行业与公司 * 行业：智算产业（AI基础设施）[1] * 涉及公司：英伟达 (NVIDIA) [2]、CoreWeave [1][9]、阿里云 [1][9]、DeepSeek [3][10]、OpenAI [11]、Anthropic [11]、硅基流动 [12]、OpenRouter [12] 核心观点与论据 1. “Token工厂”概念与产业趋势转变 * **核心概念**：由英伟达CEO黄仁勋在2024年提出，将“Token吞吐量”作为衡量AI基础设施效率的首要指标，标志着产业竞争焦点从硬件堆砌转向资源转化效率[2] * **北极星指标转变**：行业核心指标从硬件保有量转变为Token吞吐量，旨在最大化AI基础设施的资本回报率[1][2] * **产业趋势**：从“堆资源”转向“榨资源”，强调通过软件栈优化最大化现有资源利用[2] * **效率问题**：AI调度难度远超传统云，GPU任务高度碎片化导致模型浮点运算利用率（MFU）普遍仅为35%-45%[1][9] 2. “Token工厂”收入模型与关键驱动因素 * **收入公式**：Token工厂收入 = 吞吐量 × 平均单价[1][4] * **提升吞吐量（量）**：关键在于AI系统软件栈效率，包括调度平台、策略引擎、编译器、模型优化及训推一体协同，不同运营方产出效率存在量级差异[1][4] * **优化定价（价）**：由推理成本、模型能力溢价及同一能力层级内市场竞争策略三个核心要素共同决定[4] 3. Token市场分层与定价逻辑 * **市场分层**：Token市场已演化为基础设施层、专家或企业级、前沿Token三个层级[5][6] * **基础设施层Token**：模型能力趋同，厂商是价格接受者，定价长期向边际成本收敛[11] * **专家/企业级Token**：具备特定领域专业能力，定价主要由能力溢价决定，推理成本和竞争策略影响较小[5][11] * **前沿Token**：代表技术最顶尖模型，性能最强模型价格基本持平甚至上升，通缩趋势不明显[11] * **单位智能成本通缩**：同等能力模型推理成本以每年9倍至900倍的速度大幅下降，基础AI能力正快速商品化和普惠化[1][10] 4. 提升计算效率的关键路径 * **调度能力优化**： * AI云调度是n元n次复杂方程组，GPU任务碎片化导致资源浪费比CPU时代显著[8] * 英伟达推出DCGM系统解决GPU调度“黑盒”问题[8] * CoreWeave通过拓扑感知调度、自动节点管理等全栈优化，使MFU达到约50%，相比40%行业基准提升约25%效率[1][9] * 阿里云提出token级调度系统，支撑2至2.5倍请求到达率，有效吞吐量根据不同模型配比提升1.5至9倍[1][9] * **芯模协同**： * 模型与芯片深度绑定成为提升计算效率的重要方向，旨在让特定模型在特定芯片上展现更高推理效率[3][10] * DeepSeek模型已基本完成与国内大多数主流芯片的适配，适配速度接近7x24小时不间断[10] * 阿里凭借自研芯片与模型协同，理论上具备更高毛利空间[3][10] 5. 国内衍生的三种商业模式 * **AI聚合平台模式**：类似OpenRouter或硅基流动，核心是作为AI IDC，通过优化软件栈和资源调度最大化Token产出效率，核心竞争力在于客户数量、削峰填谷的资源调度能力及规模效应[7][12] * **垂直行业模型模式**：不持有大量硬件，核心竞争力在于行业Know-how与专有数据，通过对通用大模型后训练实现高毛利，推理毛利率高达40%-50%，远超通用大模型的20%-30%[1][7][12] * **Token分账模式**：算力租赁公司与模型公司合作，基于最终产生的Token进行收入分成，实现风险共担与资源绑定，主要瞄准最前沿的模型市场[3][7][13] 其他重要但可能被忽略的内容 * **旗舰模型定价坚挺**：性能最强的旗舰模型价格基本持平甚至上升，而其他模型降价幅度较大，旗舰模型定价预计将逐渐转向价值定价[11] * **企业级Token角色转变**：企业级Token已开始承接业务流程和任务执行职责，在金融、医药等严肃场景中扮演研究和决策角色，企业购买的是智能本身而非Token[11] * **垂直行业模式壁垒**：垂直行业模型模式的核心竞争力在于深耕特定行业积累的专有知识，若其产出的Token与通用Token无异，则难以获得超额利润[12]

文章核心观点 大模型的本质是“智力即服务”，智力作为一种经济要素正在被重新定价，而Token是计量智力的第一个单位，Token经济的终点依然是人 核心概念：智力即服务 - 大模型的本质不是“模型即服务”，而是“智力即服务”，智力作为一种经济要素正在被重新定价[3] - 2023年3月海宁调研中，文生图工具让设计能力被接近无限供给，企业主指出“以后拼的就不是谁能设计了，而是谁知道该选哪个设计”[2] - 智力即服务将交付对象从工具升维到智力本身，作为一种可计量、可定价、可分层的服务来交付，这一范式判断在公开文献里没有先例[23] - 未来更强的人工智能实现方式不一定是transformer或大模型，但通过云端提供类人甚至超人的智力才是真正趋势[24] - “智力”指向能力本身，即把问题解决、把价值创造出来的综合能力，买家真正想要的是能把事情办成的那种能力[25] Token作为计量单位 - Token是AI时代人类发明的第一个计量单位，计量的是智力本身——一次理解、一次推理、一次判断、一次生成[7] - Token让智力第一次脱离人脑，且可被随时调用，一种过去只存在于人脑、难以切分、无法被标准化交易的能力从此有了刻度[7] - Token与比特的本质区别在于：比特让信息脱离物质载体实现无界传播，Token则让智力脱离人脑[7] - Token度量的既非原材料、算力或时间，而是智力，这是人类历史上第一次可以不假人手、由机器批量供给的智力[11] - 2026年，二级市场大规模冒出转售算力的Token“中转站”，套利与灰色流通现象说明市场早已把Token当成可流通、可计价、可配置的资源[11] Token的经济特性 - 传统商品品级可在供给侧识别，而Token打破了这一点：同样消耗1000个Token，用于闲聊或审查跨境并购法律合同，创造的经济价值可相差几个数量级[9] - Token第一次让“智力附加”不再完全依赖人手，而是可以由AI规模化地供给[9] - 不同模型消耗同样数量的Token生成的智力密度并不相等，标准化不等于同质化[10] - Token生产端高度标准化，消费端高度异质化，切换成本趋近于零，产出价值往往要到消耗之后才能确定[13] Token经济的四个核心判断 - 第一，等效智能成本呈摩尔定律式下降，需求呈杰文斯悖论式扩张，两条曲线间的距离决定行业利润空间和竞争格局[18] - 第二，Token消耗爆发性增长本质是AI长程任务能力提升突破人类注意力上限瓶颈，根据国家数据局2026年3月数据，Token全国日均调用从2024年初的1000亿增长到2026年3月的140万亿，两年涨近1400倍[19] - 第三，Token市场正在形成“分层定价”格局，不同等级模型对应不同Token价格，本质是出售不同等级的机器智力服务，类比律师行业初级律师和资深合伙人的小时费率相差几十倍[20] - 第四，制度分类跟不上流通现实，Token跨境流通可能表现为模型出海、Token出海或封装成智能体服务出海，现有国际规则面对数据合规、税收归属、争议解决和安全责任仍有大量空白[20] Token的跨域属性 - Token触及技术、经济、制度、社会4个层面，各层面专业话语体系之间存在沟通鸿沟[13] - 技术层面：Token是分词算法产物，是模型推理的最小操作单元，工程师关注生成效率、上下文窗口、注意力机制[13] - 经济层面：Token是前所未有的经济现象，经济学家需要新分析工具处理供给可计量、产出价值高度分化的商品[13] - 制度层面：Token跨境流通牵动算力主权、数据安全、能源布局和产业竞争，现有国际贸易规则、税收体系和监管框架捉襟见肘[13] - 社会层面：AI抬升总体智力水位，但智力平权与智力鸿沟问题同时发生，会不会使用模型、能调用什么级别模型、付得起多少Token账单决定个人和企业触达的智力上限[14] Token效率与AI应用 - AI竞赛上半场比“能不能用”，下半场比“用得值不值”，面向亿级用户的AI必然要在不同能力层级的模型之间形成分工[14] - 让前沿模型处理“错不起”的难题，中等模型承担高频日常调用，小模型处理简单请求[15] - 只有不只看消耗多少Token，更看单位Token创造多少价值时，AI才能真正成为普通人用得起、中小企业算得过账、整个社会靠得住的生产力[15] 智力成果与法律视角 - 知识产权保护的客体被概括为“智力成果”，大模型产出的文章、代码、设计、方案本质上就是过去只有人脑才能产出的智力成果[22] - 从法律视角看，关键不在于过程像不像，而在于产出的结果是同一种东西：智力成果[22] - AI的“思考”和人的思考不同，前者依赖矩阵运算，后者发生在大脑复杂的神经活动之中[22] Token经济的终点 - Token经济的终点依然是人，无论怎样演化，终极度量标准只有一条：是否让更多人获得更好的智力服务，是否让人类整体变得更自由而不是更被动[27] - 2017年腾讯研究院首倡“科技向善”，2024年凝练出腾讯初步的“AI观”：人是AI的尺度，AI是人的延伸[27]