文章核心观点 - Token正成为AI时代智力劳动的基本计量单位，使部分认知能力脱离人脑进入机器系统，成为可规模化生产、调度和分配的新型经济资源 [1] - Token经济的核心变化不是AI多了一个计费单位，而是认知能力第一次以细密、连续、可编程的方式进入经济系统，改变成本结构、价值分布、需求主体、产业竞争及商业与制度边界 [6] - Token经济不会自动通向更好的世界，其张力在于既让个人和小团队获得过去只有大机构才拥有的认知资源，又可能将机会重新绑定到算力、模型、平台和工作流之上 [7][8] - Token经济的终点应是人有能力站在系统中央调用智能而非依附智能，继续成为目的本身 [10] Token作为新计量单位 - 农业社会用蒲式耳计量谷物，工业社会用桶计量石油，电气时代用千瓦时计量电力，互联网时代用比特计量信息，AI时代Token承担类似功能 [1] - Token是部分智力劳动进入机器系统后被调用、消耗、定价、交易和治理的基本单位 [1] - 过去思考、判断、写作、编程、分析和沟通主要依附于人身上，难以精确拆分和连续市场交换；Token出现意味着一部分智力劳动开始脱离人脑进入机器系统 [1] 价值与成本问题 - Token可记录一次生成消耗多少计算，却不能直接说明创造多少价值；同样底层消耗进入不同任务场景可能对应完全不同的经济结果 [2] - 价值不在Token数量本身，而在任务价值、模型能力、结果可用性以及人和组织能否把结果转化为行动 [2] - Token不是传统软件意义上接近零边际成本的复制品，每次生成、推理、调用和重试背后都有芯片、能源、网络、数据中心、模型架构和工程系统在运转 [2] - 算法进步可让成本快速下降，但电力、芯片、基础设施和调度能力仍决定智能以什么规模生产、以什么价格交付 [2] 需求侧变化 - 随着多模态生成、智能体执行、代码自动化和多智能体协作展开，越来越多Token在机器之间流动 [4] - 需求不再只取决于人问了多少、看了多少，还取决于机器执行了多少、协作了多少、重试了多少 [4] - 调用发起者不再只是人，还包括嵌入组织流程和软件系统中的机器行动者 [4] 行业竞争格局 - AI行业竞争不只是模型能力之争或单纯价格战，还围绕Token生产效率、消耗效率、价值转化效率和定价权展开 [4] - 芯片层、模型层、应用层的利润分布会被重新排列，开源与闭源拉锯持续改变能力价格 [4] - 中美之间会围绕算力、能源、工程优化和生态标准形成不对称竞争 [4] - 谁能以更低Token成本完成更高价值任务，谁就更可能获得新的产业位置 [4] 商业模式演化 - Token最初像智能原材料以API调用形式出售，但企业真正购买的是任务完成、流程优化、岗位替代、收入增长和风险降低 [5] - Token被包装成订阅、套餐、积分、工作流、结果付费和数字员工，商业模式的本质是把底层消耗翻译成客户愿意理解、预算、验收和支付的价值单位 [5] - 按Token计费时普通用户需理解提示词、模型档位、上下文长度和调用优化，技术鸿沟容易变成账单鸿沟；按效果收费时优化责任更多回到供给侧 [5] - 智能从特权工具走向公共能力，靠的不只是模型降价，还要靠商业模式把复杂性藏到后台、把结果交到前台 [5] 制度层面压力 - Token在企业内部流动时是账单、成本和预算；跨越国界时则变成贸易、税收、责任、安全和规则问题 [6] - 一次跨境调用到底是软件服务、数据处理、算力出口还是被Token精确计量的智能产出，尚无定论 [6] - 智能体完成任务后出错，责任应落在模型、路由、编排方还是客户身上，制度边界亟待厘清 [6] - 传统经济学不会失效，但许多默认前提需重新校准：价值不一定和数量成比例，数字产品不一定拥有低边际成本，需求不一定来自人，企业边界不一定由雇员构成，贸易对象不一定能被既有分类完整装下 [6] 科技平权与社会张力 - 一方面个人、小团队和普通组织有机会调用过去只有大公司大机构才能拥有的认知资源，原本需要团队协作完成的工作可能被压缩到更小组织单元 [7] - 另一方面机会可能被重新绑定到算力、模型、平台和工作流之上，一个人能调度多少智能、能否管理智能体错误和风险，越来越深地影响其工作、网络和收入 [8] - 未来尖锐问题可能不是是否需要普遍基本收入（UBI），而是是否会出现普遍基本算力（UBC） [8] - 社会若把可调用智能变成新公共资源，必须回答：人获得的是新能力还是新依赖，能力分配通过市场价格还是公共保障完成，教育应教人记知识还是教人提问拆解判断管理智能协作者 [8] - 劳动和知识会被重新组织，人的价值更多体现在提出问题、设定目标、理解场景、承担责任、判断后果和赋予意义上 [8] 制度建设方向 - Token经济制度建设不能只围绕效率展开，统计Token不只是多一个经济指标，治理Token不只是降低模型风险 [9] - 更根本的问题是当智能成为可规模化生产和分配的社会资源时，如何决定它接入公共生活、纳入市场秩序、约束在人的目的之下 [9] - Token可成为新的成本单位、商业接口、贸易对象和制度变量，但不应成为衡量人的唯一尺度，更不应把会不会驾驭工具变成新的身份门槛 [9] - 真正重要的不是机器能生产多少认知，而是这些认知最终服务于什么样的人、组织和社​​会 [9]

文章核心观点 - 黄仁勋以制造业逻辑阐释AI工厂的投资回报框架：AI工厂以电力为原料生产Token，投资能否收回取决于工厂能否建得快、用电省，以及产出的Token是否有足够买家 [1][3] - 黄仁勋认为AI带来的变革仍处在起点，将以非常积极的方式影响每一个行业、每一个国家 [3] - 英伟达通过发布工厂参考设计和各类标准架构，依靠标准化配置把市场规模尽可能做大 [10] 全球AI产业链市场表现 - 进入10月以来全球AI产业链股票经历剧烈调整，截至10月16日美国费城半导体指数连续8个交易日下跌，创下2008年以来最长连跌纪录 [2] - 10月22日亚洲市场芯片和AI股再度领跌，韩国KOSPI指数收跌3.52%，SK海力士跌超5%，A股创业板指数跌4.37%，算力硬件股集体走弱 [2] - 亚马逊、微软、谷歌母公司Alphabet、Meta四家公司今年资本开支都将超过1000亿美元，主要投向数据中心等AI基础设施，这些投入能否收回及举债扩张风险是资本市场争论焦点 [2] AI工厂的效率 - 英伟达将AI工厂设计目标概括为"每瓦电力产出更多智能，用更短的时间产出第一个Token"，前者对应单位电力产出，后者对应新工厂投产速度，两者都关系到AI工厂多久能收回投资 [5] - 黄仁勋表示摩尔定律已基本终结，即便仍有效芯片性能十年也只能提升100倍左右，而过去11年AI性能提升了100万倍，靠的是芯片、系统、软件和算法的"极致协同设计" [5] - 按照英伟达设计方案，同等产出条件下AI工厂功耗最多可降低30%；英国AI云服务商Nscale在上一代GB300系统上测试英伟达电力管理软件后，供电额度不变时可多部署37%的GPU，单位时间产出的Token总量提高近50% [5] - 黄仁勋举例称一座1吉瓦的AI工厂每年带来400亿美元收入，晚投产3个月就要少收约100亿美元 [6] - 英伟达发布整座AI工厂参考设计，合作伙伴先在集装箱式模块里装好设备、完成集成和验证再运到施工现场，场地设施就绪前提下现场部署时间可从6个月缩短到14天 [6][7] - 黄仁勋认为把组装工作嵌进供应链是全球供应链的一次彻底转变，会改变数据中心的安装和建设方式，减少闲置浪费的算力和资本投入，提升产业链各方盈利能力 [7] - 英伟达早先把整个机柜的组装放进供应链，才得以同时为全球几百个数据中心的建设供货 [7] - 黄仁勋希望欧洲建起自己的AI工厂，认为要成为AI经济的一部分不能只做AI的消费者，而要成为AI的生产者 [7] Token的需求场景 - 黄仁勋认为基础设施必须先于AI模型落地，就像先有通信网络才有互联网，接下来消耗Token的主力是智能体，智能体会思考、推理、反复迭代并使用工具，越有用消耗Token越多，GPU需求也随之大增 [8] - 智能体落地企业需获得访问文件、网络和各类工具的权限，智能体有多大用处取决于给它多大的访问权限，同时要确保安全、权限尽量小并受到监测 [8] - 英伟达发布OpenShell安全参考架构，把智能体放在隔离环境里运行，再从芯片层面限定其能访问什么、能做什么，便于为客户安全地部署智能体 [8] - 黄仁勋判断未来每家公司都会同时使用封闭模型和定制的开放模型，Token买家会遍及各行各业，英伟达会把开放模型的参数、全套训练方法和数据一并公开，企业可据此复现和定制模型 [8] - 黄仁勋认为AI进步不会让软件和工具公司走到尽头，恰恰相反这些工具的使用者会比以往任何时候都多，每一家做专业软件工具的公司都将成为AI公司、成为智能体公司 [9] - 英伟达展示的案例中，法国设计与仿真软件企业达索系统的工程智能体已能通过仿真找出车型设计中的问题再改进设计，这类仿真本身需要消耗大量算力 [9] - 更远更大的需求来自物理AI，做一套物理AI系统要用到三类计算机分别用于训练模型、在数字孪生里让机器习得技能以及装在机器人身上运行，前两类通常放在数据中心，意味着物理AI大规模落地前就已要消耗数据中心算力 [9] - 黄仁勋认为无人驾驶出租车是巨大机会但市场极其分散，宣布沃尔沃汽车、梅赛德斯-奔驰等车企的下一代车型都将兼容英伟达推出的标准化自动驾驶架构Hyperion，借助行业标准联合生态链企业组成人人可接入的巨大"虚拟车队" [10] - 黄仁勋拿手机、个人电脑和英伟达NVL72整机柜系统作类比，认为标准化配置让很多客户都能用上从而带来销量并推动技术迭代越来越快，机器人形态也要尽可能标准化，人形机器人能适用于很多场景很可能成为销量最大的一类机器人 [10]