Token 经济
Token 正在成为 AI 时代的”新货币”。模型厂商把抽象的 AI 能力切分成最小计费单位，将”买服务器、建机房”的固定成本转化为按用量付费的商品，由此形成 MaaS（Model-as-a-Service）的按 Token 计费模式。以 DeepSeek V4 为例，Flash 版每百万 Token 输入 1 元、输出 2 元，Pro 版输入 3 元、输出 6 元；而主流多模态模型因需处理图像、视频等复杂数据、算力消耗更高，输出价格普遍为 DeepSeek 的 10 倍以上（wiki/sources/2026-05-27-Token经济爆发）。
在中国市场，Token 经济已从概念走向规模化实践。IDC《中国 AI 软件市场半年度追踪，2025H2》显示，2025 年中国企业级 MaaS 市场经历从试点到规模化应用的关键转折，Token 调用量与实际营收均呈倍数级增长；但市场仍受性能、安全合规、回答质量等多重约束，竞争焦点正从单纯价格比拼转向”价格、性能与工具链支持”的综合能力竞争。值得注意的是，成本效益在当前仅排第五位，企业更关注”模型是否能用、是否安全、是否稳定”，但 IDC 提示随着应用渗透与算力紧缺延续，预算终将成为中长期关键挑战（wiki/sources/2026-05-07-IDC - 中国MaaS市场进入高速增长期，Token经济从概念走向规模化实践）。
阿里是这一转折的代表性玩家。其财报显示阿里云外部商业化收入增长 40%，AI 相关收入已占阿里云外部客户收入的 30%（本季度达 89.7 亿元人民币）；吴泳铭在财报电话会上表示阿里 AI 模型与应用 ARR 已超 80 亿元，预计 6 月季度突破 100 亿元、年底超 300 亿元（wiki/sources/2026-05-14-阿里AI迎来商业化转折点，正式进化到Token经济了！）。在供给端，平头哥自研真武 PPU 已有超 10 万卡部署于阿里公有云平台。
Token 经济也暴露出成本侧的尖锐矛盾。阮一峰《科技爱好者周刊》第 398 期以 OpenClaw 创始人 Peter Steinberger 单月 6030 亿 Token（按费率约 130 万美元）为例，论证放开不限量使用顶级模型的成本难以承受：一个程序员放开用美国旗舰模型一年 Token 费可达数千万到上亿人民币，即便改用国内最便宜开源模型仍需 200–300 万元/年；Uber 头四个月即花完全年 34 亿美元 AI 预算被迫限用，微软因费用超标放弃 Claude Code 改用自家托管的 OpenAI 模型——结论是公司几乎必然会限制无限量使用外部模型（wiki/sources/2026-05-29-科技爱好者周刊No398：Token 费用难以负担）。
Token 经济深处埋着一条结构性张力：模型厂商的收入正是客户的成本——厂商每多赚一块钱，就是某家公司的账单多一块钱，因此”省 token”成了与”用模型”同等重要的工程课题。短期内厂商以补贴换习惯：SemiAnalysis 对高阶订阅的压力测试显示，200/月的 Claude Max 20x 按 API 价折算约值 8,000（约 40 倍补贴）、200/月的 ChatGPT Pro 20x 约值 14,000（约 70 倍补贴），本质是用补贴吸引重度用户、培养使用习惯、抢占开发者（wiki/sources/2026-06-11-200美元AI订阅薅出1.4万美元Token）。一旦补贴退坡，成本压力就会倒逼客户端的省 token 工程——例如充分利用前缀缓存（prefix caching）机制把重复上下文的费用大幅压低，第 398 期收录的 DeepSeek Reasonix 即以”充分利用缓存机制、极大降低费用”为卖点（wiki/sources/2026-05-29-科技爱好者周刊No398：Token 费用难以负担）；精简/清理冗余 skill 以减少每轮注入的上下文，也是同一逻辑下的省 token 手段。这条”厂商收入=客户成本”的张力，是理解 Token 定价、补贴与降本工程之间关系的总钥匙。
从全球视角看，Token 经济的天花板被推得极高。2026 年 5 月 29 日 Anthropic 完成 650 亿美元融资、估值 9650 亿美元（首超 OpenAI），年化收入突破 470 亿美元（约等于可口可乐全年营收），超 1000 家企业每年支付超 100 万美元、部分达 1000 万美元；其核心商品是可被 API 调用的”逻辑能力”（推理、判断），作者据此大胆猜测它可能成为人类历史上第一个年收入过万亿美元的公司（wiki/sources/2026-05-30-史上第一个年入1万亿美元的公司，可能是它）。
2026-08-10
tokenmaxxing：工程师侧的成本观 — 来自 Claude Code 创始人亲自示范（Boris Cherny）：
- “一开始别急着省钱，给工程师尽可能多的 token”：真正的瓶颈从来不是 token 成本，而是工程师学会善用 AI 的速度——限制用量就是掐住学习。比较基准应是工程师年薪（几十万）对每月几千块的 AI 工具费，而不是 20 美元/月的编程助手。
- 但”多花”不等于”乱花”：token 的两大浪费源——① 臃肿的 CLAUDE.md（每次启动必读；Boris 团队文件刻意精简到约 2500 token）；② 重读旧对话历史。该花的（多开会话、多跑验证、多做并行）往死里花，不该花的一个 token 不浪费。这是与本页”厂商收入 = 客户成本”审慎视角互补的工程侧成本原则：省的不是总量，是浪费源。
光谱另一端的极端消费样本：内容营销服务商操盘手令狐峰 7 天烧掉 230 亿 Token（约 26,000），立场是"Token 可以再买，稀缺的是时间、注意力和机会窗口"——竞争不是谁掌握更多提示词，而是谁建立能持续消耗算力、自动完成任务、不断积累资产的 AI 生产系统（[[wiki/sources/2026-08-10-Codex七天230亿Token-50条经验|Codex 七天 230 亿 Token：50 条经验]]；数据为作者自述、带推广属性）。与本页"省 token 工程"叙事并置：当 token 消耗成为生产资料，成本观按角色分裂——厂商定价、企业采购限额、一线实践者"激进使用"，三者同时成立。另见 [[wiki/topics/LLM-Pricing-War|LLM 价格战]]（0.175/M 五项全胜案例：“成本低到不需要掂量，Agent 才会被真的用起来”）。