structure｜1️⃣ 三级笔记、思想框架

Token 经济学正在成为 AI 时代的新货币战争

核心观点

Token 正在从模型调用的技术单位，变成 AI 时代的成本单位、计费单位、调度对象和跨境价值载体。围绕 token 的使用量、价格、效率、路由、计费和套利，正在形成一套新的商业基础设施，也让中国模型因为性价比和算力基础设施优势进入全球开发者市场。

一、Token-maxxing：硅谷开始用 token 消耗量衡量 AI 原生程度

1.1 新的炫富方式：每天烧了多少 token

• 硅谷出现了 Token-maxxing，意思是“把 token 用量拉到极限”。
• 公司内外开始攀比每天消耗多少 token、能同时调度多少 agent、token throughput 有多高。
• 这些指标正在变成衡量一个人“有多 AI 原生”的新指标。

1.2 Meta、Writer、Uber 代表激进派

• Meta 内部的 “Claudeonomics” 排行榜汇集超过 85000 名员工的 AI 使用数据，列出 token 消耗最高的前 250 名超级用户。
• Writer CEO May Habib 把 token 使用视为“生死存亡级别的问题”，并亲自盯 token 消耗排行榜。
• Uber 后端系统中 11% 的新代码更新已由 agent 完成，CTO 的愿景是把软件工程转型为 agent 软件工程。

1.3 反对派认为 Outcome maxxing 大于 Token maxxing

• HubSpot CEO Yamini Rangan 提出 Outcome maxxing 大于 Token maxxing，核心是不能把消耗量当成结果。
• Jellyfish CEO Andrew Lau 认为，一天到晚刷 token 可能得到完全不想要的结果。
• 中间派的共识是：不充分利用 AI 的公司会被竞争对手超越，但排行榜和激励制度本身并不完美。

二、Token 成本改变了软件公司的成本结构

2.1 Agent 任务让 token 消耗直线上升

• OpenClaw 爆火以来，agent 任务烧掉的 token 量直线上升。
• 一个稍微复杂的任务可能跑到几千万 token；如果调用昂贵 Claude 模型，小任务也可能花十几二十美元。
• Uber 2026 年 AI 预算在开年几个月就用完，原因是工程师对 Claude Code 的使用量暴增。

2.2 SaaS 的边际成本逻辑被改写

• 传统 SaaS 的研发投入偏一次性，用户越多，边际成本越低。
• AI 产品中，每个用户的每一次智能操作背后都有 token 账单，用户用得越深，产品方付给模型厂商的钱越多。
• token 因此成为 AI 创业公司最核心的“弹药”，也让风投开始尝试直接给被投企业提供 token 额度。

三、Token 定价不是单价乘数量，而是模型质量、缓存、上下文和任务完成度的组合

3.1 一次对话至少有三种 token 价格

• Input token 是发给模型的内容。
• Cached input token 是被缓存的 prompt、上下文或文件内容，再次调用时更便宜。
• Output token 是模型生成回答时产生的 token，通常显著贵于输入 token。
• 在对话任务中，三者价格大致可呈现 1:0.1:6 的水平。

3.2 越贵的模型可能反而让总体成本更低

• 强模型一次做对，弱模型可能反复重试，并产生人工介入成本。
• token 单价上涨，并不等于每个有效结论的成本上涨。
• 在 agent 场景里，agent loop 会反复调用模型、工具和日志；模型质量越差，循环和迭代越多，最终 token cost 可能更高。

3.3 云厂商把 token 价格封装成企业级基础设施价格

• 企业通过 Azure、AWS、阿里云、火山引擎等云厂商调用模型时，账单由模型 token 费用、云服务封装费和企业级基础设施溢价组成。
• 区域部署、数据驻留、企业合规、优先推理、托管能力、私有化和专用吞吐都会改变最终价格。
• 云服务商通常根据模型在机器上每秒能跑出的 token 性能，反推出 GPU cost，再叠加 premium。

四、中国模型凭借性价比进入全球开发者市场

4.1 OpenClaw 后，开发者本能转向便宜模型

• Agent 工具让 token 消耗从万级跳到百万级，个人开发者和创业公司对价格更敏感。
• Kimi、MiniMax、智谱等中国模型因为便宜和可用，在国际开发者社群中大受欢迎。
• 在一些任务上，中美模型价差可以高达 50 到 70 倍。

4.2 开源模型越过能力门槛后，价格优势被放大

• 编程是大模型 token 消耗最大的赛道之一。
• 当开源模型在 coding 上接近几个月前的 Anthropic 模型，同时价格极低，开发者自然会切换。
• MiniMax M2.5 与 Claude Opus 4.6 在 SWE-Bench Verified 得分接近，但前者输入价格只有后者约 1/17。

4.3 便宜来自 MoE、生态补贴和云厂商成本结构

• 国内模型通过深度 MoE、较小专家 size、较少 active 专家数来节省推理成本。
• 公司通过补贴用户抢占生态。
• 云厂商自有基础设施让模型价格有更高 margin 可以压低。

五、Token 不再是同质商品，效率和场景开始决定价格

5.1 黄仁勋提出 token 的分层定价框架

• Token 可以分为免费层、中级层、高级层、高速层和超高速层。
• 价格不只由模型能力决定，也由交互速度和使用场景决定。
• 类似电力有峰谷电价，token 也会根据速度、吞吐和场景形成不同价格区间。

5.2 Token Efficiency 成为新赛道

• 当前全球企业 AI 应用中，可能有近一半 token 没有产生实际价值。
• Agent 会反复读取对话历史、扫描已处理文件、喂入过期上下文，造成冗余 token 滚雪球。
• 如何让 agent 少烧冤枉钱，正在成为新的技术和商业赛道。

六、OpenRouter 和 Metronome 是 token 经济的基础设施样本

6.1 OpenRouter 把分散模型供给整合成统一入口

• OpenRouter 让开发者不用每家模型公司单独注册、充值、对接 API。
• 它提供统一接口并抽取约 5% 费用，成为观察全球模型使用趋势的一面镜子。
• OpenClaw 爆发后，开发者需要快速切换模型的中间层，OpenRouter 的价值被放大。
• OpenRouter 数据更像创业公司和独立开发者的风向标，而不是整个 AI 行业全景图。

6.2 Metronome 解决“发生了什么”和“该怎么收费”的拆分问题

• AI 时代收费单位变成 token 数、API 调用次数、GPU 时长等颗粒度极细的指标。
• Metronome 记录谁在什么时间调用了什么、花了多少 token。
• 它把事件流和定价逻辑拆开：工程团队只上报用量数据，产品和销售团队配置价格、合同、折扣和阶梯。
• Stripe 收购 Metronome 说明，在 token 经济中，“怎么算钱”本身已经变得很重要。

七、Token Arbitrage：模型混合调度创造新的套利空间

7.1 套利来自用户体感和模型成本之间的差异

• 复杂任务用 Claude、GPT，简单任务用 MiniMax、Kimi 等性价比模型。
• 如果用户体感不出差异，中间商就可以用便宜 token 提供接近贵 token 的效果。
• 这不是简单“批发转零售”，更进阶的方式是搭建智能路由器。

7.2 智能路由器根据任务复杂度分配模型

• 用户需求进来后，先用一个模型判断任务复杂程度。
• 简单任务分配给便宜模型，真正复杂的任务才给 Claude 或 GPT。
• 更深层的调度还要判断 throughput、latency、模型质量、任务完成度，甚至模型与硬件的匹配。

7.3 套利空间不会只停留在 OpenRouter 水平

• 单个大模型厂商会把 Advisor 模式、路由模型等能力内置进自己的生态。
• 跨模型调度仍有空间，因为每家公司主要优化自己的模型，而市场模型供给高度分散。
• 最会调度 token 的系统会赢。

八、Token 出海把电力、算力和 API 账单连成新的出口形态

8.1 Token 出海是一种“电力价值出海”

• 一个伦敦程序员调用 MiniMax API，物理上可能是请求到中国数据中心，GPU 运转、电表跳动，结果返回海外。
• 电力没有离开中国电网，但电的价值通过 API 账单以 token 形式完成跨境结算。
• 这是一种不需要集装箱、不需要实物出关的出口。

8.2 中美差距不只在电价，而在基础设施响应速度

• 中美工业电价差距没有想象中大。
• 美国不缺电，缺的是配电能力和基础设施审批速度。
• 中国可以通过西部光伏、特高压电网和东部算力集群形成更快响应。

8.3 Token 需求增长还看不到天花板

• Token 消耗正在从“人类主动发起”变成“机器自动运转”。
• Agent 全天候在后台写代码、查资料、跑测试、发部署，会让消耗从几十万跳到千万级。
• 当 agent 使用从少数开发者扩散到知识工作者和各行业，token consumption 会继续增长。

九、结论：Token 会成为大宗商品，旧商业模式会在新载体上重演

• 对 Meta 员工，token 是排行榜上的勋章。

concepts｜2️⃣ 关键概念、概念网络

agentic reading｜3️⃣ 费曼 x3