
作者丨上海交通大学行业研究院”人工智能+”行业研究团队负责人、安泰经管学院教授 史占中
编辑丨李海伦
在人工智能产业加速演进的当下,一个曾经只在技术圈流行的术语——Token,正悄然成为理解AI经济形态的关键切口。
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,全球AI大模型Token调用总量达到20.4万亿,仅中国一国就贡献了7.359万亿,占全球总量的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,相比2024年初的1000亿,两年间增长超过千倍。同月,中国AI大模型周Token调用量连续三周超越美国,跃居全球AI应用活跃度最高国家之列。
这些数字背后,折射出的是一个正在深刻转变的使用图景——AI的使用方式,已与两年前截然不同。
过去,AI以对话为主,一问一答,承担输入输出的功能;而今天活跃在各类场景前线的,是一批被称为Agent的智能体,它们不只是回答问题,而是主动替人完成自动化任务。
社交平台上,”全民养虾”成为新潮流;有人在微信朋友圈里晒出一个月的Token消费账单。企业端同样在提速,各厂商纷纷上线”龙虾类”产品,鼓励员工”把事情交给AI”,有公司甚至将”Agent替你完成了多少工作”写入工作日志,作为可量化的绩效指标。
这场席卷各行各业的AI浪潮中,Token扮演着关键角色。无论是Agent的运行调用、视频内容的生成,还是企业流程中的AI协作,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”——这一说法已在行业中广为流传。但若深究这个类比是否真正成立,以及Token究竟在重塑怎样的经济秩序,答案远比一句口号更为复杂。
Token既不是传统意义上的货币,也不是常规意义上的计算资源,而是一种兼具基础设施属性、流量商品属性、无形资产属性与知识产权属性的新型价值载体。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多个视角,对Token进行系统审视。作为系列上篇,本篇聚焦Token的本质与界定、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?
01 有类似属性、但并不等同
在行业中,Token常被称为”AI时代的算力货币”,这一类比在经济学层面部分有据可依,但并不严谨。更准确的比喻是:Token类似于电力世界中的千瓦时。千瓦时并非货币,却能衡量电气化时代的生产力;Token亦如是。
Token确实具备货币的两项基本属性:它是计量单位,用于衡量AI服务的消耗;它也是交换媒介,将用户的支付转化为可用的智能输出。但Token同时缺失了货币最关键的几项特征:通用接受性、一般等价物功能,以及自由流通能力。
OpenAI的Token无法在Anthropic的平台上使用,与开源小模型的Token在成本和价值上也并不等价。它更像游乐场代币或预付费卡——场景限定、不可互换、缺乏独立信用体系。
更深层的矛盾在于,Token同时承担了两种本应分离的角色:一方面作为”成本度量”,衡量算力的物理消耗;另一方面作为”价值度量”,衡量智能输出的效用。传统货币只执行后一种职能。这种双重性使Token难以像货币那样实现稳定的等价交换。
将时间尺度拉长,不难发现这并非首次出现的现象。十九世纪末电力商业化初期,各家公司的电压、频率和计费方式五花八门,彼此无法互通。经历数十年的标准化进程、公用事业监管与市场化建设,电力才成为今天的普惠基础设施。
Token当前恰处于类似的”前标准化”阶段。依产业演化规律可以预期:跨平台互通协议、统一计量标准,乃至Token期货等金融工具,都将逐步涌现。
Token更深远的意义在于,它标志着人类历史上第一次能够系统性地量化并交易”智能服务”。
因此,讨论的焦点不在于Token是否配得上”货币”二字,而在于它正在开创怎样的新经济形态——这或许将形成超越传统货币理论的全新框架。
02 从传统经济学看:Token类比于”货币”并不成立
若严格以经济学教科书衡量货币的三大经典职能来检验,Token几乎在每一项上都难以胜任。
作为价值尺度:尽管Token已成为AI服务的定价单位,但各厂商之间不等价、价格剧烈波动,无法提供稳定的价值参照。作为流通手段:它实现了法币到AI服务的单向兑换,却不具备通用流通性,在AI体系之外无从使用。作为储藏手段:Token的通缩趋势显著,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的信用存在四个核心弱点。
其一是脆弱性:公司可能倒闭,模型可能被超越,技术可能被颠覆,Token缺乏外部担保机制。其二是分散性:各家公司各自建立信用体系,用户需分别对不同平台作出独立判断。其三是易变性:AI领域技术迭代极快,今日的领先者明日可能被淘汰,信用窗口极短。第四个常被忽视的维度是数据安全信用——用户通过Token向平台发送敏感信息,实质上是在信任其数据保护能力;一旦发生大规模泄露,Token信用可能瞬间崩塌,类似银行挤兑。
货币的信用建立在社会契约之上,需要全社会的共识认可,往往需要数十年乃至数百年的积累。Token目前只建立了技术契约——用户相信技术有用,因此购买Token。从技术契约走向社会契约,还需要漫长的信用积累,包括行业标准化、监管框架建立与市场的持续检验。
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。
更重要的是,它正扮演”智能接入权”的角色——在AI时代,没有Token便无法获取智能服务,这赋予了它类似基础生产要素的战略属性。
用传统货币理论衡量Token,好比用马车时代的交通规则评判汽车——不是汽车不达标,而是规则需要更新。
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”,用以界定智能服务交换的标准单位与规则。经济学界迟早要为这种新型价值交换形态构建新的理论框架。
03 Token的定价衡量:一场”智能服务的能力交换”
既然Token无法纳入货币框架,换一个更接近其出身的参照物——传统计算资源——来加以比较,是否能看清其轮廓?答案同样是否定的。
谁掌握了定价锚,谁就拥有AI经济的话语权。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:传统计算资源的价格紧密锚定硬件成本,遵循”成本加成”逻辑;Token定价则已脱离硬件成本的锚定,转向”价值定价”。同一GPU集群运行的不同版本大模型,Token价格可能相差数十倍,差异源于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”租用硬件时间”,按小时付费,无论用户是否高效利用了算力;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向SaaS演进的方向——持续远离物理资源,不断靠近价值产出。
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存在明显的”使用者技能溢价”——同样花费一千个Token,精准的提示词可能比冗长的问法多产出百倍商业价值。投入产出比高度依赖用户的认知水平与使用技巧,这是传统计算资源中不存在的现象。
归根结底,传统计算资源定价衡量的是”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将”思维产出”拆解为可量化、可交易的原子单位——不仅是一种新的计费方式,更是智能经济时代定价范式转型的起点。
二、Token的成本结构是什么?
01 Token的定价权:谁更稀缺是关键
Token的生产成本由四大要素构成:芯片、电力、数据与人才。但其中并不存在单一的定价”锚”,而是一个随时间动态迁移的多锚体系。
所谓”锚”,是指在成本结构中真正决定价格底线的关键要素——就像船靠锚固定位置,价格也需要一个最硬的约束来锚定其下限。
在不同发展阶段,决定Token价格底线的关键要素并不相同,定价权会随技术演进在四大要素之间逐步迁移。
沿时间轴展开,可以清楚看到三个阶段:
短期(一到两年),芯片是主锚。目前NVIDIA GPU供不应求,芯片成本在推理总成本中占比高达六到七成,芯片的可获取性直接决定Token的供给量与价格。GPU的稀缺从上游(NVIDIA产能受限,下单排队超过一年)传导到中游(OpenAI、Anthropic等公司推理集群规模受限),最终在下游体现为API输出的Token量受限、价格长期维持高位,由每一位AI用户承担。
中期(三到五年),电力将成为硬性约束:随着芯片供给增加和架构创新,芯片价格会持续回落,但电力受物理定律制约,加之AI数据中心能耗激增引发的广泛关注,能源成本将成为难以压缩的底线。
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,终将随技术进步持续压缩;但训练顶级模型所需的研究人才和数据积累是稀缺的,这构成了高端Token定价的核心锚点。
定价锚的迁移路径,由此呈现为:GPU → 能源 → 人才。
02 Token的两层结构:成本托底,能力拉高
即便定价权已有明确趋势,Token的价格为何仍参差不齐?关键在于区分两类成本——推理成本与训练成本。
推理成本是生产每个Token的边际成本,由芯片和电力主导;训练成本是创造模型能力的一次性投入,由算力、人才和数据主导。
当前Token定价主要反映推理成本,而高端模型的溢价,实质上是训练成本的分摊。Token正从同质商品演变为品质分级商品:低端Token的锚是电力与运维,高端Token的锚是人才与研发。定价锚的整体方向,是从”物质稀缺性”向”智能稀缺性”迁移。
需要补充的是,若价格只是成本传导的结果,便无法解释一个常见现象——同一家公司旗下的不同模型,Token价格为何能相差数十倍。这里引入价值定价逻辑才能解释:GPT-5能完成复杂推理、代码生成、专业分析等GPT-4难以胜任的任务,能力跃升支撑了远超成本的溢价。用户对”更聪明的AI”有明确支付意愿,企业客户也愿意为可靠的商业决策支付溢价——就像愿意为资深顾问而非初级助理支付更高费用一样。
从市场策略视角看,这种悬殊价差体现了”二级价格歧视”:厂商通过提供不同品质的产品线,让不同支付意愿的用户自我分层——高价版锁定商业客户,低价版负责获客与维系用户基数,一套产品组合覆盖整条需求曲线。
将两股力量合并来看,当前Token价格的完整形成机制是:底部由GPU瓶颈引发的成本传导托起,顶部由模型能力引发的价值溢价拉高。
更深一层看,这种”能力分层决定价格分层”的结构,标志着人类历史上第一次通过市场机制对”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,而AI则按”思维单位的质量等级”收费。一个”智能分层付费”的新经济秩序正在建立。
三、Token的价格和产业周期将如何演变?
01 摩尔定律的延续:Token价格走向长期下行
当GPU瓶颈不再是主导因素(这一前提成立之后),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,而且下行速度可能超出大多数人的预期。Token价格战将让全世界用上AI,正如当年电力价格战让全世界用上了电。
一组真实数据印证了这一趋势:2023年3月GPT-4刚发布时,API价格为每百万输入Token 30美元、输出60美元;时至今日,同等智能水平的模型,API价格已大幅下探,部分模型的降幅超过95%。
驱动这一下行趋势的,是三条曲线的同步叠加:硬件层面,NVIDIA H100相比上一代A100在LLM推理效率方面通常可提升约3倍,新一代B200又在此基础上再上一台阶;框架层面,vLLM、TensorRT-LLM等推理优化工具将同一张卡的吞吐量提高数倍;架构层面,MoE模型(如DeepSeek-V3)通过稀疏激活机制,在相近能力水平下将推理计算成本降低数倍。
基础模型的Token价格,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,绝大多数用户无需再考虑成本。真正的转折不在价格本身,而在于商业模式——ChatGPT免费版向所有用户开放GPT-4o,Google的Gemini 2.0 Flash强调低成本高吞吐,这些变化表明”按Token计费”不再是唯一模式,行业正走向”免费基础+增值付费”等多种商业模式并存。厂商的盈利路径,也从单纯的Token收费,拓展至订阅服务、企业解决方案和生态闭环。
当然,Token成本趋零并不意味着AI使用成本趋零。当Token近乎免费时,新的稀缺将随之浮现:高质量数据、人类处理AI输出的注意力、AI输出结果的可信度验证——经济学永远在追逐下一个稀缺资源。
02 Token将经历的产业周期:走向分层格局
将视野从单个Token价格拉升至整个供给侧市场,这场持续数年的算力军备竞赛,终将沿循一条典型的产业周期演进:”短期紧缺 → 中期过剩 → 价格战 → 行业整合”。
产能侧,各大科技公司每年投入数百亿美元建设AI数据中心。2024年,全球科技巨头在AI基础设施上的资本开支总和突破2500亿美元——微软宣布2025财年投入800亿美元建设AI数据中心,Meta披露的资本开支接近400亿美元,Amazon与Google的年度资本开支均攀升至千亿美元量级。中东主权基金也开始直接入场。到2026年,相关投入非但没有收缩,反而继续大幅加码。这些投资转化为GPU集群和数据中心,需要两到三年才能集中落地并释放产能。
需求侧,Agent和自动化工作流虽在爆发增长,但企业采购节奏远慢于产能投放——需求曲线是平滑积分,产能曲线是阶跃式脉冲,两者错开之后,中期供需宽松甚至过剩几乎不可避免。
产能过剩的结局是价格战,并逐渐呈现出分层格局:低端Token市场主要用于基础对话和简单任务,竞争激烈、利润压缩,类似当年云计算打价格战的阶段;高端Token市场主要用于复杂推理和专业场景,更看重效果与稳定性,能力更强、更可靠的厂商具备更高的定价权。
开源模型(Llama、Mistral等)将扮演重要的价格”挑战者“角色——开源不会消灭闭源巨头,但会建立低端Token的价格天花板,并将Token供给从少数巨头扩展至成千上万的独立部署者,深刻改变市场结构。
四、谁在消耗Token,消耗将走向何方?
01 当Agent开始全天候运行,Token需求加速
随着Agent和自动化工作流的普及,Token的需求增长正从一条”正常曲线”,演变为一种更复杂、甚至反直觉的形态——”双S曲线叠加 → J型爆发 → 次线性收敛”。

在最初阶段(2023—2027年),Token增长主要由人类用户驱动。越来越多的人开始使用AI工具——从写邮件、改简历,到写代码、学习辅助,使用场景不断拓展,但整体增长受限于人类时间和注意力这一天然上限,斜率不会过于陡峭。这一阶段本质上还是”人用AI”,Token消耗直接绑定在人类行为上。
真正的转折点来自第二条S曲线——Agent驱动的增长(2025—2030年)。一旦Agent进入企业系统,Token消耗的逻辑就彻底改变:它不再跟着”人”走,而是跟着”机器流程”走。
客服场景中,一个Agent可以同时处理成百上千个对话,并自动检索知识库、生成回复、整理记录;软件开发中,一项任务可能被拆解为多个Agent协同完成——写代码、跑测试、查漏洞、做评审,每个环节都在消耗Token;电商运营中,Agent能够自动生成内容、投放广告、分析数据,并反向优化策略,形成持续运转的闭环。
这些变化叠加起来,产生了显著的”乘数效应”:Agent可以24小时运行,消耗不再受人类作息制约;多Agent系统会产生递归调用——Agent调用Agent,再由其他Agent校验结果,每一层叠加Token成本;随着自动化成本持续下降,越来越多原本”不值得做”的长尾任务开始被激活,进一步扩大Token的应用边界。
在这一过程中,经济学中的”杰文斯悖论”将十分显著:效率提升不会降低资源总消耗,反而因为使用门槛降低,激活了更多新场景,最终推高整体需求。Token也不例外——越便宜、越高效,反而用得越多。
但这种增长不会无限持续。企业面临一个根本约束:Token的成本,必须小于其创造的价值。当某些Agent消耗大量Token却无法带来足够收益时,它们会被优化乃至淘汰。Token的需求增长,最终将从陡峭的J型曲线逐渐过渡到更平缓的”次线性增长”。
从更深层来看,真正的变化在于:Token的主要消耗主体,正从人类转向机器。这意味着Token经济的上限,不再取决于人口规模或人类时间,而是取决于整个经济体系能够创造的价值总量,以及背后的算力与能源供给能力。
2026—2028年很可能是一个关键拐点。随着Agent在企业中的大规模部署,Token需求有可能在短时间内实现一到两个数量级的跃升,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驱动AI自主运转。
02 Token需求的引爆点:两个临界条件
不同人群对Token价格的敏感程度差异悬殊。企业用户对价格较为敏感:当价格下降一半,原本因不划算而搁置的事项立刻变得划算,用量往往不是多出一半,而是直接翻倍。大多数终端消费者则感受不到价格变化——订阅制的固定收费暂时屏蔽了价格信号。但随着近期Agent型产品的兴起,越来越多C端消费者被拉回到”按消耗计价”的逻辑中,其价格敏感度正迅速向企业用户靠拢。
真正决定Token市场增长上限的,不仅是现有用户的需求变化,而是数以亿计原本根本没用过AI的人在某个时刻集体涌入——这才是Token需求最大的潜力来源。价格跨过某个临界点,激活的将不只是现有用户的更大消费,而是全新用户群体和全新应用类型的需求释放。
这一爆发,需要两个条件同时满足。
第一个是价格临界点:每百万Token的成本降至0.1美元以下,即AI完成一件事的成本不足人力成本的十分之一。到那时,”要不要用AI”不再需要反复论证,而是默认选项。
第二个是认知临界点:很多人不是用不起AI,而是不知道AI能帮自己做什么。写合同、整理发票、翻译资料、规划行程、做个人健康咨询……这些场景对多数人来说仍属于”听说过但不怎么用”的范畴。认知普及本身需要时间和社会性传播。
这两个临界点之间会形成自我加速的飞轮:价格降低促使更多人尝试→口碑传播推动认知普及→认知普及催生更大需求→规模效应反向压低价格。一旦飞轮转起来,Token需求的增长就不再是线性攀升,而是骤然爆发。
03 Token消耗暴增,但未必等同于真实价值
如果Token正成为AI时代新的基础生产要素,能否像用电量、钢产量一样,用Token消耗量来衡量一个经济体的运行水平?
最核心的障碍在于Token消耗的”异质性”。同样是一个Token,在不同场景创造的经济价值可能相差万倍:有的Token支撑了一次关键商业决策,产出巨大;有的Token只被消耗在漫无目的的闲聊里,几乎没有任何经济产出。若不加区分地将两类Token简单加总,得出的数字对衡量经济产出几乎没有意义。
至少需要解决两个前提问题。
第一,区分”生产性消耗”与”消费性消耗”。只有真正用于完成工作任务、创造商业价值的Token消耗,才与GDP增长保持稳定的正相关。企业API调用量可能比”Token消耗总量”更有参考价值,因为它有效过滤了大量消费性的闲聊与娱乐性使用。
第二,建立”Token经济效率”的衡量标准——即”单位Token能创造多少经济价值”这一比率。该指标若持续上升,说明AI对经济的赋能在提升;若持续下降,则可能是泡沫或浪费的信号。这本身就是一个重要的经济诊断工具。
即便解决了上述前提,Token消耗与经济产出之间的关系也未必是直线,更可能呈S型曲线:早期阶段,企业还在学习如何用AI,Token消耗增长快但产出跟不上;中期阶段应用成熟,经济产出随Token消耗同步快速放大;后期边际收益递减,增速趋缓。不同行业、不同国家目前处于这条曲线的不同位置,这也解释了为何”AI对GDP的拉动”至今众说纷纭。
还有一个容易被忽略的反向趋势:随着模型能力提升、推理优化进步和用户技巧成熟,完成同一件事所需的Token数量实际上在减少。一年前靠几千个Token才能写好的代码,今天可能只需要几百个。这意味着Token消耗总量的增长,很可能慢于经济价值的增长——”Token效率”将成为持续改善的指标,Token消耗量本身作为产出指标的意义因此进一步被稀释。
更根本的挑战在于:大量Token的价值并不经过交易,因而不会被GDP统计。学生用AI做课业辅导、普通人用AI做健康咨询、创作者用AI提升个人效率——这些Token消耗都创造了真实价值,但其中绝大部分未进入交易环节,无法被计入GDP,如同”暗物质”一样客观存在却难以测量。
当越来越多的价值创造发生在交易体系之外,当AI使非市场化服务触手可及,当个体效率提升远超传统统计的捕捉能力,我们习以为常的那套衡量经济的”话语体系”,或许已经追不上人工智能时代的发展速度。
因此,Token经济叙事的核心,并不在于探讨它未来能否成为货币,而在于关注其背后关于效率、结构与控制权的再分配:
谁能用更少的Token创造更多的价值,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;而谁能定义标准、掌控入口、形成生态,谁就可能在这场重构中获得类似”新基建”的数字基础设施地位。
从卖Token到卖结果,就像从”卖电”到”卖光明”。
从这个意义上说,Token并不是答案,它更像是一个信号——提醒我们:我们正在从”使用工具的时代”迈向”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意义上的开端。