Token经济学七问——一份关于AI新经济的入门地图

白惠天、袁晓辉腾讯研究院

2026年3月31日，OpenAI宣布完成新一轮融资，同时披露了一个重要数据：用户每分钟调用API接口的Token量超过了150亿，这样计算下来一天是21.6万亿。¹

刚好在几天前，中国国家数据局公布，中国日均Token调用量突破140万亿，两年增长1400倍。²

Token是什么？简单说，它是AI处理和生成信息的基本单位——你向AI提一个问题，消耗一些Token；AI给你一个回答，生成一些Token。一个Token大约对应一到两个汉字，具体因模型而异。

为什么要关注Token？因为它让AI变成了一种可以计量、定价和交易的资源——就像“千瓦时”让电力有了价格，“桶”让石油有了期货市场。有了Token，AI经济就有了可以算账的单位。围绕这个单位，目前也正在形成一套全新的经济逻辑：有价格、有供需、有产业链、有国际竞争、有待解决的制度难题。

这就是Token经济学要讨论的事。而以下七个问题，试图为这个正在成型的新经济体系画一张地图。

Token经济学的产业背景

Token经济学不是凭空冒出来的学术概念，它有一个很具体的产业背景。

2026年3月，英伟达CEO黄仁勋在GTC大会前发表了一篇署名文章，标题叫AI Is a Five-Layer Cake（《AI是一个五层蛋糕》）。他把AI产业拆成五层：能源、芯片、基础设施、模型、应用。前三层合起来叫AI工厂，核心功能是制造智能。³后两层中，模型层是智能的载体，应用层让智能发挥价值。

来源：英伟达官方博客，Jensen Huang署名文章（2026.3.10），笔者翻译绘制。

贯穿五层的统一计量单位就是Token，英伟达对Token的定义是：Token是现代AI（生成式AI）的基本单位，也是AI的语言和货币。⁴AI工厂的关键经营指标——吞吐量、单位成本、每瓦产出、每兆瓦收入——全部围绕Token展开。

五层蛋糕回答的是在产业链中哪里能赚到钱，Token概念回答的是这个产业用什么单位来计算效率、成本和收入。这些概念合在一起，构成了AI产业经济的分析框架。

需要说明的是，这里说的Token本质是AI计算和服务交付的计量单位，不是指区块链上的可交易资产，所以Token经济也不是加密货币世界的Tokenomics。

Q1. 全球一天消耗多少Token？

我们先看一组数字，建立量级感。

OpenAI的API每分钟处理150亿Token，折算一天约21.6万亿。

谷歌2025年9月披露，Gemini每月处理1300万亿Token，日均约43万亿。

而中国国家数据局2026年3月的数字是：日均140万亿——大致相当于OpenAI和谷歌之和的三倍。

两年前，中国的日均Token调用量还只有1000亿。两年，翻了1400倍。

140万亿Token是什么概念？粗略折算，相当于每天生成约2000亿篇千字文章。全中国14亿人，人均每天”消费”上百篇AI生成的千字内容。当然实际不是这么算的——大量Token消耗来自企业级API调用、智能体运行和模型间交互——但这个量级本身就说明问题。

摩根大通预测，中国AI推理Token消耗将从2025年的约10千万亿增长到2030年的3900千万亿，五年再涨370倍。⁵

我们现在看到的，可能只是开胃菜。

Q2. 一个Token能创造多大的价值？

并非所有Token生而平等。

同样一个Token，用来闲聊的，百万个值0.01美元，用来写代码值200美元，用来做法律文档审阅的，值1000美元，价值差了十万倍。

数据来源：Litowitz et al. (2026)；Bergemann et al. (2025)；各厂商API定价页。

为什么？因为Token有一种此前生产要素不具备的属性：可编程性。同一个底层模型，接收不同的prompt，可以变成翻译、程序员、律师、科学家——直接产出不同价值的智力成果。钢铁做不到这一点，石油做不到，甚至电力也做不到。没有任何一种传统生产要素，能仅凭”指令不同”就改变自身价值百千倍。

耶鲁大学Cowles基金会的Bergemann等人精确地捕捉到了这个特征：Token是可合同化的计量单位——数量可精确计量，但价值完全取决于它被编程做什么。⁶这产生了一个反直觉的现象：不到5%的Token消耗，创造了超过80%的可测量价值。

所谓平均Token价格，就像用平均房价来描述一个既有茅草屋又有摩天楼的城市——数字正确，但毫无意义。

这种价值分层已经体现在宏观数据中。Collis和Brynjolfsson（2025）估算，生成式AI在2024年仅为美国消费者创造的消费者剩余就高达约970亿美元——用户从AI中获得的价值，远超过他们实际支付的金额。⁷而这些剩余价值，绝大部分集中在高价值应用场景。

理解这一点至关重要。Token的价值不取决于它的生产成本，而取决于它被用来做什么。这是理解后面所有问题的前提。

Q3. 生产一个Token要花多少钱？

生产一个Token的价格是不同的，取决于你用什么模型、做什么任务。

用轻量模型处理简单问题，比如GPT-4o-mini回答一句闲聊，消耗掉的电力约为0.03瓦时——比LED灯泡亮一秒钟还少。而用最强的推理模型做深度分析，比如GPT-5处理一个复杂的科学问题，，能耗可以高达18瓦时——是轻量模型的600倍。也就是说，同一家公司的不同模型之间，生产Token的成本就能差出几百倍。

为什么差这么多呢？三个因素：一是模型大小，参数越多，生成每一个Token需要的计算量越大；二是任务复杂度，新一代推理模型在输出每一个可见Token之前，会在内部进行大量隐式推演，相当于想了几十步才说一个字。用户看到一个Token，模型内部可能已经生产了上百个。单个可见Token的成本，被思考过程成倍放大了。也就是说，光是生产端，同一家公司不同模型之间的Token成本，就能差出几百倍。

但总体趋势是清晰的：Token在飞速变便宜。

数据来源：Epoch AI (2025)；NavyaAI (2026)；Tom’s Hardware / 罗德岛大学AI实验室 (2025)；各厂商API定价页。

2022年，调用GPT-3级别模型需要60美元/百万Token。到2026年初，同等能力的开源模型只要0.06美元——降了99.9%。驱动降价的是三股力量的相乘效应：硬件效率每年提升2-3倍，算法效率每年提升2-3倍，系统优化每年再提升2-4倍。三者相乘，Token成本每年下降5-10倍。同样规模的模型，从上一代GPU换到新一代，每个Token的能耗就能下降约10倍。

但这里有一个反直觉的事实：Token越便宜，全世界在Token上花的钱反而越多。

2022-2026年间Token单价降了99.9%，但同期全球企业AI云支出从115亿美元涨到了370亿美元，翻了三倍多。为什么降价却没省钱？经济学家对此不会感到意外——这是经典的杰文斯悖论：当一种资源的使用效率大幅提升，总消耗量不降反升，正如蒸汽机效率提升后，煤炭消耗不降反升一样。Token价格的下降，将原本被成本约束抑制的潜在需求大规模释放出来。当Token价格是60美元/百万时，只有金融分析、药物发现这些最高价值的任务用得起。当价格降到0.06美元时，代码审查、实时客服、个性化教育、甚至AI角色扮演都变得经济可行了。每个新场景都是新的Token消耗。

而且故事还有更深一层：单个Token的生产成本在持续下降，但单个答案的成本可能在上升——因为更好的答案需要调用更多Token、更大的模型、更深的推理。用户买的不是Token，是答案。所以更好的答案消耗更多的Token，也消耗更多的电。

Q4. 为什么突然全世界的Token都不够用了？

在第一个问题中我们看到了Token消耗的疯狂增长——中国两年增长1400倍。但增速背后还有一个拐点：就是从人用AI，到AI自己用AI。

过去两年，Token需求增长主要靠两个驱动力：一是C端用户习惯养成，比如ChatGPT和元宝等成为日常工具，二是企业把大模型嵌入业务流程，比如客服、代码审查和数据分析等。但这两个驱动力都有一个共同的天花板——人脑。人一天能读多少字，能处理多少信息是有上限的。无论AI多便宜，人的注意力和带宽是固定的。

2025年底开始，一种叫智能体（Agent）的新东西改变了这个格局。

智能体不是聊天机器人——它是能自主执行任务的AI程序。你给它一个目标，比如帮我订最便宜的机票，它自己去搜索、比较、填表、付款。整个过程中，它在不断调用大模型、消耗Token，完全不需要人类注意力参与。

一个企业部署1000个智能体，每个智能体每天消耗100万Token，一年就是3650亿Token。这相当于一个中等国家所有人类用户的总消耗量。⁸

数据来源：Stanford HAI (2025)；Jones, C.I. (2026)；Anthropic/OpenAI产品发布。

图中三个阶段：人类用户驱动（注意力为天花板）→ 人+智能体共存 → 智能体主导（机器消费远超人类）。红点为当前位置。

更值得关注的是，智能体不只消耗Token——已经有实验项目让智能体拥有自己的账户，自主接任务、赚收入、再用收入购买更多Token。AI正在从工具变成经济主体。

这带来了全新的问题：智能体的收入算谁的？它签的合同有没有法律效力？它造成的损失谁来承担？⁹

Token需求的下一波暴涨，不再来自人类用得更多，而来自机器自己开始消费。

这些新的模式其实已经在浮现，智能体越来越多的落地和应用，也解释了为什么突然间全世界的Token都不够用了。

Q5. 中国的Token和美国的有什么不一样？

2026年初，一件事让硅谷措手不及：在OpenRouter上，中国模型的Token调用份额已经超过60%。DeepSeek、Kimi、Qwen系列在性价比排行榜上碾压了大量美国竞品。

数据来源：OpenRouter Rankings (2026.3)；Artificial Analysis模型基准测试。

核心驱动力是算法创新。DeepSeek V3采用的混合专家架构（MoE）让同等能力的推理成本下降了一个数量级——大模型里有多个专家子模块，每次推理只激活其中一小部分，既保留能力又大幅降低成本。¹⁰

有人把这称为“Token出海”。但这里有一个常见的误读需要厘清。

在海外平台上提供服务的中国模型，其推理计算通常部署在海外云节点，如新加坡、美国，而非中国境内的数据中心。所谓Token出海，更准确的说法是中国的AI算法在出海，而不是中国的电力在出海。

中国Token的真正竞争优势在三个方面：第一，算法效率——MoE架构、量化技术等创新让单位算力的Token产出远高于同行；第二，开源策略——DeepSeek、Qwen的开源版本吸引了全球开发者，形成了生态飞轮；第三，极致定价——中国厂商愿意以接近成本价来换市场份额。

对全球Token市场来说，中国模型的加入大幅加速了Token价格的下降。竞争越激烈，Token越便宜，最终受益的是全球所有开发者和用户。

Q6. Token有哪些卖法？

Token经济中已经出现了三种截然不同的商业模式：

第一种：按量计费。用多少Token收多少钱。OpenAI的API、Anthropic的Claude API都是这个模式。好处是简单透明，问题是用户为了省钱会刻意减少调用。¹¹

第二种：包月订阅。ChatGPT Plus每月20美元，不按Token计数。这让用户不再纠结每次调用的成本，使用量通常比按量计费高5-10倍。订阅制的本质是让用户形成习惯——一旦AI成为工作流的一部分，退订的概率就很低。

第三种：按价值收费。不按消耗了多少Token收费，而按创造了多少价值收费。比如AI帮你发现了一个合同漏洞，避免了1000万的损失，收你10万。这种模式的利润率可以高到夸张，但前提是你能可靠地衡量AI创造了多少价值。目前这仍然是最大的难题。

还有一种正在萌芽的模式：Token期货。企业预购未来的Token额度来锁定价格，就像航空公司对冲油价一样。¹²

^{当Token可以被期货交易的那一天，它就真正完成了从技术概念到经济基础设施的转变。}

Q7. Token经济需要什么新规则？

每一代通用技术都会催生新的制度需求：铁路时代是反垄断法，电力时代是公用事业监管，互联网时代是数据隐私。Token经济也不例外，至少有三个问题需要回答。

第一，能耗治理。Token生产是吃电的。IEA预测，到2030年，全球数据中心用电量将翻倍。¹³

^{一次ChatGPT查询的耗电量约是一次搜索引擎查询的10倍。¹⁴如果Token消耗按当前速度增长，AI的碳足迹将成为气候谈判的新议题。}

第二，跨境流动。上面的第五个问题已经展示了，中国模型通过海外平台服务全球用户。Token作为一种数字化的智力产品，不需要集装箱和海关，直接跨境交付¹⁵现有的贸易统计框架还没有一个分类能准确描述这种新型贸易。

第三，统计盲区。你用免费的ChatGPT写了一封完美的求职信，省下了500美元的职业顾问费——这500美元的价值被创造了，但在GDP中消失了。用传统GDP指标衡量Token经济，就像用体重衡量健康——能反映一部分信息，但遗漏了最重要的东西。

这三个问题也只是Token经济带来的众多挑战的代表，它们没有简单答案，但有一点是非常清楚的：制度建设的窗口从来都在技术爆发的早期，而不是在它已经重塑一切之后。移动互联网爆发时，流量计费、网络管理等基础规则，花了近十年才逐步成形，行业为此付出了大量试错成本。Token经济的演进速度远快于移动互联网，留给制度设计者的时间更短。

结语

七个问题，一条线索：Token正在从一个技术术语变成一种经济基础设施。

它的消耗量两年增长了1400倍。它的生产成本每年下降一个数量级，但全球总支出反而翻倍——160年前，杰文斯在煤炭上观察到的同一个悖论。它的需求正在从人类消费者扩展到智能体。它的跨境流动绕过了一切物理运输。

我们今天能观察到的，不过是这场变革的开头几页。

目前有一系列问题亟待研究：当智能体开始自主购买和消耗Token，非人类市场主体需要什么样的法律身份和金融基础设施？Token的跨境流动本质上是算力和智力的跨境流动，现有贸易统计和监管框架尚未覆盖。Token消耗正在成为衡量经济体AI化程度的核心指标——它能否像用电量、货运量一样，成为宏观经济的先行信号？

最后一个问题留给每个人自己：你现在的工作中，有多少环节可以被拆解为”输入信息、处理、输出结果”？凡是符合这个模式的标准化流程，迟早会被Token化。留给人类的，是判断、创意、关系和不确定性——恰恰是单纯依靠Token做不好的事。

腾讯研究院将持续关注Token经济学的前沿议题。欢迎学界、产业界和政策研究机构的同仁交流合作，共同推进这一新兴领域的认知深化。

参考文献：

[1] OpenAI. (2026.3.31). “Accelerating the Next Phase of AI.” openai.com. API处理量及融资数据

[2]新华网 (2026.3.26). 国家数据局局长刘烈宏在中国发展高层论坛披露

[3]NVIDIA Blog. (2026.3.10). “AI Is a 5-Layer Cake.” Jensen Huang署名文章。

[4]NVIDIA Blog. (2025). “Explaining Tokens — the Language and Currency of AI.”]

[5]OpenAI. (2026.3.31). 同前引。ChatGPT 9亿+周活、5000万+订阅用户。]

[6]同花顺 (2026.3.25). 引用JPMorgan AI推理Token消耗预测。

[7]Bergemann, D., Bonatti, A. & Smolin, A. (2025). “The Economics of Large Language Models.” Cowles Foundation DP 2425.]

[8]Collis, A. & Brynjolfsson, E. (2025). “Measuring Consumer Surplus from Generative AI.” arXiv:2501.10547.

[9]Stanford HAI. (2025). AI Index Report 2025. Chapter 3: AI Agent发展。

[10]Jones, C.I. (2026). “A.I. and Our Economic Future.” Stanford GSB Working Paper. Section 5.

[11]OpenRouter Rankings (2026). 2026年3月30日数据。中国模型输入定价约0.3美元/百万Token，海外主流约5美元，相差约16倍。

[12]Bergemann, D., Bonatti, A. & Smolin, A. (2025/2026). “Menu Pricing of LLMs.” TSE WP 1670.]

[13]Xing, Y. (2026). “AI Token Futures Market: Commoditization of Compute.” arXiv, March.]

[14]IEA. (2025). Energy and AI. Flagship Report.]

[15]Lu, X. et al. (2026). “Empirical Lifecycle Assessment of Generative AI Inference Carbon Emissions.” UJSSH 5(1): 133-144.

[16] Korinek, A. & Vipra, J. (2024). “Concentrating Intelligence.” Economic Policy 40(121): 225-256.]

[17] Bergemann, D., Bonatti, A. & Smolin, A. 2025/2026. “The Economics of Large Language Models.” Cowles Foundation DP 2425; “Menu Pricing of LLMs.” TSE WP 1670.

[18] Collis, A. & Brynjolfsson, E. 2025. “Measuring Consumer Surplus from Generative AI.” arXiv:2501.10547.

[19] Cottier, B. et al. 2025. “LLM Inference Prices Have Fallen Rapidly but Unequally across Tasks.” Epoch AI.

[20] Gogerty, N. 2026. “Wright’s Law Extended: 150 Technologies.” SSRN WP 6198738.

[21] IEA. 2025. Energy and AI. Flagship Report, April.

[22] Jones, C.I. 2026. “A.I. and Our Economic Future.” Stanford GSB Working Paper.

[23] Korinek, A. & Vipra, J. 2024. “Concentrating Intelligence.” Economic Policy 40(121): 225-256.

[24] Litowitz, A., Polson, N. & Sokolov, V. 2026. “Photons = Tokens.” arXiv.

[25] Lu, X. et al. 2026. “Empirical Lifecycle Assessment of Generative AI Inference Carbon Emissions.” UJSSH 5(1): 133-144.

[26] Menlo Ventures. 2025. “The State of Generative AI in the Enterprise.” December.

[27] NavyaAI. 2026. “AI Cost Report: Token Prices vs AI Bill.” February.

[28] NVIDIA Blog. 2026. “AI Is a 5-Layer Cake.” March 10.

[29] NVIDIA Blog. 2025. “Explaining Tokens — the Language and Currency of AI.”