在人工智能产业的加速演进中,一个源自技术圈的术语——Token,正悄然成为理解AI经济形态的关键切入口。
全球最大AI模型API聚合平台OpenRouter的最新数据显示,3月16日至22日那一周,全球AI大模型Token调用总量达20.4万亿,其中中国贡献了7.359万亿,占全球的36%。在”中国发展高层论坛”2026年年会上,国家数据局局长刘烈宏透露,截至今年3月,中国日均Token调用量已突破140万亿,与2024年初的约1000亿相比,两年间增长超过千倍。同月,中国AI大模型的周Token调用量已连续三周超越美国,成为全球AI应用活跃度最高的国家之一。
这些数字背后,是一个正在悄然重塑的使用场景。AI的使用方式,与两年前已判若云泥。
过去的AI以对话为核心,一问一答;而如今活跃在一线的,是被称为Agent的智能体——它们不仅回答问题,而是主动代替人类完成自动化任务。”全民养虾”已成社交平台上的新潮流,朋友圈里有人晒出一个月的Token消费账单;企业端同样在加速部署,各家厂商推出”龙虾类”产品,把”让Agent替你干活”写进日常工作流,甚至纳入可量化的绩效指标。
这场席卷全社会的AI浪潮背后,有一个共同的关键词:Token。无论是Agent调用、视频生成,还是企业协作中的AI使用,最终消耗的都是以百万、千万乃至万亿计的Token。
“AI时代的算力货币”——这个类比在行业中广为流传。但若深究Token究竟在重塑怎样的经济秩序,答案远比一句口号复杂。
Token既非传统货币,也非常规计算资源,而是兼具基础设施、流量商品、无形资产与知识产权特征的新型价值载体。围绕它形成的定价逻辑、市场结构与治理议题,很可能标志着一种全新经济形态的开端。
本文将从货币理论、产业经济学、市场结构与公共政策等层面,对Token进行系统审视,分上下两篇展开。上篇聚焦Token的本质与定义、供给侧的成本与定价,以及需求侧的消耗逻辑。
一、Token是”AI时代的算力货币”吗?
有类似属性,但并不等同
将Token称为”AI时代的算力货币”,这一类比在经济学上部分成立但并不严谨。Token与其说是货币,不如说更像电力世界里的千瓦时——千瓦时不是货币,却度量了电气化时代的生产力。
Token确实具备货币的两项基本属性:它是计量单位,衡量AI服务的消耗;也是交换媒介,将用户支付转化为可调用的智能输出。但Token同时缺失了货币最关键的几项特征:通用接受性、一般等价物和自由流通。
一枚OpenAI的Token无法在Anthropic的平台上使用,与开源小模型的Token在成本和价值上也不对等。它更像游乐场代币或预付费卡——限定场景、不可互换、没有独立信用体系。
更深层的矛盾在于,Token同时承担了两种理应分离的角色:一方面是”成本度量”,衡量算力的物理消耗;另一方面是”价值度量”,衡量智能输出的效用。传统货币只承担后者。这种双重性使Token难以像一元钱那样实现稳定的等价交换。
回望更长的历史尺度,这种混沌并非首次出现。19世纪末电力商业化初期,各家公司的电压、频率、计费方式五花八门,彼此不可互通。经过数十年的标准化和市场化演进,电力才成为今天的公共基础设施。Token当前正处于类似的”前标准化”阶段,跨平台互通协议、统一计量标准乃至Token期货等金融工具,将逐步走上历史舞台。
但Token最深远的意义或许在于:它标志着人类第一次能够系统性地量化和交易”智能服务”。与其纠缠于它是否配得上”货币”二字,不如关注它正在开创怎样的新经济形态。
从传统经济学看:Token与”货币”相去甚远
若以货币三大经典职能严格衡量,Token几乎每项都不达标。
作为价值尺度,它虽然成为AI服务的定价单位,但厂商之间不等价、价格波动剧烈,无法提供稳定参照。作为流通手段,它实现了法币到AI服务的单向转化,却不具备通用流通性,无法在AI以外的场景使用。作为储藏手段,它的通缩趋势明显,持有预付Token只会持续贬值,完全不具备保值功能。
与主权货币的”国家信用”相比,Token的信用体系存在四大致命弱点:脆弱性(公司可能倒闭、模型可能被颠覆,无外部担保)、分散性(每家公司各自建立信用体系)、易变性(技术迭代极快,信用窗口极短),以及常被忽视的数据安全信用——用户通过Token向平台传递敏感信息,一旦发生大规模泄露,信用将瞬间崩塌,形同银行挤兑。
货币的信用建立在社会契约之上,需要数十年乃至数百年的积累。Token目前只建立了技术契约——你相信技术有用,所以购买Token。从技术契约走向社会契约,还有漫长的路要走。
Token正展现出传统货币理论未曾涵盖的新特征:它既是消费品(终端用户付费使用),又是生产资料(开发者用于构建AI产品)。这种双重身份在货币史上极为罕见。Token的终局形态未必是”货币”,更可能是”智能经济的基础计量协议”——用以定义智能服务交换的标准单位与规则。
Token定价,是一场”智能服务的能力交换”
Token与传统计算资源的定价,存在三个维度的本质差异。
首先是从成本定价到价值定价的跃迁。传统计算资源价格紧锚硬件成本;Token定价则已脱离硬件成本约束,转向”价值定价”。同一GPU集群运行的同家公司不同版本大模型,Token价格可能相差数十倍,差异源自模型能力,而非硬件本身。
其次是从时间租赁到能力购买的范式转变。传统模式本质是”按小时租用硬件”,不论是否高效利用算力。Token模式则将付费锚定在”实际智能输出”上,更接近按效果付费,延续了云计算从IaaS走向SaaS的演化方向。
第三是从线性价值到非线性价值的分化。多租一小时CPU,产出大致线性增长;但Token存在”使用者技能溢价”:同样一千个Token,精妙的提示词可能比冗长提问多产出百倍商业价值。这是传统计算资源定价中不存在的现象。
归根结底,传统计算资源的定价衡量”物质资源的时间占用”,而Token定价衡量的是”智能服务的能力交换”——这是人类经济史上第一次把”思维产出”拆解为可量化、可交易的原子单位。
二、Token的成本结构
Token的生产成本由四大要素构成:芯片、电力、数据与人才。但不存在单一的定价锚,而是一个随时间动态迁移的多锚体系。
短期(一到两年)内,芯片是主锚。NVIDIA GPU供不应求,芯片成本在推理总成本中占比六到七成,其可获取性直接决定Token的供给量与价格。GPU的稀缺从上游产能紧张,一路传导至下游API调用价格的高位。
中期(三到五年),电力将成为硬性约束。随着芯片供给增加,硬件成本持续下降,但电力受物理定律制约、能耗引发的社会关注,将使能源成本成为不可压缩的底线。
长期(五年以上),人才与知识密度将主导定价。芯片和电力都是物理成本,终将被技术进步压缩;而训练顶级模型所需的研究人才和数据积累是稀缺的,构成高端Token定价的核心锚点。定价锚的总体迁移方向:GPU→能源→人才。
Token的价格形成机制是:底部由GPU瓶颈的成本传导托起,顶部由模型能力的价值溢价拉高。低端Token的锚是电力与运维,高端Token的锚是人才与研发,定价锚的总体方向是从”物质稀缺性”向”智能稀缺性”迁移。
这种”能力分层决定价格分层”的结构,标志着人类首次通过市场机制对”智能等级”本身进行直接定价——律师按时间收费,医生按诊次收费,AI则按”思维单位的质量等级”收费。
三、Token价格与产业周期
摩尔定律延伸下的价格下行曲线
当GPU瓶颈不再主导,Token价格将沿着一条由摩尔定律延伸而来的长期曲线持续下行,而且速度远超多数人的预期。一组真实数字:2023年3月GPT-4发布时,API价格是每百万输入Token 30美元;时至今日,同等智能水平的模型——无论是GPT-4o mini、Claude Haiku还是DeepSeek-V3——价格已下降超过95%。
这背后是三条下降曲线同步叠加:硬件层面,新一代芯片在推理效率上持续跃升;框架层面,推理优化工具把同一张卡的吞吐量拉高数倍;架构层面,MoE模型通过稀疏激活机制大幅降低推理计算成本。
基础模型的Token,很可能在五年内实现经济意义上的趋零,便宜到如同自来水,多数用户无需考虑成本。行业正走向”免费基础 + 增值付费”等多种商业模式并存,厂商盈利方式也从单一的Token收费扩展至订阅服务、企业解决方案与生态闭环。
当然,Token成本趋零并不等于AI使用成本趋零。当Token接近免费,新的稀缺将浮现:高质量数据、人类处理AI输出的注意力、AI输出的可信度验证。经济学永远在追逐下一个稀缺资源。
产业周期:从短期紧缺走向分层格局
整个供给侧市场将遵循典型的产业周期路径:”短期紧缺→中期过剩→价格战→行业整合”。
各大科技公司每年斥资数百亿美元建设AI数据中心:微软宣布2025财年投入800亿美元,Meta资本开支接近400亿美元,Amazon和Google均达千亿级别,连中东主权基金也直接入场。这些投资换成GPU集群和数据中心,需要两到三年才能释放产能,而需求曲线远比产能投放平滑,中期供需宽松甚至过剩几乎不可避免。
产能过剩的结果是价格战,市场逐渐呈现分层格局:低端Token市场竞争激烈,拼价格、压利润;高端Token市场看重效果和稳定性,凭借能力和可靠性赢得溢价。开源模型将扮演重要的”挑战者”角色,建立低端Token的价格天花板,并将供给从少数巨头扩展至成千上万的独立部署者。
四、谁在消耗Token,消耗走向何方?
Agent:Token需求的超级放大器
随着Agent和自动化工作流普及,Token需求正呈现”双S曲线叠加→J型爆发→次线性收敛”的复杂形态。
2023至2027年,Token增长主要由人类用户驱动,受制于人的时间与注意力天花板。真正的转折来自2025至2030年的第二条S曲线:一旦Agent进入企业系统,Token的消耗逻辑就彻底改变——不再跟着”人”,而是跟着”机器流程”走。客服Agent可同时处理数千对话,软件开发任务可被拆解为多个Agent协同完成,电商运营可形成自动生成、投放、分析、优化的持续闭环。
Agent可以24小时运行,多Agent系统产生递归调用,越来越多原本”不值得做”的长尾任务被激活。这里会出现经典的”杰文斯悖论”:效率提升并不降低总消耗,反因使用门槛降低而激活更多场景,推高整体需求。Token越便宜,反而用得越多。
但增长并非无边界。企业始终面对一个基本约束:Token成本必须小于它创造的价值。当某些Agent消耗大量Token却无法带来足够收益,它们会被优化或淘汰。因此,经历快速扩张后,Token需求增长将逐渐回归次线性增长。
2026至2028年很可能是一个关键拐点,随着Agent在企业中的大规模落地,Token需求有望在短时间内实现一至两个数量级的跃迁,形成真正意义上的”J型爆发”。届时,我们看到的将不再是”人们在使用AI”,而是整个经济系统在用AI自主运转。
需求引爆点:两个临界条件
Token市场的真正大爆发,需要两个条件同时具备。
第一个是价格临界点:每百万Token成本降至0.1美元甚至以下,使AI完成一件事的成本降到人力的十分之一以下。届时,”这件事要不要用AI做”不再需要论证,而是成为默认选项。
第二个是认知临界点:大多数人知道AI能帮自己做什么。写合同、整理发票、翻译资料、规划行程……这些场景对许多人而言仍是”听说过但不怎么用”。这种认知普及需要时间和社会性传播。
两个临界点之间会形成自我加速的飞轮:价格降低→更多人愿意尝试→口碑与认知普及→更大的需求→规模化推动成本进一步下降。飞轮一旦转动,Token需求就不再是线性爬升,而是骤然爆发。
Token消耗暴增,并不直接代表真实价值
如果Token正在成为AI时代的基础生产要素,能否像用电量、钢产量那样,用它的消耗量来衡量一个经济体的运行水平?
核心障碍在于Token消耗的”异质性”:同样一个Token,放在不同场景里创造的经济价值可能相差万倍。有的Token支撑了关键商业决策,有的Token只是在漫无目的的闲聊中被消耗,两者加总后的数字对衡量经济产出几乎没有意义。
有效衡量需要解决两个前提:区分”生产性消耗”与”消费性消耗”,以及建立”Token经济效率”指标——即单位Token能创造多少经济价值。后者若持续上升,说明AI对经济的赋能在提升;若持续下降,可能是泡沫或浪费的信号。
此外,随着模型能力提升和推理优化进步,完成同一件事所需的Token数量实际上在减少——这意味着Token消耗总量的增长,很可能慢于经济价值的增长。更根本的挑战是,大量Token价值不经交易,因此不会被GDP统计。学生的课业辅导、普通人的健康咨询、创作者的效率提升——这些Token消耗创造了真实价值,却大多游离于传统统计体系之外,如同暗物质般客观存在却无法被测量。
因此,Token经济的核心叙事,并不在于它未来是否会成为货币,而在于它所驱动的效率、结构与控制权的再分配:
谁能用更少的Token创造更多价值,谁就掌握了新的生产力;
谁能构建更高效的Agent系统,谁就拥有新的组织优势;
谁能定义标准、掌握入口、形成生态,谁就可能在这场重构中获得类似”基础设施”的地位。
从卖Token到卖结果,就像从卖电到卖光明。Token不是答案,它更像是一个信号——提醒我们,我们正从”使用工具的时代”,走向”构建自动化系统的时代”;从”劳动驱动的增长”,走向”机器驱动的经济”;从”生产函数中加入AI”,走向”生产函数本身被AI重写”。而这,或许才是这场变革真正的开始。