AI交易正面临一场定价危机 | 巴伦科技

源济

AI交易正面临一场定价危机 | 巴伦科技

原创 亚当·莱文 Barrons巴伦

2026年7月3日 00:54

在AI时代，Token成了通用货币，但没人能弄清它们最终到底值多少钱。企业客户一头雾水，华尔街也摸不着头脑。

作者｜亚当·莱文

编辑｜刘洋雪

当下AI应用落地遭遇的最新难题，来自“token经济学”（tokenomics），以及AI使用成本管控——倘若企业疏于规划，相关开支会迅速滚雪球式暴涨。

Token（词元）是AI模型输入和输出的基本计量单位。举例来说，用OpenAI的模型来统计，这句话包含17个token。通常，100个token大约相当于75个单词。你也可以在OpenAI官网上亲自体验AI的token计数。

Token已经成了AI时代的“货币”。问题在于，token的价值会因使用方式不同而不同。客户之所以感到困惑，是因为他们无法制定预算。华尔街也觉得摸不着头脑，因为它没法像在零售商店甚至云计算中那样轻松追踪定价。

Anthropic让情况变得更复杂，因为它对token的计数方式与AI行业其他公司不同。该公司最近调整了部分产品对文本的分词方式，这意味着同样的文字现在要比以前多消耗30%到40%的token，而它的旧款模型仍沿用更标准的计数方法。

消费者已经习惯了ChatGPT和Claude每月20美元的不限量使用套餐，但企业客户是按token计费的。以ChatGPT最强的模型为例，每100万个token的费用从0.5美元至30美元不等。

源济

表面上看这似乎不算多少钱，但有两件事改变了这笔账的算法，让AI变成了一种昂贵的“习惯”。

第一件事是2024年“推理模型”的兴起，这类模型让聊天机器人在回答时采取了更具自省的方式。与早期ChatGPT那种迅速给出答复不同，推理模型会自我对话，一步步推演问题。为撰写本文做准备时，我让ChatGPT“梳理所有公司在token开支上过度消费的案例”。该模型先和自己“对话”了32秒，期间进行了多次网页搜索、阅读了几十篇文章，最后才生成了一段约一千个token的回答。而它内部的自我对话所消耗的token远不止这些。

而更新、也更大的问题，是AI智能体的兴起：只需一句简单的对话式指令，它们就能完成一连串复杂任务。与会受自身精力约束的人不同，智能体会疯狂消耗token。每一次提示都会引发成堆的对话——需要越来越多的token，而且这一切都在没有人工干预的情况下发生。

今年4月，谷歌、微软及多所顶尖高校的研究人员发布的一项研究显示：在完成同样的任务时，编程智能体消耗的token数量是人类程序员的上千倍。如今，智能体最常见的用途是软件编程。研究人员还发现，token成本在不同任务之间、不同模型之间差异很大。研究指出，无论是人还是AI模型，都不擅长估算一项工作会消耗多少token。这就好比钱包里有一张20美元的钞票，却不知道它能买到多少个热狗。

Token消耗越多，不代表最终效果越好。而失败的任务必须重做，这又需要额外消耗更多token。

如果这一趋势持续下去，企业网络上的智能体很快就会超过人类数量，并最终远远多于人类用户。正是预期到智能体的爆发式增长，以及这类应用恐怖的token消耗能力，海量资本才持续涌入新建AI数据中心，明年还将计划建设更多。

编程智能体的快速进步促使企业CEO们纷纷拥抱其应用，也许在他们完全了解成本之前就已开始。今年早些时候，企业创建了仪表盘来追踪员工的使用情况，结果可想而知——巨额账单接踵而至，随后企业迅速转向更节俭的使用方式。

这些预算担忧出现之际，各家公司仍在争论AI本身的实际效用。在今年5月的一次播客采访中，优步科技（Uber Technologies）总裁安德鲁·麦克唐纳（Andrew Macdonald）道出了这种新的谨慎态度。“有多少原本已经被搁置的项目因为生产力提升而被重新提上日程？”他说，“这种关联目前还不存在。”

与此同时，华尔街在AI变现问题上也正经历一场信心危机。分析师原本希望用“token”作为衡量AI交易热度与健康状况的替代指标，但上述种种定价问题让情况变得模糊不清。

随着美国最顶尖的前沿模型成本不断上升，企业正在寻找其他方式来控制AI预算，其中一个方向就是选用低价模型，比如使用来自中国的高性价比模型。长远来看，激烈的市场竞争或许会倒逼OpenAI、Anthropic下调高端模型定价，但现阶段这一幕尚未发生。

眼下，追踪AI供需平衡的最佳方式是通过云服务。投资者应更多关注亚马逊云服务（AWS）、微软Azure以及谷歌云的定价动态。就在本周，AWS今年第二次上调了英伟达GPU租赁价格。

归根结底，AI要想具备可行性，就必须带来更高的生产率，而生产率本质上是利润除以人类工作小时数。劳动力成本容易核算，但这个等式中的“利润”部分，则需要对token成本有更深入的理解。

在那之前，企业会尽一切努力把token支出控制住。而这对AI经济的受益者——从芯片制造商到能源公司，再到OpenAI、Anthropic这样的模型提供方——可能都不是好消息。

正如斯坦福大学经济学家埃里克·布林约尔弗森（Erik Brynjolfsson）去年对我所说：“技术本身很少在你刚接入时就能立刻带来生产力提升。几乎总是需要重新思考业务流程。要把所有可能性真正梳理清楚，可能需要几年甚至几十年。”

版权声明：

本文为Barron's原创文章。英文版见2026年7月2日报道“The Pricing Crisis Clouding the AI Trade.”（本文内容仅供参考，不构成任何形式的投资和金融建议；市场有风险，投资须谨慎。）