人工智能产业最不缺的就是大数字。9月16日，美国咨询机构Gartner发布最新预测，2026年全球人工智能支出将达到2.7万亿美元。与此同时，资本市场已经开始追问另一面：如此惊人的投入，究竟能够产生多少真实的经济回报？
在这一过程中，一个原本属于计算机技术底层的词——Token，正在获得越来越强的经济学含义。
Token是大模型处理信息的基本单位，也是AI算力消耗和服务计价的重要基础。沿着一个Token的生产过程向上追溯，是芯片、数据中心、电力和巨额资本开支；向下延伸，则连接着大模型、智能体以及正在被AI重塑的千行百业。当机器智能第一次可以被如此大规模地生产、计量和交易，我们是否正在进入一种新的“Token经济”？
近日，观察者网对话新书《Token经济》作者之一、腾讯研究院高级研究员白惠天。在她看来，Token虽然远不是一把完美的尺子，却可能具有一个更重要的历史意义——“Token是AI文明出现的第一个度量衡。”
【对话/观察者网 朱新伟】
观察者网：“Token经济”现在非常火热，你们团队是怎么想到要把它当成一本书的主题？
白惠天：我们团队一直都非常关心AI对社会经济的影响。我本人的背景是北京大学光华管理学院金融学学士、经济学博士，所以我很好奇：AI是不是会挑战原来我们学到的一些经济学的基本原理？哪些我们默认的经济学假设需要去重新调整？比方说，agent（智能体）这个主体，它的行为也许就和个人主体的行为有一些差异。
选Token作为书名，其实是多种因素造成的。“AI经济学”其实并不新鲜，在很多年以前，大家就在评估人工智能技术对全要素生产率的影响、对GDP增长的影响、对就业的冲击。那么，Token就好像是给了你一个微观视角，让你通过追溯一个Token的生产与流通过程，去更深刻地理解这个产业。有一部动漫叫作《工作细胞》，我想我们是不是能够做一些科普工作，就像讲解红细胞、白细胞一样，给大家讲一个Token所经历的前世今生。
观察者网：经济学要求精确、可量化。一家大模型的Token可内部计量，但各家之间并没有统一计量标准，比如腾讯WorkBuddy的Token跟千问办公Token计价方式不同，各有各的算法，从经济学的角度怎么评估？
白惠天：在度量单位层面，Token究竟有没有意义？回答这个问题，取决于它的比较对象。过去，人类没有衡量智力劳动的尺子。我们认为，Token是历史上第一次能够把智力这种很虚无缥缈的东西——尤其是机器智力产生以后——你能够有一个相对可计量、可比较的东西去衡量，这是Token的巨大贡献。
确实如你所说，Token不是完美的度量衡，不像一公里、一桶、一升等单位一样恒定。但你要从它衡量智力劳动，能够把一个不可言说、不可量化的东西变得逐渐清晰这一点看，其实Token是很大的精进。
过去我们怎么衡量智力呢？我们可能看他是来自哪个学校？他读了什么样的学历？他在哪里工作？工作了多久？他担任什么岗位？我们用这种方式去刻画一个人能够为我们提供的智力服务。现在Token起码是一个让我们可以测量智力劳动的切入口，它一定不是终点，但至少是一个很好的起点。
业界在讨论Token的时候，会讲究“智能成本”，即达到相同智力水平的成本是多少，而不仅仅是每百万Token的成本。上下文的长度、响应的速度，是快思考模型还是慢思考模型，这些都已经是Token的细化指标。随着研究的深入，我们对Token的理解会更加清晰。
观察者网：Token第一次为过去原本看不见、摸不着的智力劳动赋予了衡量的尺度，但这个尺度还不够完美。
白惠天：Token是AI文明出现的第一个度量衡。人类对新兴事物的理解有个过程，从不知到知，从“知之不多”到“知之甚多”。但是Token作为大语言模型技术底层的单位，它一定是永恒存在的，只是说大家对它的理解会逐渐深刻。在大语言模型中，Token就是通过“分词器”的方式，去理解这个世界。它背后是有一张很大的词表，人类语言文字在它的词表里找到对应。
白惠天、袁晓辉、司晓著，中信出版社2026年8月出版
观察者网：Token一词的中文翻译，此前有机构推荐使用“词元”，但业界似乎仍然使用Token英文居多，为什么？
白惠天：我们看到有学者最近在《人民日报》发文提出，现在这个技术发展阶段，也不是说中英文词就一定要并轨，而是都有各自存在的意义。发表论文时，大家可能用“Token”更多一些；如果是与数据局的同事交流，可能我用“词元”就会更多一些。
另外，提到“词”你想起来是word，它好像只是“单词”这个意思。但实际上Token是可以切分图像的，一张图切分为一个个画块（patch）；也可以去分割一个3D空间，我们叫它“体素”或者“点云”。词元只是大语言模型的一种分法，如果我们的视角扩展到多模态，也许Token反而是通用性更强的表述，即表示某种形态下的切割方式。
·每一代技术革命都取代了人类的一部分劳动
观察者网：Token把智力劳动变成一个可度量的商品服务以后，人类是不是被商品化了？
白惠天：我是一个坚定的人本主义者。把人“蒸馏”成一个skill是一件很“残忍”的事情。不过，每一代技术革命某种程度上都是取代了人类的一部分劳动。过去你必须要用腿走路，现在你可以驾驶马车、甚至汽车。但机器能否代替全部的人类能力呢？大概率不会，因为AI更多是通过输入大规模的数据训练参数，然后输出能力。而大语言模型要理解这个世界，就需要更大范围的上下文。怎么样去获得更多的上下文？这个能力其实还是人类所独有的。
人类的价值、意义是否会被抹杀？我觉得其实恰恰相反，AI有可能让我们从完成螺丝钉任务变成更加回归人的本身。关键在于多大时间尺度上？如果你是一名打字员，那当年打字机出来以后，对你的冲击短期内一定是最强烈而直接的。历史的变化可能就是这样，从局部开始慢慢扩散，并且不可逆转。
观察者网：我们该怎样去适应Token经济？
白惠天：首先，拥抱变化与不确定性。我们上中学的时候，是查字典；上大学的时候使用卡西欧、文曲星等电子辞典；做博士研究的时候，我带着我的助研去档案馆，一页一页拍照片，用OCR识别数据。那今天再让我做同样的事情，可能我获取数据的方式就会发生变化了。我用AI First的思维，可以帮我去减少很多的试错成本。
重点在于，我们是把AI的回答当作理所当然的答案，还是把自己跟它视为教学相长的关系？所谓苏格拉底式的提问法，即你跟AI互动的时候，每一次你都让它多追问一个为什么，去追溯事情的本源。不同的AI互动方式给你的答案是大不一样的。
观察者网：现在Token的消耗量增长非常快，而整个实体经济的增长则相对缓慢，Token经济有没有泡沫？
白惠天：新技术萌芽期是会有一些过度投资。这个事情其实不仅仅发生在Token层面上，过去在互联网时代，或者是在每一个我们认为有技术拐点的时代，可能都发生过。
相对于以往的泡沫经济，Token经济反而是跟实体经济的关联更紧密的经济形态。每一个单位的Token，都要通过一个很完整的、很重工业的制造流程才能生产出来。电力是基础，还要有数据中心、网络互联、高性能计算。再往后才是到模型层，去做模型的训练、模型的推理，输出的东西到达应用层。所以生产链条非常长。
微观的效率提升，需要通过多层的转化，才能转化为组织的利润增长。以记者为例，可能过去只写一篇，现在我能一天写五篇了。但是我给市场供给了五篇，市场能不能认可这个价值？从微观的效率提升，到中观的组织效率增长，再到国家GDP的增长，全要素生产率提高，每一层的转化势必都会有效率损失。
组织层面的变化总是滞后于技术变化，因为技术变化实在是太快了。很多大模型每天在迭代、刷榜，而我们的社会组织很难去匹配这种速度。正所谓“大模型一日，人间十年”。
观察者网：眼下大厂们都还在烧钱，你觉得Token经济什么时候会实现自我造血？
白惠天：大模型厂商的战争，上半场大家可能卷的是参数，卷的是模型能力；到下半场，更重要的问题是，这些模型能力究竟能够进入什么场景，创造多大的经济价值。
Anthropic其实已经给出了一个很好的例子。它率先在编程场景跑通了大模型的高价值商业闭环。过去编程就是程序员编程，现在拓展为使用自然语言的氛围编程，编程不再是程序员小众群体的需求，而是普通智力工作者的标配。
这也意味着，大模型接下来竞争的不只是“谁最聪明”，还包括“完成同一个任务，谁的成本最低”。大家发现，处理日常的写作任务、编程任务，主流大模型之间的能力差距很小，但是成本却差很多，这也就是为什么当Kimi K3出来以后，它甚至和Anthropic的最新模型不遑多让。两者能力差距非常小，但是我们能够以更低的成本去执行任务。像DeepSeek、智谱、Kimi、混元，“小身材大能力”，参数不一定最高，但是适配到给定场景下，能够提供性价比最高的服务。
低成本就有利于把人工智能落地到更多的场景，只有进入到真正实际的场景当中才产生价值。这是破解从烧钱到赚钱瓶颈的重要前提。
·人要在工作流中贡献最关键的价值
观察者网：Token如果是生活必需品，同时它又是私有的交易品，人究竟是获得了一个新的能力，还是新的依赖？我们人类再也离不开它了。
白惠天：我自己有坚持手写日记的习惯，我发现如果习惯只打字的话，提笔写字很多时候都会想不起来写法。大脑是用进废退的，当我们习惯于AI First，让AI帮我们去写一篇文章，那我们可能下一次就自己从零开始写文章的能力就变弱了。
但好处是，也许我们可以去训练另外一种技能。现在AI生成一篇文章很快，但观点要你提出来，首先文章到底是什么样的，需要你自己判断并立论。生成文本后要往哪个方向改，也是要由你自己提出判断，并且做出选择。考验的不再是写作能力，而是批判性思维，你的问题意识要好，审美品味要达到更高的一个高度。那么，问题意识从哪来的？它一定不是我们坐在办公室里就想出来的，而是要和这个真实的世界去打交道、去寻找。
AI能够更好地把人真正想表达的东西具象化，甚至是很多个模态。也许我有能力写文章，但是让我画一幅画，或者是做一个视频，其实是很痛苦的事情。但现在有了AI的辅助，我可以通过很多模态去表达，把文章变成面向儿童的绘本，有了AI的帮助之后，可能学龄前儿童也能看懂《Token经济》。
观察者网：总体上，AI拓宽了人的能力边界。
白惠天：但人也不能怠惰，如果AI给出答案，人照单全收、一字不改，那大概率有一天它会替代人，因为人在其中的贡献就越来越小了。人一定要在这个工作流当中，去贡献最关键的那部分价值。
·中美前沿模型的差距弥合比我预期要快
观察者网：AI行业发展非常快，在《Token经济》成书之后，有什么新现象还没有写到书里？
白惠天：确实技术发展非常快，我自己没有预料到的一个变化是，中美之间前沿模型的差距弥合得比我预期要快。我们6月定稿的时候，当时我的判断是中美前沿模型之间仍然存在一个以月为单位的差距。但这几个月让我比较意外的是，在一些具体能力和任务上，中国模型已经很快进入了同代竞争。这个弥合速度比我预期得快。
另一个变化是智能体。其实这个趋势我们已经判断到了，我们在书中解释了长程智能体的能力，就像自动驾驶一样，人逐渐可以把手从方向盘上拿开。现在一些前沿智能体，已经能够独立完成过去需要人类专家数小时、甚至一天以上才能完成的复杂任务。现在长程智能体交付的工作质量让我们更加惊艳。
我们当时还有一个判断，按Token付费只是短期的变现方式，它太偏技术底层了，未来一定会是为结果付费，或者是为一个持续岗位交付的数字员工去付费。其实这对模型本身的能力要求也更高了。过去模型厂商卖的是计算过程，只要Token消耗了，成本就发生了；未来越来越多Agent卖的是任务结果。任务有没有完成、结果能不能验收，会越来越直接地决定收入。于是模型厂商开始承担一部分过去由用户承担的执行风险。这就是所谓的“outcome-based pricing”（按结果定价），比如Intercom公司的Fin智能体明确按outcome（结果）收费，客服问题成功解决才收费，失败的尝试不收费。
为什么商业模式能往这个方向演进呢？大家希望Token去创造实际价值，WorkBuddy、千问办公、豆包工作等智能体涌现，说明AI智能体能够解决企业端真实场景中的问题。
观察者网：在应用端，中美的差距比模型端更小吗？
白惠天：我觉得这个问题要分两个维度看。
从商业化环境来看，美国还是有很明显的优势。美国企业软件和SaaS体系更成熟，企业为软件和效率工具付费的习惯也更强，所以一个新的AI能力出来以后，它更容易迅速形成高客单价和持续收入。
但中国也有自己非常独特的优势，就是产业场景的密度和深度。我们有全球规模最大的制造业体系，非常完整的供应链，还有机器人、物流、电商等大量真实世界场景。这些场景意味着AI一旦从数字世界走向物理世界，从聊天走向真正执行任务，中国有非常丰富的落地空间。
所以我不太倾向于简单讨论谁领先多少个月。今天的格局更像是，美国在前沿模型和高价值软件商业化上依然很强，中国在模型性价比、产业场景和物理世界落地上快速追赶，部分领域甚至会形成自己的优势。中美肯定都在牌桌上，而且会长期处于一种非常紧密的竞合状态。
本文系观察者网独家稿件，未经授权，不得转载。
本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。关注观察者网微信guanchacn，每日阅读趣味文章。
