詞元經濟研究丨鐘新龍：Token經濟學概念研究及啟示建議

編者按

詞元經濟正在打開經濟學中長期被視為“黑箱”的技術進步過程，使知識參與價值創(chuàng)造的方式首次變得可觀測、可計量。當前，圍繞詞元經濟涌現的一系列新問題，呼喚理論研究的前瞻回應。自本報有關詞元經濟研究系列報道及征稿啟事發(fā)布后，我們得到廣大讀者的積極回應，已經收到大量高質量來稿。稿件研究視角多元，反映出詞元經濟作為智能經濟新形態(tài)的核心議題，已引起學術界與產業(yè)界的廣泛關注。鑒于報紙版面容量有限，同時為增強研究成果發(fā)布的時效性，中國經濟時報在微信公眾號推出“詞元經濟研究”欄目，選登部分優(yōu)秀來稿及后續(xù)系列文章，旨在匯聚各方智慧，為智能時代的產業(yè)實踐與政策治理提供分析框架與決策參考。敬請關注！

征稿持續(xù)進行中，投稿郵箱：892720943@qq.com。期待您的真知灼見。

圖片來源/攝圖網

Token經濟學概念研究及啟示建議

——人工智能競爭從拼算力轉為拼價值

■鐘新龍

近期，圍繞“智能Token是新的貨幣”“AI工廠是Token工廠”的討論迅速升溫。2026年3月16日，英偉達首席執(zhí)行官黃仁勛明確提出“智能Token是新的貨幣”；3月18日，他又提出將“算力—Token—智能—經濟產出”連成一條鏈。Token經濟學由此從技術計量概念轉向產業(yè)核算概念。研究認為，Token已成為連接算力、模型、場景和收入的中間計量單位，但不能把Token數量直接等同于真實價值。下一階段競爭將從拼算力規(guī)模，轉向拼單位功率Token產出、單位Token質量和單位場景兌現能力。

Token經濟學已成為人工智能產業(yè)的新核算語言

Token已從模型內部計量單位上升為人工智能產業(yè)的核算語言。2026年3月16日，英偉達在GTC期間發(fā)布Vera Rubin DSX AI Factory參考設計，黃仁勛稱“智能Token是新的貨幣”，AI工廠是生產這種“貨幣”的基礎設施，并將“加快首筆收入實現時間”與“最大化Token每瓦”并列提出。3月18日，他在摩根士丹利技術、媒體與通信會議上進一步將“算力等于Token，Token等于智能，智能等于經濟產出”串聯起來，并明確提出單位功率Token產出是關系企業(yè)營收增長的首要指標。企業(yè)領導層開始用Token而不是單純參數量、算力卡數或模型排名討論AI投入產出，說明產業(yè)評價口徑正在變化。

Token經濟學升溫的直接背景是推理需求和代理任務正在快速放大Token消耗。據德勤2026年1月21日發(fā)布的《State of AI in the Enterprise》新聞稿，85%的企業(yè)計劃按自身業(yè)務需要定制智能體，25%的受訪企業(yè)已將40%以上AI試點轉入生產，54%預計在未來3至6個月達到同一水平。Gartner 2026年1月15日預測，全球AI支出2026年將達2.52萬億美元，同比增長44%，其中AI基礎設施將新增4010億美元支出，AI優(yōu)化服務器支出增長49%。任務型智能體替代單輪問答后，Token消耗與推理頻次同步放大，算力投資正在從訓練導向加快轉向推理導向。

現有討論仍普遍把Token看成可直接定價的統(tǒng)一商品，容易低估真實價值差異。德勤2026年1月19日發(fā)布《AI tokens:How to navigate AI’s new spend dynamics》明確指出，AI正在進入由不可預測、基于Token的成本驅動的新經濟系統(tǒng)，傳統(tǒng)總擁有成本模型已不足以管理AI支出。高德納咨詢公司（Gartner）2026年3月25日又預測，到2030年，對1萬億參數大模型進行推理的成本較2025年將下降90%以上，早期同類模型的成本效率最多可提高100倍。成本快速下行意味著，未來真正稀缺的未必是Token數量本身，而是高質量Token和高價值場景的兌現能力。

Token經濟學的關鍵在于構建從算力到價值的五級轉化鏈

Token經濟學應以“價值Token”而不是“原始Token”為核心核算對象。可將其概括為“五級轉化鏈”：算力供給、工廠轉化率、模型效率率、質量調整系數、場景兌現率。前兩級回答“能生成多少Token”，中間一級回答“每個Token要付出多大成本”，后兩級回答“Token能否形成可信結果并轉化為收入、效率和治理能力”。按照這一路徑，Token只是中間單位，不是終點單位。相同電力、相同卡數、相同Token吞吐，仍可能因為系統(tǒng)工程、模型設計、可靠性和業(yè)務嵌入深度不同，形成完全不同的經濟結果。所提出的四點判斷基本成立，缺的關鍵一環(huán)是“場景兌現率”。

算力異質性和AI工廠轉化率決定了Token產出的上限。2026年3月25日，英偉達技術博客指出，在AI時代，電力是硬約束，性能每瓦是現代AI基礎設施的定義性指標，其六代架構的每兆瓦推理吞吐提升了100萬倍。同一篇文章還指出，在吉瓦級AI工廠中，最多可有40%的電力在到達有效計算之前損失于冷卻和過度預留；采用DSX Max-Q后，500兆瓦AI工廠在同等電力包絡下可多部署30%的GPU。學術界近一個月的研究也在重復同一結論。2026年3月23日發(fā)表于《Pattern Recognition》的論文指出，異構負載下不合理調度會造成明顯隊首阻塞，直接壓低系統(tǒng)效率。說明同樣的電力和芯片，經由不同網絡、冷卻、調度和軟件棧，轉化出的Token并不相同。

模型效率決定了同一工廠中每個Token的成本曲線。英偉達2026年2月財報新聞稿中，黃仁勛稱Grace Blackwell with NVLink在推理側已實現“數量級更低的每Token成本”；Gartner 2026年3月25日則預計，到2030年，1萬億參數大模型推理成本將比2025年下降90%以上。更重要的是，近期學術文獻表明，降本并不只來自硬件迭代。2026年3月發(fā)表于國際學術期刊《環(huán)境科學與生態(tài)技術》（Environmental Science and Ecotechnology）的論文指出，優(yōu)化提示詞可將生成式AI推理能耗和碳排放降低32%至48%；2026年3月19日發(fā)表于《下一代計算機系統(tǒng)》（Future Generation Computer Systems）的論文則從推理引擎優(yōu)化角度提出自動化管線以降低推理能耗。相同算力、相同模型類別，在量化、調度、緩存復用和提示設計不同條件下，單位Token成本會出現顯著分化。

輸出質量和場景兌現率決定了Token能否真正變成價值。同樣100萬Token，低質量輸出只能形成二次返工和幻覺風險，高質量輸出卻可能直接形成代碼、審計線索、工業(yè)參數、知識服務和公共治理建議。德勤2026年1月21日指出，盡管近四分之三企業(yè)計劃在兩年內部署智能體，但僅21%建立了成熟的智能體治理體系；1月14日，湯森路透聯合Anthropic、Google Cloud、OpenAI等發(fā)起可信人工智能聯盟（Trust in AI Alliance），明確將可靠性、可解釋性和驗證能力視為高風險專業(yè)場景部署前提。由此看，真正應納入核算的不是“總Token”，而是“可驗證、可交付、可落地”的價值Token。

我國應盡快建立面向價值兌現的產業(yè)體系

應盡快建立以價值Token為核心的產業(yè)評價口徑。當前政策和產業(yè)觀察更多統(tǒng)計算力規(guī)模、模型參數、備案數量和應用案例，尚缺少貫通“電力—Token—價值”的統(tǒng)一指標。建議在重點地區(qū)和重點行業(yè)先行建立四類指標：單位功率Token產出、單位Token成本、任務成功率與人工替代率、價值兌現周期。對于政務服務、工業(yè)制造、金融合規(guī)、醫(yī)療輔助等高價值場景，應進一步引入可信度、可審計性、人工復核率等質量指標，把“能跑起來”與“能產出價值”區(qū)分開來。

應把AI工廠作為系統(tǒng)工程推進，而不是把競爭理解為單點芯片競賽。黃仁勛2026年3月以來連續(xù)強調，AI工廠受制于電力、冷卻、網絡、軟件和模型協(xié)同，單位功率Token產出才是企業(yè)和國家層面的關鍵指標。對我國而言，要把國產人工智能基礎設施建設從“單卡性能比拼”轉向“系統(tǒng)級最優(yōu)”，同步推進服務器、互連網絡、液冷、調度軟件、推理框架和行業(yè)模型協(xié)同適配。圍繞東數西算、算電協(xié)同、智算中心更新改造和重點行業(yè)私有化部署，可優(yōu)先支持能夠顯著提升Token轉化率的系統(tǒng)工程項目。

應把高價值場景落地和治理能力建設放在同等重要位置。Token經濟學最終考驗的不是誰消耗Token更多，而是誰能把有限Token穩(wěn)定轉成真實生產力和公共價值。建議圍繞“高頻、剛需、可驗證、可留痕”四個標準遴選重點場景，在工業(yè)、政務、法律、科研、醫(yī)療和供應鏈等領域形成可量化示范工程，并同步建設智能體治理、模型評測、責任追溯和成本監(jiān)控體系，防止把Token消費誤當成價值創(chuàng)造。

(作者系中國電子信息產業(yè)發(fā)展研究院未來產業(yè)研究中心人工智能研究室主任)

總 監(jiān) 制丨王列軍車海剛

監(jiān) 制丨陳 波 王 彧 楊玉洋

主 編丨毛晶慧 編 輯丨蔣 帥