濟時期我們建立起來的一些觀念，例如規模越大，成本越低；邊際成本趨近于零，利潤空間無限擴展；技術進步必然帶來價格下降與社會福利增加。

這些規律在過去幾十年的互聯網浪潮中被反復驗證，塑造了一代投資人與創業者的底層認知。但如果我們試圖把它放進我們熟知的一些理論中去，會發現一些矛盾沖突的地方，這可能也是Token經濟學需要我們重新去理解的角度。

幾個與互聯網平臺發展規律相悖的現象

規模效應失效和邊際成本上升

我們看一下OpenAI的財務數據，規模越龐大，盈利越艱難。

年份

營收

推理成本

毛利率

2024

~50億美元

~20億美元

40%

2025

~100億美元

~84億美元

33%

這與傳統的對于行業成長期描述的「規模經濟」有偏離。按照傳統邏輯，企業規模擴張后，應當獲得更低的采購成本、更高的運營效率、更強的定價權。但AI公司的賬本上的等式似乎是：

用戶增長=Token消耗增長=算力成本增長=毛利率下降

Anthropic的數據同樣佐證了這一悖論。2026年4月，Anthropic的ARR（年度經常性收入）飆升至300億美元，首次超越OpenAI，成為行業新王。但亮眼數字的另一面是：毛利率僅為40%，同樣低于45%的目標線。

頭部兩家尚且如此，腰部與尾部的AI公司處境可想而知。

問題的根源在于，AI服務不是「零邊際成本」的軟件產品，而是每次調用都消耗真實算力的「數字服務」。當用戶規模擴張時，GPU的電力消耗、服務器折舊、帶寬費用都在同步線性增長。

技術進步帶來的成本上升

這個年代搞IT的人，都會有一個預設：算力成本只會越來越便宜。經歷也確實如此，2024年4月，阿里云宣布史上最低20%的降幅，部分產品最高55%。這在云計算產品的長久時代來說，是幾乎已經成為刻板印象。

但對應地，2026年3月，阿里云、騰訊云云等廠商紛紛上調AI算力價格，漲幅最高達 34%。

這個背離在互聯網經濟顯得說不通，但我們再往前看1865年，經濟學家威廉·杰文斯發現：蒸汽機效率提升導致煤炭總消耗量反而增加。他的邏輯是，效率提升降低了單位成本，從而刺激了更廣泛的應用，總消耗量不降反升。

用戶增長帶來的成本上升

用戶增長反而收緊服務。2026年，隨著Claude用戶數量爆發式增長，Anthropic非但沒有開放更多算力，反而開始收緊使用限制。原本的「200美元包月無限用」被廢除，取而代之的是「基礎費+按量付費」的混合模式。甚至開始強迫KYC，讓用戶手持護照認證，以此排除掉很多過量使用地用戶。

這與SaaS時代的軟件地邏輯是反地。在SaaS場景下，用戶增長是好事。邊際成本為0意味著更多的付費席位會帶來更多的經常性收入。但在AI時代，用戶會區分為重度、中度、輕度用戶。重度用戶消耗的Token量是普通用戶的數百倍，但支付的溢價可能遠不足以覆蓋成本。

于是我們看到了一個矛盾，用戶越喜歡這個產品，公司越要想辦法限制它被使用。

所以我們就可以看到對于互聯網經濟時代的常識，在AI場景下的矛盾。

這些理論的失效，問題出在哪里？

答案是，AI更像是新時代的電力基礎設施，因此我們要用更古典的思路來理解它。

AI的本質是「數字電力」

傳統軟件建立在「代碼是靜態的，復制是免費的」假設上。當微軟開發出Windows系統后，向第二個用戶、第一百萬用戶、第一億用戶提供服務，邊際成本幾乎為零。這就是為什么軟件時代能夠誕生那么多「贏家通吃」的巨頭。一旦建立產品與用戶規模的優勢，邊際成本趨近于零，甚至會形成用戶的壁壘。

SaaS時代延續了這一邏輯。Salesforce、Workday、ServiceNow都是如此，高毛利率（80%-90%）、經常性收入、高客戶留存率。這都是因為，同一套代碼運行在云端，向所有客戶提供服務，邊際成本幾乎為零。

但大模型不是這樣工作的。

每當你向ChatGPT提出一個問題、讓Claude生成一段代碼、讓Midjourney畫一幅圖，都有一塊GPU在燃燒真實的電力來完成計算。

換個說法就是，相比于云計算、軟件服務的「從服務器上取文件」，AI是「工廠開動機器生產產品」。

這就像比較自來水廠與出版社的商業模式。自來水廠每向一戶供水都需要抽水、過濾、輸送，成本隨用戶量線性增長。出版社則不同，一本書定稿后，印刷一百萬份與印刷一份的成本差異可以忽略不計。

隨著AI的推進，一個新的術語開始在產業界流行：推理經濟學（Inference Economics）。有興趣的可以去讀一下NVIDIA的這篇文章。（https://blogs.nvidia.cn/blog/ai-inference-economics/）

為什么是「推理」而不是「訓練」？因為在AI的全生命周期中，推理成本才是決定商業模型能否成立的關鍵變量。

訓練成本和推理成本是大模型不同階段發生的費用。

訓練成本的增長是在加速的。

• GPT-3（2020年）的訓練成本約460萬-1200萬美元

• GPT-4（2023年）的訓練成本已攀升至超過1億美元

• 到了2026年，頭部模型的單次訓練投入已突破10億美元門檻

另一方面，推理成本仍在按摩爾定律的節奏下降。NVIDIA Blackwell平臺比上一代Hopper的推理效率提升10倍，Vera Rubin平臺承諾再降10倍。

但是，推理成本下降的速度，遠跟不上Token消耗量增長的速度。Reasoning模型（GPT的o1、o3、DeepSeek-R1等）是2025-2026年最火熱的AI產品形態。但這類模型的Token消耗量是普通對話的50-600倍。

大模型的每次推理，都是一次制造行為。

Token是什么

Token的中文叫做「詞元」，從字面意義來看，好像就是將文本切分后的最小單位。輸入你好，可能被切成2個Token。給AI一篇文章，可能是幾百甚至幾千個Token。

但我們穿透表面，Token的真正含義其實是被量化的算力、被量化的電力、被量化的GPU折舊。

理解AI是電力，對于產業分析與投資決策具有深遠影響：

• AI公司的估值邏輯不應當參考軟件公司。傳統SaaS用「ARR×倍數」來估值，但AI公司需要考慮算力成本的剛性與Token消耗的不確定性。如果公司的收入增長來自重度用戶的算力消耗而非付費意愿的提升，增長可能是陷阱。

• 商業模式需要重新設計。「包月無限用」的訂閱模式在AI領域是商業自殺。按Token消耗的「用多少付多少」才是符合成本結構的定價方式，但這個和原本的包月模式產生的差異，會讓個人用戶接受度降低。

• AI產業的上游，芯片、算力、能源這些產業才是真正的利潤中心。

NVDIA一直在用「五層蛋糕理論」來拆分整個AI產業，那這個里面分別包含怎樣的極潤分配和行業定位呢。

AI行業的五層蛋糕

黃仁勛去年在某次采訪中，把AI產業描述成一塊五層蛋糕，今年3月，NV的網站上也是刊登出來這篇文章。

https://blogs.nvidia.cn/blog/ai-5-layer-cake/

每一層都對應著不同的價值創造環節、不同的成本結構、以及截然不同的利潤分配格局。

L1 能源：沉默的定價者

每一行代碼的執行，都是電子的流動。GPU運轉需要電力，冷卻系統需要電力，網絡傳輸需要電力，數據中心的每一個角落都離不開能源。

當我們focus在NVIDIA的GPU定價權、OpenAI的收入增長時，一個更底層的需求是電力，作為整個AI產業最上游的「原材料」，而它的價格正在被重估。

2026年，全球AI數據中心的電力消耗已占全球用電量的3%以上。這個數字在2024年還不到1%。美國弗吉尼亞州（全球最大的數據中心集群之一）的電網已經出現局部緊張，多個州開始討論為AI數據中心建設專用電網。

能源層正在從成本項轉變為戰略資源。微軟、Google、AWS都在大規模投資核電和可再生能源項目，不只是為了ESG形象，而是為了鎖定未來的電力供應。當能源成為稀缺資源時，能源的擁有者將擁有新的定價權。

L2 芯片：NVIDIA的王者護城河

無論AI應用如何風起云涌，無論哪家大模型最終勝出，有一件事是確定的，它們都需要芯片。而芯片的定價權，牢牢掌握在少數幾家廠商手中。 代表選手就是NVIDIA，以及背后的臺積電、三星

NVIDIA的毛利率常年維持在75%以上。這是什么概念？消費電子領域的蘋果，毛利率約為46%；企業軟件領域的Oracle，毛利率約為74%；即便是被公認為暴利的SaaS行業，平均毛利率也只有80%左右。

NVIDIA比大多數軟件公司還賺錢，因為它處在整個價值鏈的最上游，擁有最穩固的定價權。NVIDIA不僅僅賣硬件，還構建了CUDA生態。

全球數百萬開發者在CUDA框架上編寫代碼、培訓模型、優化應用。這種生態鎖定意味著，即使競爭對手在硬件性能上迎頭趕上，轉換成本也是重要的障礙。

公司

毛利率

年收入

定價權評估

NVIDIA

>75%

~2000億美元

極強

大模型廠商（平均）

<40%

頭部數百億美元

AI應用廠商（平均）

虧損

不等

極弱

所以某種程度上， DeepSeek-V4華為昇騰首發，意味著 模型廠商開始具備脫離單一算力生態的可能性。

L3 基礎設施：資本密集型產業

基礎設施層指的是 AWS、Azure、阿里云、百度智能云、Google Cloud為代表的云廠商，他們的運行模式基礎是， 誰掌握了AI算力的「配送網絡」，誰就掌握了中間層的定價權。

我們可以把云廠商看做地產商，它們建樓、提供水電接入，然后向入駐企業收取租金。

AWS在全球擁有32個區域、102個可用區；阿里云在中國運營著規模最大的云計算基礎設施；Google Cloud的AI工廠正在服務于下一代模型訓練。

相比NVIDIA 75%的毛利率，云廠商需要承擔服務器折舊、機房租賃、帶寬成本、人力運維等多重支出。因此，它們更像是喝湯，比模型層過得好，但比芯片層差得遠。

尤其是在過去云計算越用越便宜的場景下，2026年許多云廠商提出算力漲價，就體現出壓力的存在 。

L4 模型：夾心餅干的困境

模型層是我們最普通概念里的AI，它是整個AI產業的技術中樞，聚集了最多的頂尖人才、燒掉了最多的資本、也承受著最沉重的成本壓力。 代表選手包括我們熟知的OpenAI、Anthropic、Google Gemini

2026年，OpenAI與Anthropic的合計ARR已突破550億美元，聽起來是個驚人的數字。但如果我們細看成本結構，就會發現這筆錢并沒有想象中那么好賺。

OpenAI 2025年的推理成本高達84億美元，占營收的47%。Anthropic雖然增長迅猛，ARR飆升至300億美元，毛利率也只有40%，低于目標10個百分點。

為什么基礎模型層這么苦？因為每次模型升級，都需要重新訓練，這是一次性的大額資本支出。同時，每次用戶調用，都需要推理，這是不隨規模增長的持續運營成本。當用戶量增加時，推理成本線性上升，但價格競爭卻不允許同步提價。

其次，我們剛剛提到的悖論之一，Token單價每年下降約10倍，但Token消耗量增長得更快。數學上對模型廠商天生不利，收入增長跑不贏成本增長。

最后就是上游是NVIDIA的強勢定價（芯片層的75%毛利率是鐵板一塊），下游是用戶與競爭對手的雙重價格壓制（Claude的200美元無限用套餐說廢就廢）。模型層被卡在中間，既沒有芯片層的定價權，也沒有應用層的差異化空間。

L5 應用：最卷的生存競爭

應用層是整個AI產業金字塔的最頂層，也是最卷的一個層面。應用層可以分為兩類：

一、垂直行業解決方案

一種是AI編程工具的商業模式已經跑通，因為它替代的是年薪數十萬美元的高級程序員。另一種是to B的業務模式，一些制造企業，比如美的集團AI應用累計節約成本7億元人民幣，生產效率提升80%，排產響應速度提升90%。

這些應用的共同特點是利用AI替代的是昂貴的人力。當AI能夠替代年薪百萬的律師、金融分析師和工程師時，用戶愿意支付的價格足以覆蓋Token消耗。

二、套殼應用

2024-2025年涌現大量Midjourney/Stable Diffusion AI繪畫套殼應用，很多都沒有能夠活下來。

這些應用天然缺乏護城河，因為本質上它表演的是融合和通道的角色。這種基于通用API開發的應用，都面臨同質化競爭。

而且， 國內AI應用市場特點是大廠免費補貼（豆包、千問、DeepSeek都是免費或極低價），所以基于模型層開發的應用，很難建立付費習慣。因此很多根本沒起來就消失了。

但這兩個場景，都會面臨運營的脆弱性。我們可以做一個具體的商業推演。假設有一款AI產品叫做專業級財報分析助手，我們給他們的定價為固定包月訂閱，20元/月。

這個應用的成本是向L4/L3（OpenAI API + 阿里云）按Token計費支付推理成本。20元的訂閱費用于來覆蓋輕度用戶的Token消耗，薄利多銷。

什么時候這個應用會做不下去呢，就是發生在產品獲得成功之后，也就是獲取高粘性專業用戶之時。

我們可以對用戶進行畫像

重度專業用戶可能是券商分析師每天處理幾十家公司的財報，投顧用于為客戶準備盡調報告，或者機構投資者構建量化因子數據庫

這類用戶的特征是高價值、高粘性、高消耗。他們愿意付錢，他們用得越多越離不開產品，聽起來是最理想的客戶畫像。

但對供應商而言，這些最理想的客戶反而是風險最大的客戶。因為重度用戶用的越多，應用的成本越高。

他們可以不斷地定高價來覆蓋成本，但用戶也會不斷流失到定價更低的競品去，所以他們沒法實現高利潤率，又要不斷建立護城河。

而當它試圖限制用量時，用戶會給出功能閹割的差評。

這是什么啊，這就是一根筋變成兩頭堵了。

因此，NV描述的五層蛋糕，不一個均勻分布的產業，而是一個金字塔。越往上游，壁壘越高，利潤越豐厚；越往下游，競爭越激烈，利潤越微薄。

Token經濟學帶來的投資端的啟示

從剛剛討論的內容，我們可以試著引申在投資方面可以投資的三個方向

上游賣鏟人

在AI產業的價值鏈中，越靠近上游，定價權越穩固。NVIDIA之所以能維持75%以上的毛利率，是因為無論下游的模型如何迭代、應用如何風起云涌，芯片始終是不可替代的基礎設施。

同樣的邏輯也適用于能源，當AI數據中心的電力消耗占全球用電量3%以上時，電力供應本身就成為戰略資源。

投資上游的本質，是押注「稀缺性」。在需求爆發而供給有限的環節，利潤必然向這里集中。

芯片代工、HBM存儲、數據中心專用電網，都是這條邏輯的延伸。

垂直領域數據壁壘

通用AI的能力正在快速普及，真正的差異化來自行業專有數據。 在通用能力商品化的時代，行業Know-how才是稀缺品。

醫療AI需要醫院授權的脫敏病例，工業AI需要工廠多年積累的生產參數，法律AI需要海量判例庫。這些數據無法用錢買到，需要時間、關系和資質。

當一個垂直應用的護城河建立在競品即使拿到相同資金，也需要時間積累才能追平的基礎上，這條護城河就是有效的。投資垂直的本質，是押注時間壁壘。

效率提升的技術

Token成本的下降是確定性趨勢，能最早推動這場下降的企業，能在價值鏈中占據有利位置。

幾個可能的發展方向包括：端側推理將計算從云端分流到本地設備，定制芯片用專用架構打破通用GPU的定價權，推理優化技術讓同等算力產出更多Token。

這些都是在做同一件事，讓Token變得更便宜，對應到國內的芯片，DeepSeek鏈等。投降本的本質，是押注普惠化。就像光伏產業中，最終成為最大贏家的不是某個光伏電站運營商，而是那些讓發電成本不斷下降的技術供應商。

策略

核心邏輯

代表標的

投上游

NVIDIA、芯片代工廠、電力基礎設施

賣鏟人邏輯

投垂直

醫療AI、工業AI、精密制造

數據壁壘邏輯

投降本

推理優化、端側芯片、新型架構

效率提升邏輯

總結

回到文章開頭那個場景。

2025年初，那些部署內部AI助手的公司，錯了嗎？從擁抱新技術的角度看，沒有錯。從商業邏輯的角度看，大概率是錯的。

這些領導有一個認知錯誤，那就是把AI當成了買來就用的工具，而沒有想清楚這臺機器能產出什么。

這完全不是一個正常的企業經營思路。

一家企業購買機床時，不會只問這機器多少錢，而是問這臺機床能生產多少產品、能帶來多少產值。

AI也是一樣的道理，Token是數字電力，但Token本身不是價值。Token驅動的大模型推理，只有在解決具體業務問題、創造真實經濟價值時，才有意義。

一百多年前，電力剛進入工廠時，許多企業主會有這樣的困惑，為什么交了電費賬單，工廠的利潤沒有自動增長？

答案在我們目前看來似乎很簡單，電力是動力來源，但不是價值來源。但當時需要花一定時間才能理解。

AI給我們帶來的，也是新的基礎設施的變革。

本文數據來源：

清華大學《Token經濟學全景報告2026》

OpenAI財務披露（2026年2月）

Anthropic G輪融資披露（2026年4月）

國家數據局Token調用量數據（2026年4月）

NVIDIA五層蛋糕理論（https://blogs.nvidia.cn/blog/ai-5-layer-cake/）

NVIDIA推理經濟學理論（ https://blogs.nvidia.cn/blog/ai-inference-economics/）

整理時間：2026年4月26日

作者：坦桑尼亞老云 | 編輯：栗加

每個視角都是拼湊世界真相的碎片，聽真誠的行業觀察者講述獨特的故事。我們有深耕行業的資深顧問，連續跨界探索的未來創業者，專注細節的產品匠人，和許多志同道合的你們，如果你有想要分享的故事或者感想，可以留言或者郵件聯系（AiysJY@outlook.com），也歡迎點分享給需要的朋友們，記得點一下在看和星標，期待共同在這個行業的宏大敘事中，留下一句詩。：）