——从黄仁勋“五层蛋糕”到万亿Token时代的价值重构

2026年3月，英伟达GTC大会上，黄仁勋展示了一张名为“五层蛋糕”的PPT。这张图在随后的两个月里，几乎成了所有学者、企业家和官员阐释人工智能宏大叙事的开篇。

五层蛋糕的架构并不复杂：从下至上依次是能源、芯片、基础设施、大模型、应用。但真正让这套框架产生穿透力的，是一个贯穿所有层级的关键概念——Token（词元）。

一、Token是什么？从语义单元到AI“货币”

Token最初是美国哲学家皮尔士于1906年在符号学中引入的概念，用于表示符号的基本单位。在今天的AI语境中，Token是大模型处理信息的最小单元——“人工智能很强大”这句话，会被拆分为“人工”“智能”“很”“强大”四个Token。

但Token的意义远超语言学范畴。它同时具备三重属性：

信息量计量：每一次与AI的对话、AI生成的每一段内容，都以Token计量信息处理量。

算力消耗映射：大模型的每一步推理都需要消耗算力并生成对应Token，计算量≈2×模型参数量×Token数。

经济计价单位：全球绝大多数模型服务按输入/输出Token数量计费，Token已成为AI时代的“新货币”。

值得注意的是，Token不仅有数量要求，还有质量要求。高质量模型生成的Token在价值上显著高于低质量模型——就像九段棋手落下的每一步棋，与初学者的每一步不可同日而语。这也使Token与传统通信运营商的“流量”、电网的“度”有了本质区别：智能无法被简单量化。

二、从GPU小时到Token服务：一场商业模式的范式转移

理解了Token是什么，我们就能看清当前AI产业正在发生的深层变革。

过去，算力经济的衡量标尺是“GPU小时”——客户租用一张H100显卡，按每小时约3美元付费。这是一种资源租赁思维：卖的是硬件时间，客户关心的是“租了多少算力”。

但现在，行业正在向Token即服务（Token-as-a-Service，TaaS）转型。同样是那张H100显卡，如果用于运行一个中等规模的优化模型，每小时可生成约3000万可计费Token。按每百万Token收费1美元计算，这张卡每小时的收入潜力是30美元——是GPU小时模式的10倍。

更关键的是，两者的增长逻辑完全不同：

• GPU小时模式：收入天花板固定，硬件性能提升反而会压低单价
• Token服务模式：每一代新GPU提升的吞吐量直接转化为更高收入。若B200将Token吞吐量翻倍至6000万/小时，单卡年收入可从约15.8万美元跃升至约31.5万美元

中国工程院院士郑纬民在近期演讲中一语道破趋势：“AI竞赛的核心标准正在从MaaS（模型即服务）向TaaS跃迁；从比拼算力集群规模，彻底转向比拼每瓦Token生产效率。”

三、能源天花板：Token经济的第一性原理

Token经济最深刻的洞见在于：算力最终受限于物理。

OpenAI前工程师Leopold Aschenbrenner在《Situational Awareness》报告中预测了一个惊人的路径：2024年全球最大大模型需要10万张GPU，2026年需要100万张，2028年需要1000万张，2030年需要1亿张。1亿张卡消耗的能源将占美国当前全年能耗的20%-25%——而这仅仅是一个单一大模型。

这种能源压力已经引发产业连锁反应。美国特朗普政府要求AI公司自行承担数据中心电力成本，自建发电资源；数据中心的备用电源方案被迫从SMR核反应堆（量产延期）转向燃气轮机，头部燃气轮机公司的产能已订到2033年以后。

一项更具理论深度的研究来自arXiv论文《Photons = Tokens》。该论文从Landauer原理出发，将Token定义为具有可测量热力学成本的物理量。计算显示：按当前效率，美国2028年AI能耗若达到326 TWh，可支撑约6.5×10¹⁷Token/年，相当于每人每天22.5万Token——约16.9万字，相当于“一天一本小说”。

Token的本质，是将电力转化为智能的过程。每一枚Token背后，都有真实的电子在流动。

四、中国速度：140万亿Token/日的爆发

中国的Token消耗曲线令人震撼。国家数据局最新数据显示：中国日均Token调用量已突破140万亿，两年增长超过1000倍。

更值得关注的是增长加速度。2026年2月起，Token消费量又增加了10到100倍，背后推手是智能体（Agent）的爆发。智能体需要围绕目标持续执行多轮链路，实际消耗的Token数量远超预期——中国工程院院士郑纬民称之为“100倍级别的膨胀”。

但与需求爆发形成对比的是供给侧的短板。郑纬民指出：“当前AI算力基础设施还无法高效生产Token；实际Token产能受限于系统优化不足，陷入高耗能、低产出的困局。”

解决方案指向“异构协同”——不能将所有负载压在最昂贵的GPU上，需将大模型参数合理分配至不同计算资源，实现计算、缓存、状态保存的职能分离。这与开放数据中心委员会提出的“从DC到Token”算力革命一脉相承。

五、未来展望：Token服务的分层化与金融化

Token经济正在向纵深演进。

郑纬民提出，Token服务需实现标准化、分层化与可调度化：极低时延型（实时交互）、均衡通用型（复杂推理）、高吞吐型（批量任务）三类服务按业务目标分层定价，这是Token服务走向基础设施的前提。

更进一步，arXiv论文《AI Token Futures Market》论证了Token作为大宗商品的属性，提出标准化Token期货合约设计。蒙特卡洛模拟显示，期货可降低企业算力成本波动的62%-78%。

Token正在重走电力、带宽、碳配额的历史轨迹——从技术服务演变为可交易的金融资产。

核心观点：

AI推理单价骤降280倍，总开支反增2.4倍——杰文斯悖论正重构经济格局。Token已超越计量单位，跃升为驱动全球新增长、重塑劳动力与地缘格局的"核心生产要素"。

1. 核心发现：成本越低，花费越多

本报告最为核心的发现，在于“杰文斯悖论”在AI算力领域得到了完美印证：

• 成本骤降：推理成本相较GPT-3.5时代已下降280倍。
• 支出激增：总支出反向增长2.4倍。以OpenAI为例，其推理支出从2024年的约37-38亿美元跃升至2025年的88-90亿美元。
• 背后逻辑：需求弹性略高于1，价格下降触发需求超比例增长，形成了“效率提升—成本降低—需求爆发”的自我强化循环。
• 长尾关键词：Token经济学、杰文斯悖论、AI算力成本、推理成本优化、算力作为战略资源。

2. Token价值链全景：从芯片到应用

Token经济涵盖一条庞大的价值链，自底向上依次划分为五大环节：

硬件层：以英伟达等芯片厂商为代表，构成算力的物理根基。

基础设施层：提供算力集群与AI云服务，实现算力的规模化供给。

模型层：开发大模型的主体，代表企业包括OpenAI、Anthropic。

平台层：如OpenRouter，聚合多款模型并提供统一的API服务接口。

应用层：各类AI应用，是Token的最终消费者与需求端。

OpenRouter平台的Token处理量在3年内增长10倍，有力见证了应用层的爆发式扩张。

3. 对市场与劳动力的深远影响

Token经济的崛起正深刻重塑市场结构与劳动力格局：

• 劳动力市场K型极化：高技能岗位（如AI训练师、数据科学家）需求增长112.4%，工资溢价持续扩大；中低技能、重复性岗位需求急剧萎缩，催生“幽灵GDP”现象——产出实现增长，劳动收入份额却从60%滑落至45%。
• 企业转型路径：企业正从采购SaaS服务，转向自建“AI工厂”。AI工厂的成本结构中，GPU及加速器硬件占比达50%。
• 算力上升为战略资源：能源瓶颈与芯片出口管制，使算力成为主权国家的核心战略资产。美国对华芯片出口管制，加速了中国国产替代进程（如华为昇腾910C）。

4. 对中小创业者/从业者建议

• 聚焦推理优化：Token成本已成为核心竞争力，优化Token消耗即意味着巨大的市场机遇。可重点布局智能路由（简单问题调用低成本模型、复杂问题调用高精度模型）、缓存机制、上下文压缩工具等技术方向。
• 把握“AI工厂”建设需求：大量企业希望自建AI能力，但普遍缺乏技术积累与实施经验。可提供涵盖咨询、架构设计、软硬件集成的一站式服务，帮助企业降低AI部署的技术门槛与试错成本。
• 投资于“人”的不可替代性：劳动力市场K型分化趋势明确，个人发展的核心在于持续向上跃迁。应着力提升AI时代的复合能力，成为能够驾驭AI工具并具备战略思维的高技能人才。

常见问题解答（FAQ）

Q：报告里的“Token”到底是什么？

A：Token是AI模型处理自然语言的最小语义单元。简言之，输入或输出给AI模型的任意文本，均会被拆解为若干Token。调用AI模型的服务费用，正是依据所消耗的Token数量进行计量与结算。

Q：“杰文斯悖论”对AI行业意味着什么？

A：这意味着AI算力成本的下降非但不会引发行业收缩，反而将刺激需求呈爆炸式增长，最终推动总体支出持续攀升。这一趋势对芯片厂商与云服务商构成长期利好，同时也对应用层企业提出了“精细化管控Token成本”的更高能力要求。

Q：作为普通人，如何理解“Token经济”对生活的影响？

A：Token经济将如同历史上的电力一般，演化为一项基础服务。用户所使用的每一款AI应用，其背后均在持续消耗Token。未来个人或将拥有专属的“Token预算”，借助AI辅助完成工作、学习与创作。能否高效利用Token，将成为衡量数字素养的一项重要指标。

Q：中国在AI算力方面面临的主要挑战是什么？

A：核心挑战集中于高端芯片供给与先进制程工艺的突破。美国的技术封锁客观上正在加速中国自主可控的替代进程，但短期内，国内AI产业仍面临算力“卡脖子”的严峻制约。为此，需持续投入巨资建设国家级智算中心，并大力扶持以华为昇腾等为代表的国产芯片发展。

结语

Token经济的崛起，标志着AI产业价值锚点的根本转移。

过去，我们比拼谁拥有更多GPU、更大集群；现在，竞争焦点转向“每瓦能耗能产出多少高质量Token”。过去，商业模式停留在卖算力时间；现在，价值创造的核心是生成和处理Token的能力与效率。

正如开放数据中心委员会所言：“Token的流转规模深刻映射出智能经济的运行态势。高频、大规模的Token交互，能够直观反映全社会对人工智能服务的真实需求强度。”

当黄仁勋将Token定义为AI时代的“新货币”，他其实在说一件更根本的事：Token不仅是技术的计量单位，更是智能经济的新通货。这场从GPU小时到Token服务的变革，正在重塑整个AI产业的底层逻辑。而谁能以最低成本、最高效率生产高质量Token，谁就将成为智能经济时代的赢家。

参考文献

[1] 上证夜读｜token经济学：从小龙虾到算力到能源，上海证券报，2026年5月

[2] 算力经济焕新行动：Tokenomics塑发展新引擎，开放数据中心委员会，2026年3月

[3] Building Token‑Metered AI Services on Telco AI Factories，NVIDIA Technical Blog，2026年5月

[4] Photons = Tokens: The Physics of AI and the Economics of Knowledge，arXiv，2026年2月

[5] 中国工程院院士郑纬民：从模型服务走向词元服务，凤凰网，2026年4月