关于Token定价的思考

# 关于 Token 定价的思考方式 来源：https://www.ben-evans.com/benedictevans/2026/7/9/ways-to-think-about-token-pricing 关于 token 价格，你只能有把握地说两件事：我们正处于供应紧张之中，而且这种情况是不稳定的。所有变量都在变动，市场将在未来几年内经历震荡，最终达到新的平衡。现在我们看到了大量关于"达到算力顶峰所需时间"的狂热分析，但最终的问题是：基础模型是否具有可持续的定价权、战略杠杆和价值捕获能力，还是会变成低利润率的商品化基础设施提供商？目前，我能看到的每一个动态都指向后者。 显然，今天的情况是暂时的。在供应方面，一万亿美元或更多的数据中心资本支出即将投入（还有大量半导体（https://www.taipeitimes.com/News/biz/archives/2026/05/13/2003857222）资本支出（https://www.wsj.com/tech/samsung-sk-hynix-to-spend-520-billion-on-chip-plants-in-south-korea-7d50aab2）紧随其后），推理效率持续快速提升，而新模型在 token 使用上效率也高得多（或低得多！）。在需求方面，尽管市场自 2022 年以来一直受到产能限制（https://www.cnbc.com/2025/10/01/microsoft-wants-to-mainly-use-its-own-ai-chips-in-the-future.html），但今年上半年的紧张状况主要是由一个用例——软件开发——突然找到产品市场契合点所驱动的，而这个领域实际上相当小（想象一下，如果我们为一个拥有数亿日活用户的消费者用例找到了产品市场契合点——以今天的算力基础设施，无论什么价格都无法支撑）。我们不知道下一个规模化应用的用例是什么，也不知道何时会出现，更不知道它们对 token 的需求会是多少。 再往上一个层面看，据报道，当前推理业务的毛利率在 40-50% 左右：这包括了相关服务器成本的折旧（或租赁成本），但我们实际上不清楚资产寿命（五年？七年？），而且这显然不包括每年训练几次新模型的成本，目前这一成本远高于收入。原则上，推理是边际成本，训练是固定成本，因此只要收入足够高，就可以实现盈利，但我们不知道训练成本会如何变化。在另一面，过去几个月使用量激增中，有多少具有投资回报率（或者至少能够量化给 CFO 看的 ROI），更不用说任何未来的用例了，因此人们愿意为这些用例支付什么价格也不清楚。 所以，在未来 12 个月内，所有变量都会剧烈变动，并且在未来三到五年内还会再次变动。我们如何推测这将稳定在何处？供应、需求、价格、产能和资本支出如何以及在哪里才能重新达到平衡？ 理论上，你可以自下而上地进行建模。你可以对我上面提到的每个变量做一些假设，然后尝试模拟目前有多少芯片，台积电和半导体行业的其他公司可能在未来某个时间点提供多少性能的芯片，所有这些芯片能以多快的速度部署到数据中心，以及这些数据中心能以多快的速度获得电力供应。然后你可以考虑价格纪律，并对用例做一些猜测。这会给你一个数字，但这有点像试图在 1998 年为宽带市场做一个五年期预测：电子表格会很漂亮，你甚至可能接近今年的正确数字，但要做出一个有用的长期市场结构预测，未知变量太多了。 换句话说，我们可以说 token 价格是供给和需求在卖方边际成本和买方 ROI 之间的某个水平上的函数，但我们实际上并不知道供给、需求、边际成本或 ROI 会是多少。 另一种方法是自上而下地看：这类事情通常会如何发展？构成要素是什么，它们可能走向何方？这方面的讨论大多取决于这条曲线会发生什么变化。 **首先，有多少人愿意付费以位于曲线的右上角——即处于前沿？** 一个极端是，已经有一些用例用一个小型、老旧、可能是开源的、在本地或手机上"免费"运行的模型就能工作得很好；另一个极端是，一些用例从最新、最昂贵的前沿模型中获得更好的结果，消耗大量 token 和大量资金；中间还有很多用例。那么，有多少用例会通过沿着成本曲线走得更高而获得更好的结果，有多少用例对此有 ROI，又有多少用例是由更小、更便宜、"足够好"且更商品化的模型处理的？乐观的看法是，ROI 可能会随着更昂贵的前沿模型而*上升*，因为它们有更好的结果，但这真正适用于哪里？ **第二，前沿是否会持续显著移动？** 这显然是 AI 中最基础的科学问题：前沿还能持续改善多久？这还需要多久需要更多的计算资源？这种改善的速度能否持续领先于效率提升和产能增加带来的价格下行压力？昂贵的曲线头部会不会持续存在？ **第三，前沿模型之间是否仍会有激烈竞争？** 该领域是否会萎缩到只剩下少数几个前沿模型，或许还会出现网络效应？前沿模型是否会分化，不同的模型在不同领域具有更明显的领先优势？这可能是可持续定价权的另一条路径。或者我们是否会继续看到只有个位数数量的公司，它们都在制造拥有大致同等能力的前沿模型？目前，所有人都在使用大致相同的科学原理和大致相同的训练数据，并得到大致相同的结果，我们还不知道有任何网络效应或其他赢家通吃的效应能让某家公司以可持续的方式拉开差距、保持领先，并做到其他公司做不到的事情。这种情况会改变吗？ **第四，那些高端用例中的价值有多少被前沿模型本身捕获？** 有多少需要被封装在工具、流程、专有数据、市场推广、网络、支持以及与一家传统软件公司相关的其他一切之中，即使底层确实需要那个庞大昂贵的前沿模型？这个模型能完成所有事情吗？还是说，无论模型多么出色，它仍然是用来制造实际产品的基础设施？在极端情况下，模型本身能否发明并创造所有这些事物，并从而允许它们按席位、按结果收费，或者直接拿走利润？或者，即使是最复杂、最高价值的用例（或者特别是这些用例）也需要嵌入到成百上千家可以自由选择使用哪些模型的新公司之中？ 这些都不是非此即彼的问题：它们都是程度问题，并且很可能因用例不同而有很大差异。但在一个极端，是两三个巨大的"大脑"运行着半数以上的事务，并拥有强大的定价权；在另一个极端，LLM 看起来像数据库——会有数百万个，有些非常大，有些非常小，而价值在于你在其之上构建的东西——毕竟，每家 SaaS 公司都是一个"数据库封装器"。有一种未来，Anthropic（或一家我们尚未听说的公司）赢得了一切，可以设定自己的条件；还有一种未来，数十个路由器运行实时拍卖，将你的任务分配到数百个低利润率的"模型农场"中，一家基准公司从每笔交易中收取费用。 我不认为任何人现在能真正*知道*答案。我说了很多次"我们不知道"，这是非常刻意的。'S曲线'概念的一部分在于，在新兴技术出现的早期阶段，会有一个时期，很明显这将非常巨大，但其他一切都不清楚——比如 90 年代中期的互联网，或者 2008 或 2009 年的移动互联网。有些地方你可以有自己的看法——例如，我已经详细论述过，我认为聊天机器人是一种糟糕的界面，将难以在技术栈上游捕获价值——但我们应该假定存在一些我们尚无法看到、更不用说回答的重大问题，任何在我们能看到的十个可能结果中挑出一个并说"就是它了！"的人，都只是在猜测。 与此同时，每一项重大新技术的早期阶段都存在结构性不确定性，但现在的不同之处在于，我们对于这些模型为何能如此工作良好缺乏扎实的理论理解，因此我们不知道它们还能变得多好。在 1995 年，我们不知道互联网将如何演变，但我们知道地球上只有不到 1 亿台 PC（而且很贵），并且电信运营商不可能在明年给所有人提供光纤到户；在 2010 年，我们不知道下一款 iPhone 会是什么样子，但我们知道它不会有视网膜投影。我们知道物理限制，但我们对 LLM 的了解方式却并非如此。下个月，一种新方法可能会将推理计算需求削减 90%，或使需求翻倍，或者两者兼有。 这一切都让人们寻找可识别的模式（事实上，有人观察到*所有*关于 AI 的讨论最终都会演变成寻找隐喻）。现在，人们经常将其与光纤进行比较，光纤在互联网泡沫时期经历了大规模过度建设，这看起来有点像今天的基础设施建设。这个类比的一个狭隘问题是，光纤建设远远超前于需求，而 AI 计算建设则远远落后于需求，不过如上所述，我们不知道未来供需平衡会是什么样子。但我认为更相关的反对意见是，光纤建设主要是固定成本（挖坑），而不是边际成本（更多设备），而计算需求的增长意味着你需要购买更多的计算能力。 这使得移动数据在这里成为更有成效的比较对象。移动网络存在产能的边际成本，并且像 AI 一样，15 年前它们经历了一次巨大的使用量激增，压倒了容量，迫使运营商争先恐后地增加容量并重新平衡其定价（https://archive.nytimes.com/gadgetwise.blogs.nytimes.com/2011/07/05/verizon-to-drop-its-unlimited-mobile-data-plan-july-7/）。同时，出售比特在表面上看起来与出售 token 类似：这是一种不透明的边际成本衡量标准，无法以透明或直观的方式映射到用例或价值，并且需要用某种形式的捆绑套餐来替代。但最重要的是，在过去 20 年中，蜂窝数据流量增长了几个数量级，这已经成为一个巨大的行业，年收入达一万亿美元，资本支出达 2000 亿美元，但相关股票却毫无起色，所有价值都被技术栈上层的其他人捕获了。这当然是 AI 的核心问题之一：这会不会成为低利润率的商品化基础设施，所有价值都被技术栈上层的其他人捕获？ 半导体制造也与 AI 有相似之处，因为与蜂窝不同，它在某种程度上具有我们从前沿模型中看到的那种不断升级的成本和复杂性。摩尔定律指出，尖端晶圆厂的成本每四年翻一番：随着时间的推移，半导体前沿变得如此困难和昂贵，以至于参与者从几十个减少到几个，现在实际上只剩下一个，即台积电。这是 AI 的另一个核心问题：即使没有网络效应，这会否变得如此困难和昂贵，以至于只有一两家公司能够做到？同样，许多半导体用途都位于我刚才讨论的 AI 同类价格/性能曲线的更靠后的位置。然而即使在这里，尽管台积电在前沿领域拥有*事实上的*垄断地位和不错的利润率，但它实际上并没有从更广泛的技术经济中捕获很大一部分价值：去年净利润为 530 亿美元，还不到苹果公司的一半。 这里还可以做许多其他比较：在过去的六个月里，Sam Altman 将 OpenAI 比作 Windows（一种基于网络效应的高利润率、轻资本的垄断企业），也比作电力公用事业（一种自然垄断但同时也是受管制的低利润率纯商品公用事业）。也可以指向云（三家领先公司，利润率不错，产品定位清晰，但同样价值捕获有限）。但这些都没有预测价值：类比没有预测价值。你不能通过论证某事物有多么像移动网络来证明它将会有与移动网络相同的结果：这是 15 年前技术界许多非常聪明的人犯的错误，他们声称 Android 会击败 iOS，因为 Android 是"开放"的，而"开放"的 Wintel 在 1990 年代击败了"封闭"的 Mac（这也是末世论者所犯的错误，他们声称 AI"像"核武器）。一切事物都是不同的：比特、token 和晶体管是不同的，以上每一个例子彼此之间也是不同的，AI 也将是不同的。 然而，这些例子确实经验性地告诉我们，某件事物可以非常重要、非常昂贵、改变世界，并且充满非常复杂的科学和工程学，但仍然有广泛的可能性结果。这里没有一条不可避免的路径：价格均衡可以在高利润率和低利润率下实现，可以有市场集中也可以没有，你不能通过谈论 AGI 并说"你不理解指数增长！"来挥手否定这一点。 然而，如果我上面写到的所有内容中有哪一条线索是关于我们还有多少不知道的东西，那么另一条线索就是，每一条通往基础模型实现市场主导、战略杠杆、价值捕获、赢家通吃效应或其他任何使其不至成为商品化基础设施的路径，都需要某些东西发生改变。 也许前沿模型会变得不那么有竞争力——然而在过去六个月里，马克·扎克伯格和埃隆·马斯克（https://artificialanalysis.ai/articles/grok-4-5-brings-spacexai-to-the-the-intelligence-frontier）从零重新跳回了排行榜。也许网络效应会出现。也许聊天机器人能成长为产品，而不需要被封装在软件中。也许某个实验室会开始超越所有其他实验室，并凭借纯粹的产品活力拉开差距——微软、谷歌、Facebook 和苹果在拥有赢家通吃效应之前，都不得不奋力执行出自己的领先地位。也许*其他什么事情*会发生。 特别是，我们不是只有一个，而是有两个潜在的"机械降神"——特朗普和中国。据报道，中国正在考虑（https://www.reuters.com/world/beijing-is-looking-curbing-overseas-access-chinas-top-ai-models-sources-say-2026-07-07/）监管开源，一些接近特朗普的人士也提出了这一点（尽管自 Meta 放弃 Llama 以来，美国已经没有领先的开放模型），并且出口管制可能扩大并变得系统化。许多人将 Anthropic 和（有时）OpenAI 呼吁监管的说辞视为监管捕获的幌子，但不管怎样，我们不能假定这将一直是一个完全自由的市场。 即便如此，这让我回到了同一点：当前的市场动态指向一个未来，即随着今天的供应紧张缓解，前沿模型将趋向于成为商品化基础设施，所有价值都构建在其之上，而要实现不同的结果，需要发生一些我们目前还看不到的事情。