打开任何一家模型厂商的定价页，你都会看到同一个词：每百万 Token 多少美元。大多数人把它当成一条计费规则，一个成本项，财务报表里待压缩的一行。这个理解太窄了。
本文的论点只有一个：Token 是人类历史上第一个可以按量购买、精确计量的「智力产出」单位。这不是定价技术问题，而是一个经济结构问题——因为所有围绕它的直觉，都建立在为石油、电力、带宽设计的旧框架上，而这些框架在 Token 面前会系统性地失灵。
一、每个经济时代都有自己的计量单位
经济学里有一个朴素的观察方法：判断一场产业革命是否真正发生，看它有没有催生新的计量单位。
农业时代有蒲式耳。在标准化之前，小麦只能按麻袋估价，一袋麦子的「量」取决于袋子多大、卖家多诚实。蒲式耳出现后，芝加哥的买家可以买下他从未见过的堪萨斯小麦——远程期货交易从此成为可能。铁路降低了运输成本，但真正让粮食变成可全球交易的标准商品的，是蒲式耳。
能源时代有桶。42 加仑的标准油桶在 1866 年被确定下来，石油从此可以从宾夕法尼亚的地方矿产，变成纽约和伦敦市场上可以对冲、做空、期货化的全球资产。
电气化时代有千瓦时。1889 年英国工程师提出这个概念，1948 年国际电工委员会（IEC）正式认可。电力在发电厂与千家万户之间流动，但只有当它有了标准计量，电网调度、电力交易市场、工业能耗管理才成为可能。
信息时代有比特。香农 1948 年的《通信的数学理论》让信息从哲学概念变成可测量对象——线路容量、硬盘空间、网络带宽，从此都有价签。
这四个单位有一个共同点：它们计量的对象最终都可以还原为物理过程。蒲式耳计量物质，桶计量容积，千瓦时计量能量，比特计量信号的编码长度。至于一比特里存的内容有没有用，不在比特的范畴之内。
Token 打破了这个规律。它计量的不是物质、能量或信息量，而是机器完成一次智力任务的产出量——理解一句话、生成一段代码、做出一个判断。这些过去只能由人脑完成、被绑定在工时和岗位上的活动，第一次有了可计量的单位和可执行的价格。
这就是「智力即服务」的物质基础。过去买智力，买的是人、是工时、是岗位；现在买智力，买的是 Token、是任务、是结果。智力第一次脱离具体的人脑，被连续调用、计量和计费。
二、Token 的两个反常结构
如果只是多了个计量单位，事情还简单。真正麻烦的是，Token 在两个关键维度上偏离了传统商品的所有前提。
第一个反常：同质计量，异质价值。
一蒲式耳小麦的品质在收割时就已确定，一桶原油的品级出井即可测量。Token 恰恰相反：它的价值完全由使用场景决定，而且事前无法标注。同一个模型审一份价值百万美元的并购合同，和用它闲聊天气，消耗的 Token 数量可能相当，创造的经济价值却差出几个数量级——而这个差异只有在任务完成后才知道。
更麻烦的是切换的边际成本接近零。同一家 API，换一条指令就能从闲聊切到合同审查。于是形成一个前所未有的市场结构：生产端被统一计量，消费端交付的却是高度非标准的智力成果，两者彻底脱钩。传统供需分析默认「生产端特征与消费端价值耦合」，这个前提在 Token 时代不再成立。
第二个反常：两套时钟。
以 GPT-4 级别能力为基准，2023 年初的推理定价约每百万输出 Token 60 美元，到 2025 年同等能力的市场价格已不足 1 美元——两年跌去近两个数量级。但同期全球 AI 基础设施总支出不减反增：IDC 数据显示 2025 年达 3180 亿美元，是 2024 年 1530 亿美元的两倍有余。
单价暴跌、总支出暴涨，这是教科书级的杰文斯悖论：19 世纪蒸汽机效率提升，煤炭总消耗不降反升。效率提升扩大了使用场景，使用场景扩大吞噬了全部效率红利。而且这一次节奏更快——算法效率可以在既有硬件上独立提升，晶圆厂从动工到投产却需要三到四年。软件的时钟以月计，硬件的时钟以年计，两套速率完全不同的时钟在同一市场同时运转。
三、一个已经在运转的经济体
Token 经济不是概念，是进行时。三组数字可以看出它的规模和斜率：
OpenAI 在 2026 年 3 月披露，其 API 处理速率已达每分钟 150 亿 Token——这还只是 API 端口，不含 ChatGPT 消费端的消耗。而 2025 年 10 月开发者日公布的数字还是每分钟 60 亿。五个月增长 1.5 倍。
中国市场更陡。国家数据局 2026 年 3 月披露，中国日均 Token 调用量从 2024 年初的约 1000 亿，涨到 2025 年底的 100 万亿，2026 年 3 月已突破 140 万亿——两年增长超过一千倍。
算力结构同步迁移：全球推理已占 AI 算力的约三分之二，而 2023 年这个比例只有三分之一。训练一次、推理亿万次的商业模式，正在成为算力开支的主体。
英伟达 GTC 大会后的一次访谈里，黄仁勋说：「一个年薪 50 万美元的工程师，如果一年消耗不到 25 万美元的 Token，我会非常担心。」他还补了一句：顶尖工程师坚持只用纸笔工作，跟芯片设计师拒绝使用 EDA 工具一样荒谬。具体金额会随价格下行很快过时，但这句话折射出的新标准不会：Token 消耗量正在成为衡量知识工作者生产力真舍得投入多少的新维度，就像上一代人用带宽和云规格衡量一家公司的数字化程度。
四、为什么旧的采购和分析框架会失灵
把这些结构性变化放到一个具体场景里，失灵立刻可见。假设你是一家科技公司的战略负责人，CEO 要求你从零搭建企业 AI 采购体系，你会发现 MBA 教的那一套几乎条条碰壁。
供给侧，全球数十家模型提供商的成本结构完全不同：头部公司背后是上千亿美元累计投入，开源社区用几百万美元微调就能在某些任务上逼近前沿。需求侧，法务部门这个月消耗 5000 万 Token 审合同，下个月可能涨三倍；工程团队部署几个智能体后，消耗一周暴涨十倍——你无法预测哪个部门、什么时候、产生多大用量。传统采购赖以生存的「稳定年度需求计划」在这里不存在。
定价分析同样失效：充分竞争、产品同质、自由进出这些前提一个都不满足，你甚至无法确定下个季度同样的预算能买到什么水平的能力。最痛苦的是价值评估——同样 1000 万 Token，律师用来审合同可能规避了上百万美元的法律风险，市场部用来写周报只省了半小时。CFO 却要你给出一个统一的「企业 Token ROI」。
还有一个正在到来的变量：调用决策正在从人的手动提问，转向 Agent 在既定目标下持续触发。当 Agent 自己决定调用什么模型、消耗多少 Token，需求对价格、延迟和失败率的反应方式，将和任何我们熟悉的消费品市场都不同。单位价格下降让 Agent 加速进入工作流，Agent 持续执行放大需求，需求爆发暴露物理供给瓶颈，瓶颈又反过来改写价格和应用门槛——这个循环已经启动。
五、如果你在其中，该怎么做
框架的用处在于指导决策。按角色拆开：
- 如果你是 CFO 或采购负责人：放弃寻找单一的「Token ROI」。正确的做法是按任务价值分桶——高杠杆任务（合同审查、代码生成、客户分析）与低杠杆任务（草稿、摘要）分开核算，前者的消耗是投入，后者的消耗才是成本。同时把需求波动本身写进预算模型，别指望年度计划。
- 如果你是技术管理者：把 Token 消耗当成生产力的仪表盘而不是成本红线。一个团队消耗骤降，往往不是省钱，而是 AI 使用在退潮；骤涨也不一定是失控，可能是工作流真正跑通了。先看消耗发生在什么任务上，再判断健康与否。
- 如果你是开发者或创业者：Token 价格的两个数量级下跌意味着，今天算不过账的应用，一年后可能算得过。设计产品时把「单价还会降」当作默认假设，把护城河建在数据、工作流和场景理解上，而不是建在当下的推理成本差上。
- 如果你是知识工作者：黄仁勋那句话可以倒过来读。Token 消耗量会逐渐成为衡量你杠杆率的指标——不是你敲了多少字，而是你调动了多少机器智力。学会把任务翻译成高质量的上下文和指令，是这个时代新的基本功。
蒲式耳让小麦可以被远程交易，桶让石油成为金融资产，千瓦时让电网得以运转，比特让信息有了价格。Token 正在做同一件事，只是对象换成了智力本身。理解这个单位，不是理解一条计费规则，而是理解一场正在发生的经济秩序重写。