这只是当前众多 AI 应用的 " 冰山一角 "，AI 产业正站在一个十字路口。 一边是技术供给端的狂欢，英伟达股价翻倍再翻倍，大模型层出不穷，算力规模以指数级扩张；另一边却是需求端的迷茫，企业砸了钱买了算力，却算不清这笔账究竟值不值。而作为价值连接器的 Token 正在成为 AI 能否兑现价值的关键。
Token 成为 AI 时代的"度量衡"
2024 年初，中国日均 Token 调用量大约是 1000 亿。到了 2025 年底，这个数字跃升至 100 万亿。2026 年 3 月，国家数据局公布的数据显示，日均调用量已突破 140 万，两年增长超过千倍。
这是什么概念？中国人民大学教授魏哲巍用电类比了 Token，如果把 Token 比作 " 智能时代的电 "，那我们现在正处于 " 电灯刚刚被发明出来的阶段 "。他表示：" 今天也还仅仅是个序幕。我们还没有真正见识到它在全部角落里释放。"
IDC 数据显示，2026 年中国模型即服务（MaaS）市场的 Token 调用量预计将达到 40000 万亿次，营收约 186 亿元。与此同时，IDC 预测，全球年度 Token 消耗量将从 2025 年的 0.0005 Peta Token 升至 2030 年的 15 万 Peta Token，年复合增长率高达 3418%。到 2031 年，全球活跃智能体数量将达到 3.5 亿个。
Token 的爆发式增长，让一个根本性问题浮出水面：Token 到底值多少钱？谁来定价？
对此，中国信通院信息化与工业化融合研究所副所长黄伟给出了他心中的框架性答案。黄伟将 Token 的价值拆解为五个维度：生产成本、生产效率、准确性、生态价值和安全合规。生产成本涵盖芯片折旧、电力消耗、模型优化、系统调度，" 你每问 AI 一个问题，背后可能涉及从 GPU 到存储、从软件栈到互联网络的整条链路。" 黄伟如是说。
但理想很丰满，现实很骨感，现实中 Token 的定价在不同行业，不同场景下，也千差万别。中泰证券报告显示，Token 的跨场景价值差可达十万倍。药物研发领域的 Token，均价能达到 1000 美元 / 百万 Token；而闲聊类的 Token，可能只要 0.01 美元 / 百万 Token。同样是 100 万个 Token，在制药公司手里能筛选出一个潜在药物分子，在社交应用里可能只是几句闲聊。
联想集团副总裁、中国首席战略官阿不力克木（以下简称 " 阿木 "）表示，" 我写的一千字和作家写的一千字，稿费是不一样的。"Token 统一了计量单位，但 Token 背后产生的 " 智力水平 "，才是决定价值上限的关键。
而在黄伟看来，只有 " 有效 Token" 才是真正对行业，对企业有价值的，中国信通院人工智能研究所所长魏凯也曾公开表示，"Token 的经济价值不能只看单价，行业亟须一套衡量‘高质量 Token ’的标尺。" 他甚至直言：" 低质量 Token 只是算力的噪声，而高质量 Token 才是智能的信用。"
" 三大定律 "，Token 经济学的第一次理论尝试
就在学界和产业界对 Token 的 " 价值标尺 " 争论不休时，阿木与笔者分享了联想集团在 Token 经济学中思考得出的 " 三大定律 "。谈及为何会有如此思考之时，阿木表示，日常最重要的工作之一就是帮企业和客户算 "AI 账 "。而过去半年，几乎每一家找他聊 AI 的企业家，脸上都挂着同样的表情：焦虑。
Token 单价确实在降，降得很快。但打开自家后台一看，AI 总支出却翻了十倍。这笔账怎么算？AI 到底该不该投？什么时候才能开始赚？...... 这些问题困扰着绝大部分想应用 AI 却又不知如何下手的企业。
而正是基于这些 AI 应用的问题，阿木提出了一套被他称为 " 实验性思想 " 的框架：Token 经济的 " 三大定律 "。这可能是业界第一次有人试图用定律的形式，来概括 Token 经济的运行规律。
第一是惯性定律，单位 Token 成本持续下降。阿木认为，单位 Token 成本会持续、稳定地下降，就像摩尔定律一样，但这一定律有三层 " 惯性 "。
第一级惯性是芯片、能源和模型本身的技术创新。芯片算力更高了，模型在同样参数下达到更高的智能水平了，能耗更低了。这些都在推动单位 Token 成本下降；
第二级惯性是调优。阿木表示，将 " 模、算、电 " 三者一体化地拼搭和优化，最高还能再降 50% 的成本，" 从超节点到标准集群，再到完整的 Token 工厂，每一个层级的优化都在压低成本。" 阿木强调；
第三级惯性是运行时调度。在实际使用中，通过智能调度实现 " 哪个意图分发给哪个模型、用哪个 GPU、怎么计算 "，进一步降低成本。联想推出的 Token Hub，做的就是多模型、多平台统一接入的算力调度和模型路由服务。
阿木以联想为例分析了三级惯性的布局：第一级，联想跟国内外的芯片厂商联合研发，让下一代 GPU 的设计更贴近实际应用场景；第二级，把服务器、集群、液冷散热这些 " 后台工程 " 打磨到极致，同等算力下 Token 产出效率提升 20% 以上；第三级，通过一个叫 Token Hub 的调度系统，把公有云、私有部署、边缘设备上的算力统一管理起来，让每一个 Token 任务跑到最合适的地方去。三层叠加，成本还能再往下压。
第二定律是加速定律，单位 Token 价值加速释放。如果说第一定律讲的是 " 成本 "，第二定律讲的就是 " 价值 "。在阿木看来，单位 Token 产出的价值会因三个因素而加速增长。
第一，AI 嵌入流程的深度。如果只是让员工拿 AI 当问答工具，那 Token 的价值和一个高级搜索引擎差不多。但如果把 AI 嵌入业务流程，让它承担某个节点的实际工作，比如分子筛选、代码生成、招投标文件自动评审 ...... 不同的场景中，Token 的价值能差出 10 倍。
第二，工程化的深度。阿木讲了一个细节：现在很多企业买了 AI 工具，员工也用起来了，但效果一般。原因不是 AI 不行，是周边的 " 工程 " 没跟上，比如数据没准备好、流程没改造、智能体没打磨。他打了个比方：信息化时代，企业需要 ERP 实施顾问驻场几个月，才能把系统跑起来。AI 时代也一样，需要一种新角色——他管这个叫 " 前线交付工程师 "，深入一线，把智能体做出来、嵌进去、迭代好。这个过程，大部分企业才刚刚开始。
第三，配套的到位程度。阿木拆了四个维度：有没有 AI 原生的人才和组织？有没有 Token 工厂这样的基础设施？有没有一套治理体系来审计 AI 的 ROI、管理知识资产、保障安全？有没有一套投资模型来算智能体的 " 损益表 "？
第三个定律是奇点定律。如果将企业 AI 应用的成本与价值化作两条曲线，放在了同一象限里。在某个 " 奇点 " 之前，成本曲线跑在价值曲线上面，企业投入 AI，账是亏的。过了那个 " 起点 "，价值曲线反超成本曲线，进入正循环。" 奇点之前，AI 帮你省的是存量成本。比如三个人月薪三万，现在用 Token 八千，省了两万二，" 阿木进一步指出，" 奇点之后，AI 产出的叫增量价值，是能帮你做到以前根本做不到的事。"
什么是增量价值？是一天生成 100 万个短视频脚本，是一年发现一个有效药物分子，也是让一个没学过编程的人做出一个 App，" 这些都是创新的规模化。" 阿木如是说。工业革命实现了工业品的规模化生产，信息革命实现了数据的规模化生产，智能革命实现的是创新的规模化生产。
阿木甚至把视野拉到了更远的地方。" 如果你把 AI 跟个人比，它确实比你聪明。但这没意义。一个人的智能怎么跟一百万人、一千万人前赴后继的智力网络比？艾滋病研究了上百年，全球科学家接力——这才是人类解决重大问题的真正方式。而 AI 的终极价值，应该对标这种‘人类级别的命题’。"
企业如何从焦虑走向正循环
理论探讨归理论探讨，现实中的 Token 账单不会等人。2026 年，一个让所有企业措手不及的问题浮出水面。据英国《金融时报》报道，美国网约车巨头 Uber 在 2026 年 4 月就烧光了全年的 AI 预算，管理层不得不把每位员工每月的 AI 编程工具使用费卡在 1500 美元。Meta 内部测算显示，若维持当前员工调用增速，2026 年仅内部 AI 使用一项就将耗资数十亿美元。亚马逊的高管甚至公开告诫员工 " 不要为了使用 AI 而使用 AI"。
这不是个别现象。FinOps 基金会的数据显示，2026 年 AI 推理成本在企业 AI 总预算中的占比已超过八成。字节跳动旗下火山引擎总裁谭待在公开场合算了一笔账：如果一个企业有 1000 名员工、每人每天调用模型 100 次，按当时的市场均价，一年 Token 费用可能高达数千万人民币。" 很多企业根本没算过这笔账，以为 AI 就是买个会员。"
问题出在哪？首先是 Token 的 " 质量折扣 "。黄伟在沙龙上提到的 " 暗中降精度 " 现象，并非孤例。Token 市场的报价五花八门：有的是固定月费但设了隐形上限，超出部分按 Token 计费；有的是按输入 + 输出总量计费，但有最小计费单元——哪怕你只输入了 10 个 Token、输出了 20 个 Token，也可能按 100 个 Token 收费。用户很难横向比价，预算规划形同虚设。
其次是智能体带来的 "Token 通胀 "。Gartner 今年 3 月的分析显示，智能体场景下的 Token 耗用量是普通对话的 5 到 30 倍。一个智能体完成一项任务，可能要触发 10 到 20 次模型调用，每一次调用又要 " 思考 " 大量思维链。你问 AI" 帮我规划一次去云南的旅行 "，它可能要先规划行程、查机票、查酒店、查景点 ...... 每一步都是一串 Token。
" 我们很多客户来找我，说 AI 太贵了。" 阿木说，" 我问他你用了什么场景，他说我的员工天天用它写周报。" 写周报这种事就是相对 Token 价值比较低的一件事。这个例子有点极端，但它点出了一个核心问题：Token 本身没有好坏，关键在于用在哪里。用在写周报上，百万 Token 的价值可能不到 1 美元；用在药物靶点发现上，百万 Token 的价值可以是 1000 美元，跨场景 Token 价值差可达十万倍。
针对此，信通院正在推动一套 " 高质量 Token 服务标准体系 "，从服务质量、运营能力、生产能力、安全能力四个维度构建标准框架。黄伟提出一个关键主张：用户要有 " 知情权 "，服务商必须披露后台用的是什么样的算力、什么版本的模型、什么级别的精度。" 好的算力可以贵一点，前两代的产品可以便宜一点。但用户得知道自己买的是什么。"
产业端的探索更加务实。联想推出了 Token Factory（Token 工厂），把 Token 生产从 " 手工作坊 " 变成 " 标准化车间 "，让企业可以按需调用、按 Token 计费。三大运营商陆续推出 Token 套餐，像卖流量一样卖 AI 算力。支付巨头 Stripe 斥资约 10 亿美元收购了一家专为 OpenAI、Anthropic 等大模型公司提供 Token 用量计量的创业公司 Metronome，资本市场已经在押注 "Token 计量 " 这个赛道。
" 现在大家说 Token 贵，是拿它跟发电厂的电费比。但发电厂建好了，电来了，冰箱、电视、空调才跟着出来。真正的价值在冰箱电视上，不在电费单里。" 阿木进一步指出。
Token 有了价格，有了账单，有了定律，甚至有了哲学追问。但谁能跑过那个 " 奇点 "，取决于谁能让每一 " 口 "AI 呼吸都产生真实的价值。
"AI 的尽头不是裁员，AI 是为了让创新本身规模化。" 这个目标，现在听起来还像个口号。但想想一百年前的人听 " 家家户户都有电 " 时的心情，可能和我们今天听这句话的心情差不多。
（文｜Leo 张 ToB 杂谈，作者｜张申宇，编辑丨杨林）
