在人工智能（AI）领域，一个长期存在的疑问困扰着市场：如果AI技术如此强大，为何真正实现盈利的似乎只有GPU制造商，而从事大模型开发和应用的企业却鲜有高额利润？英伟达凭借超过70%的毛利率和接近两千亿美元的数据中心年收入，成为AI产业链上游的典型代表。然而，全球主要模型厂商几乎全部处于亏损状态，中国大模型市场在经历激烈竞争后，推理服务价格已接近成本线。这种“上游盈利、下游亏损”的现象，引发了关于AI产业是否陷入泡沫的讨论。
从经济学视角分析，这一现象并非源于AI未能创造价值，而是因为已创造的价值尚未被充分转化为收入。要理解这一逻辑，需从AI经济的核心计量单位——Token入手。Token是大语言模型处理和生成信息的基本单元，无论是用户提问还是AI回答，均需消耗Token。英伟达CEO黄仁勋将AI产业划分为能源、芯片、基础设施、模型、应用五层，并将Token定义为贯穿各层的“语言与货币”。这一设计使AI经济具备了可计量、定价和核算的基础，类似于千瓦时之于电力、桶之于石油。围绕Token形成的经济运行逻辑，正逐渐构成一套独特的“Token经济学”。
Token经济的一个反直觉特征是：Token价格越低，总支出反而越高。过去两年，Token生产成本下降超过99%，但全球企业AI支出却增长三倍以上。这一现象与19世纪英国经济学家杰文斯的观察类似——蒸汽机效率提升导致煤炭总消耗量不降反升。然而，Token与煤炭的本质区别在于其价值完全取决于用途。耶鲁大学研究指出，Token是“可合同化的计量单位”：同一Token用于闲聊可能仅值几分钱，用于编写代码则可能价值数百美元，用于法律分析更可能达到上千美元。这种因任务而异的价值差异，被称为“可编程性”——传统生产要素如钢铁、石油的价值由物理属性决定，而Token的价值仅因指令不同即可跨越多个数量级。
当前，Token消费的结构与预期存在显著差异。增长最快的并非企业生产力工具，而是角色扮演、对话娱乐等消费性应用。这表明，AI经济的增长引擎并非“替代人力”，而是由AI原生消费驱动的增量需求。例如，用户与AI聊天产生的价值，以“消费者剩余”形式留存于用户手中，尚未转化为模型厂商的收入。然而，聊天框背后的成本却十分沉重：数据中心持续运转、GPU排队上架、电力与冷却系统锁定，以及不断攀升的资本开支。黄仁勋的“五层蛋糕”模型揭示了AI产业的重资产属性——每一层均需巨额投资，从能源供应到模型调优，再到应用落地，全球科技公司的年资本开支已从百亿美元跃升至近千亿美元，绝大部分投向AI数据中心及配套电力。
尽管Token生产成本以惊人速度下降——GPU算力成本的学习率高达89%，大模型推理成本每年下降约一个数量级——但利润仍集中在上游。原因在于，成本下降越快，越需要前置重资产投入推动下一轮降价。英伟达的护城河不仅在于GPU性能，更在于CUDA生态构成的转换成本。训练层市场呈现寡头格局，门槛以十亿美元计；推理层则趋向竞争，开源模型已将价格压低九成以上。中国模型凭借算法效率、开源策略和极致定价，在全球Token市场迅速崛起，其推理计算部署于海外云节点，本质是算法出海而非电力出口。竞争加剧使Token价格持续走低，最终受益的是全球开发者和用户。
与2000年互联网泡沫时期的“光纤过剩”不同，当前Token消费量正处于高速增长阶段。中国日均Token调用量从两年前的约1000亿飙升至140万亿，增长约1400倍。需求真实且旺盛，只是尚未被充分货币化。这一现象与电力从照明进入工业动力、互联网从人类浏览转向机器通信的历史进程类似——每一代通用技术均经历过需求主体的转换。
未来，Token经济的规模可能不再取决于人类需求，而是由机器需求主导。人类处理信息的速度存在生理上限，而智能体（Agent）的崛起正在打破这一瓶颈。智能体是能自主执行多步骤任务的AI程序，可24小时不间断运行，消耗数百万Token完成复杂任务。例如，一家企业部署上千个智能体，年Token消耗量可能超过一个中等国家全部人类用户的总和。更关键的是，智能体不仅能消耗Token，还能自主采购——根据任务需求选择模型和资源，全程无需用户干预。这种非人类买家的出现，使Token市场结构发生根本性变化：它们对延迟敏感但对价格不敏感，可在毫秒间切换供应商，推动需求量级跃升。
斯坦福大学经济学教授的研究指出，AI生产率提升受制于组织适配、制度变革和人类认知等薄弱环节。若瓶颈在于人类组织无法匹配AI速度，那么让AI自主组织——构建智能体网络——可能是释放生产率潜力的关键。Token经济的未来，将取决于机器能消耗多少Token，而非人类。当前，我们仅能观察到这场变革的开端：凡工作环节可拆解为“输入信息、处理、输出结果”的模式，均有可能被Token化。而人类的核心价值，将聚焦于判断、创意、关系和不确定性——这些恰恰是Token难以复制的领域。
