Token正在重塑AI时代的价值坐标，它是效率革命的引擎，还是成本失控的暗礁？本期将从Token降本的视角，透视AI时代“新石油”的经济逻辑。
最近关于Token的讨论挺魔幻的。
朋友圈随处能看到Token中文翻译的讨论——有“词元”“智元”等等，甚至有“慧根”之类的搞笑版本。
Token不是一个新概念，大模型落地第一天起，它便与神经网络共生，但直到OpenClaw（俗称“龙虾”）在用户群大规模扩散，各类Agent应用开始把Token带入了公众视野。
我认为其中有两个关键问题：它的消耗量太大了，价格也太贵了。
记得OpenAI发布GPT-5.4的时候，有用户反馈测试一句“你好”就消耗掉了80美元的Token，当时不少人都说这个使用量太夸张，但随着小龙虾大规模在用户群扩散，一个任务烧完千万级Token成为常态。
与之相对的是，英伟达CEO黄仁勋在GTC2026大会上以及之后的很多场合，都在强调工程师要大量的使用Token，甚至将Token纳入到薪酬激励机制。
一次对话环节，黄仁勋说：“如果年薪50万美元的工程师，连25万美元的Token都没用掉，我会极度恐慌。”
问题是，疯狂的烧Token一定能解决问题吗，有多少Token是有效的，什么样的投入产出比是合理的？
结合刚刚外媒的消息，有OpenAI程序员一周烧掉了2100亿Token，相当于33个维基百科，但这样的消耗量最终带来了什么？我发了一个朋友圈，说这样重度使用能升P10吗，有好友随即评论，“能帮卖Token的升P10。”
很显然，这场疯狂烧Token的运动，能带来多少效果是存疑的，谁是获利者则是确定的。
黄仁勋将英伟达描述为“Token之王”，拥有世界最先进的“Token制造机”，但如果拼命鼓吹这件事，甚至暗示不用Token就会落后，那么可以说：一方面，黄仁勋想彻底改变AI时代企业“效率考核”的逻辑，另一方面，他也间接制造出了Token焦虑。
一、Token太贵了
不久前，我请教了周鸿祎“Token太贵”这个问题，他说：“大家觉得Token贵可能存在些误解，因为大模型后端是可以灵活配置的。”
在他的理解中，用户可以自主选择模型控制成本。“日常聊天对话的成本其实很低。真正消耗Token的是复杂任务，比如帮你生成视频、创作短剧或写小说这类调用场景。”
我记得猎豹移动CEO傅盛在一条视频中说，自己通过一些使用技巧把最初日均几百美元的Token费用，优化到目前日均10多美元，30天就是2100元，年费是25200元。
问题来了：有多少用户承担得起日均10美元的成本？
对比目前中国互联网上的商用to C类软件，比如剪映，高端会员年费也只有600元左右，娱乐相关的会员费用大致在300元左右，根本找不到一款年费超过25000元的消费级软件。
“绝大部分人一天10美金，仍然不会接受，这里会过滤掉大片的非付费用户。”我对傅盛说，他没有否认我的判断。
这些天，我也在尝试各种类型的小龙虾产品，要接触到的费用远不止Token。
举个例子，如果用户对生图有需求，就需要专门的生图模型API；如果要监控动态，也需要接入付费的搜索API，这些潜在的费用会逐步地劝退绝大多数用户。虽然可能有一些开源变通的方式降本，但开源项目就间接隐藏着安全风险。
3月13日，当时腾讯科技“虾聊”系列直播的第一期（《鹅厂工程师讲透“龙虾”真相：“笨”不是“虾”的错》），玄武实验室的嘉宾Lambda分享过一个数据——他自己平均每个月“养虾”的费用在千元以上。
不管是参照消费级工具年费，还是行业“养虾户”的反馈，基于Agent的Token消耗说一句“Token太贵了”，是站得住脚的。
二、存储瓶颈与效率黑洞
Token简单理解就是大语言模型处理信息的基本单位——用户输入提示词，模型输出答案，每一个字、每一个标点，都会计入Token的消耗量，本质上还是算力成本。
过去大家计算算力总拥有成本，指标有很多，包括衡量能效的Flops/W，核算均值的成本/Flops等等，今年的“Token经济学”中，Token/W逐步成为共识。
“我们的每一个Token成本都是世界最低的。”黄仁勋在GTC上说。
但不管有多便宜，不管是哪一种计算单位，它都是投入成本量化，涉及到研发成本、硬件成本，部署成本，能耗成本，运营成本等。换句话说，降本也都是围绕上述环节展开。
对于Token降本来说，一个不好的消息是内存价格在疯涨。
以HBM内存为例，它是支撑大模型训练和推理的关键器件，同时，推理数据量的暴涨也引发出了存储需求的同步上涨。2026年第一季度，DRAM的价格环比上涨超过50%，NAND价格环比最高涨幅达到150%。
黄仁勋、苏姿丰都已经喊出了“HBM有多少要多少”，三星、美光这些存储原厂，已经对外披露头部客户的战略长约已经签到了5年。
《内存暴涨100天，千元机被迫死亡》一文提到过，消费级市场，千元机库存可能都要停产了，但实际上受这个问题的影响，云厂商目前也处于涨价的煎熬之中。目前行业最乐观的预计是2028年存储价格回落，悲观一点要到2030年。
存储价格一天不回落，Token降价就缺少一个关键的外部杠杆。
模型能力的提升也可以视为降价的另一个杠杆。“现在一些8B的小模型，能力越来越逼近全量大模型。”一位学术界研究员说。
在这方面，面壁智能联合清华团队在《Nature》上提出了Densing Law的概念，强调大模型的能力密度随时间指数增长，约每3.5个月翻一倍，同等性能所需参数量每3.5个月减半。
一位国产AI芯片从业者也强调模型能力好、规模小，进而能推动成本降低。“你看国内开源大模型token价格，基本都跟模型规模正相关。”
多位国产算力从业者表示，提升MFU也会带来成本压缩的空间，此外也还包括架构、显存等多方面的推理优化。
“MFU跟模型本身关系不太大，主要是算子和调度策略有关。”另一位国产存算一体芯片从业者说：“目前主流大模型的推理MFU均值在30%左右，优化后可超过50%，估计能省出50%的成本。”
也就是说，行业并没有榨干GPU的性能——花了100%的GPU钱，现在只用了不到三分之一的算力。
不过，MFU提升虽然可以带来单Token成本下降，但会不会传导到C端，取决于大模型提供方的商业考量，如果用来打价格战，这毫无疑问是一个有效的杠杆。
三、再来一次价格战
中国大模型的价格战，不是没有先例。
2024年，国内厂商就曾经爆发过一轮激烈的价格战。当时恰逢DeepSeek-V2上线，每百万Token输入1元、输出2元，彼时价格相当于GPT-4-Turbo的百分之一。
DeepSeek当时的降价关键就在于推理优化——MoE稀疏架构大幅降低了计算量，MLA多头潜在注意力把KV缓存压缩90%以上。
DeepSeek开启这轮降价之后，随即阿里、字节、等等先后下场展开价格战博弈，一度出现了“Token免费”的现象。
王小川当年在一次交流会上谈价格战，他认为与此前团购、网约车大战有本质不同，“这次价格战是直接生产力的供给，是B端市场的价格战。”
在当时，王小川也强调即使短期内亏损，（大厂）也可能在一年后实现盈利。
“在推理效率提升的情况下，通过补贴，用户有了非常明显的增长，”一位参与过上一轮价格战的大模型公司内部人士说，“大概花了几个亿吧。”
不过，这一轮Token的消耗，B端和C端需求同时爆发，反而和团购、网约车大战一样，具备改变生产关系的条件，但市场却表现出了出奇的沉默。
前述参与价格战的大模型内部人士认为，在模型的特定能力成熟，有了稳定用户来源的情况下，大家未必有动力再下场去打价格战。
“Token消耗不像2024年那种规模了，这个情况下，为了虾打价格战，存量用户的ARR收入也会被迫失血，”前述国产AI芯片从业者说，“没必要，价格战带来的增量还不确定，先把存量自砍了，这账不好算。”
Artificial Analysis跟踪的大模型API价格
根据Artificial Analysis的跟踪数据，国产模型的API单价已经足够便宜了，只是这个便宜程度对于Agent的巨量消耗来说，还远远不够。
如前面所说，受内存和存储的硬件成本冲击，国内云厂商现在面对的是涨价的难题，短期不太有降价的可能性。
“现在是前两年价格战的持续，国内厂商的价格比北美有明显的优势。只是大家清楚抢用户是个持久战，不是一两次价格战能搞定的。”前述国产存算一体芯片从业者补充道。
四、把模型“焊”在芯片上
为了解决Token疯狂消耗带来的成本问题，一部分用户开始尝试利用本地部署模型。
到目前为止，已经有不少用户基于Mac Mini为“小龙虾”配置本地模型，只不过这种解决方案，在短时间内会不断地推高Token使用成本，同时本地部署本身就存在门槛，且开源模型的能力未必能够符合用户的需求。
针对那些入门级用户，也有厂商尝试推出EdgeClaw硬件，并且在硬件生意之上，套上一层安全的故事，这其实是一个值得尝试的方向，只是在内存涨价大环境下，显得有些生不逢时。
此前，一位Mini主机创业者说，涨价对行业都有冲击。
“以前用户是觉得‘好贵’，现在直接根本不看了，他们并不在乎你的内存和硬盘有多大。”该创业者说。
与此同时，一些品牌也在电商平台推出准系统产品（无内存、存储），最低价格在2000元以内，它们虽然没有“安全故事”，却是Edgeclaw这种创业型项目第一个要逾越的难关。
对“小龙虾”端侧AI硬件来说，最大的挑战还是Mac Mini，苹果的供应链话语权和毛利率可以支撑Mac Mini超高性价比的定价，创业团队在这里很难讲故事。
还记得2025年初期，DeepSeek爆火时的“一体机”吗，你看今天行业里面还有它们的故事吗？
除了一体机这种集成硬件方案，也有创业项目尝试从更底层的芯片上去做创新。
2月份，Taalas团队推出了一款全新的芯片HC1，该芯片基于TSMC N6制程，die size 815mm²，晶体管密度仅53B，单芯片可运行Llama 3.1 8B模型，最核心的是单用户TPS（Token/s）输出16960/s，数据堪称爆表，关键就在于HC1的设计。
Taalas团队在这款芯片上，用Mask ROM将Llama 3.1 8B模型权重硬编码固化在硅片上，芯片金属层连线相当于神经元连接，相当于把模型“焊在”芯片上，同时实现计算与存储物理融合，彻底消除HBM/DRAM数据搬运，打破了内存墙限制。
虽然TPS性能突出，它的短板也同样来自于模型“焊在”芯片上这个特点，这意味着只能跑固定版本的固定模型，权重不能改、结构不能动，想换模型就要重新流片，你也可以理解为专芯专用。
五、写在最后
一切的讨论都基于Token使用成本——贵的不是单价，而是重度任务对Token使用量的倍数放大。
我曾经尝试过用小龙虾来生成指定时间戳的gif，在和一位同行交流的过程中，他说：“你这里面的gif图，我们同事做，半分钟做一张，手工。”
尽管这个案例不是很典型，但如果做几张gif就要花掉几元钱，显然不具备经济性。
接入DeepSeek API制作gif的消耗情况
要改变这一点，要么拥有更便宜的Token定价，要么Token消耗最小化，这依赖模型层面的优化，也取决于推理硬件层面的创新。
但无论如何，在Token使用的总费用打不下来，且投入的有效产出不明确的情况下，疯狂安利Token消耗，甚至强调与绩效挂钩，说是制造Token焦虑，制造AI焦虑也不为过。
再往前看，老黄还呼吁科技行业领袖审慎发声，避免引发公众对人工智能技术的非理性恐慌。这就好比跟全行业说：别打压人工智能制造恐慌了，你们都要把Token烧起来。
可问题是，谁来解决价格问题呢，会是迟迟没有到来的DeepSeek V4吗？
我记得2017年的时候，有一篇刷屏文章叫《人民想念周鸿祎》，现在人民应该很想念Token价格战，想念DeepSeek。
至少对于“虾民”来说，大概率如此。
启泰网提示：文章来自网络，不代表本站观点。
