文｜林江浩

ID | BMR2004

2026年3月，中国国家数据局公布，中国日均词元（Token）调用量突破140万亿，两年增长了1400倍。词元是AI处理和生成信息的基本单位，一个词元大约对应1—2个汉字。词元让AI变成了一种可以计量、定价和交易的资源，围绕这个单位，目前正在形成一套全新的经济逻辑。

词元是大模型处理信息的最小单元，是AI理解、生成、运算内容的“原子级”载体。而词元经济，本质是围绕大模型词元运算、算力消耗与价值转化形成的新型经济形态，其特点是通过电力、芯片、算法支撑词元的生成、运算与应用，让词元成为连接大模型技术与产业落地的核心载体，最终实现技术价值向经济价值的规模化转化。

词元并非数据、信息、知识的简单加总，这些本质上都是智能的外在表现形式；而词元是对智能的量化计量工具。简言之，词元为看不见、摸不着的智能提供了可计量、可结算的标准化单元，是智能价值的量化载体。

英伟达创始人黄仁勋将词元定义为AI时代的新大宗商品。传统产业卖商品、卖服务，而AI产业核心是“售卖智能”，词元就是智能的计量单位。

称词元为“通货”在于三点：第一，可计量。如同电力用“度”、流量用“GB”，词元提供了AI智能服务的统一量化单元。传统AI服务按项目、席位打包，无标准度量，词元则让每一次问答、每一段代码、每一次推理都能精准计数。第二，可定价。词元直接锚定算力、电力、算法成本，形成“按量计费”的清晰商业模式——OpenAI、Anthropic、国内主流模型均采用“输入或输出词元单价×总量”结算，彻底打破AI“高投入、模糊回报”的困局。第三，可交易。词元作为虚拟智能商品，无物理介质、可全球流通，天然具备全球化交易属性，成为智能服务跨境供给的“通用结算单位”。

词元经济构建了一个怎样的产业链？由下至上，分别为：基础层原材料→能源与电力层→芯片硬件层，包括GPU、光刻机、晶圆制造等核心硬件底座→CUDA生态与软件栈，作为支撑上层应用的关键基础设施，独立构成重要一层→大语言模型，大模型已不再是单纯算法产品，而成为AI时代的操作系统（OS），承担通用智能大脑的角色→应用层，基于大模型搭建的应用体系（Harness）设施与智能体服务，直接触达终端用户。

词元的本质是智能的载体，其价值绝非产出数量，而是智能密度——单位词元所承载的解决复杂问题、输出高质量结果的能力。智能密度由三大核心要素共同决定，三者的优化空间直接决定词元价值。

电力要素：决定算力基础的投入成本。AI是“电老虎”，数据中心电力成本占总运营成本30%—50%，低电价区域（如西部清洁能源基地）能显著降低词元“制造成本”。

芯片要素：决定算力转化与电力利用效率。英伟达GPU、华为昇腾等不同芯片，在单位电力下的词元生成能力、推理速度差异可达100倍——“每瓦词元数”是词元工厂的核心竞争力指标。

算法要素：决定智能密度的核心。大模型架构、训练逻辑、推理效率，决定词元能否解决高难度任务。同样100万词元，GPT 5.4、Claude Opus 4.6能完成复杂法律分析、工业建模、深度研发，而普通模型可能只能完成简单问答，价值天差地别。

当前行业误区是“拼词元调用量”，虽然中国日均词元调用量已超140万亿，但要区分其中有多少是低智能密度的简单任务。真正的竞争，是单个词元的智能密度与价值能力，这和传统制造业“拼产品质量”逻辑完全一致。

如果将大模型定位为数字时代的新型基础设施，那么模型智能密度的高低，将直接决定一国在未来全球竞争中的战略地位与产业主动权。这一判断可以从两个维度进一步延展：

第一，词元经济是一种前所未有的、纯虚拟且可近乎“无痛全球化”的商业模式。传统商品跨境流通需要承担供应链、关税、物流、贸易壁垒等多重成本，而词元作为虚拟产品，可实现无物理介质的全球流通。当前国际上尚未形成针对词元这类虚拟智能产品的关税体系与统一监管规则，即便存在地缘政治限制，相关技术与服务仍可通过各类中转方式实现跨境供给。因此，词元经济天然具备全球化扩张属性，商业模式轻盈且毛利空间可观。

第二，智能密度直接决定模型能否形成高质量数据飞轮。当前主流大模型企业并非典型意义上的平台经济，其商业模式更接近云算力服务商或智能产品制造商。OpenAI作为全球最大的C端大模型产品，拥有庞大日活与海量对话交互数据，但其C端用户产生的多为平庸数据，难以有效反哺模型、提升智能上限，因此并未形成传统互联网式的“用户越多—数据越多—算法越优—黏性更强”的数据飞轮。

C端用户并非当前词元消耗主体。普通消费者购买的并非词元本身，而是基于词元构建的智能体服务。用户并不关心词元数量与模型原理，只在意服务是否好用、能否解决实际问题。这本质上回归到面向服务付费的模式，只是底层由词元支撑，使得服务更智能、成本更低、经济效益更高。对C端用户而言，核心价值不在于词元的智能密度，而在于厂商搭建的Harness能否创造切实的增量价值，这也是企业实现盈利的关键。

真正推动词元经济形成规模、引发行业广泛讨论的动力，是大量B端企业的付费使用。企业愿意为词元付费，将其转化为内部生产效率与商业智能。数据显示，今年一季度，Anthropic的年度经常性收入（ARR）已实现对OpenAI的超越，增长态势极为迅猛。

此外，二八原则在AI市场不仅成立，而且在B端表现得更为极致：80%的标准化、低难度任务，会由性价比更高、智能水平达到头部模型90%—95%、价格仅为其几分之一的国产模型承接；而剩余20%的高难度、高价值核心任务，仍会依赖能力更强的顶级模型。随着头部模型与追赶型模型的能力同步提升，二八划分的边界会持续动态调整。

国内绝大多数大模型，采取的是低成本跟随策略，不对标头部模型的完整能力，仅通过蒸馏逼近头部模型90%—95%水平，以“低价同质”参与竞争。国内的一个模型早期定价仅为Anthropic的1/10，调价后约1/5，但这种策略在高难度产业场景存在致命局限。因为智能密度不足，导致任务效率下降。在复杂任务处理中，如果头部模型需100万词元，弱模型可能需500万—1000万词元，因为需要多次重试才能近似达标。因此，从算总账的角度来看，总成本未降反升，效率损耗抵消了低价优势。更关键的是，模型蒸馏的方式只提取答案，不掌握高价值问题。

因此，只有在工业、制造、能源、政务等B端硬核场景中实现可用、好用、管用，国产模型才能真正积累高质量数据，完成智能密度的持续迭代与追赶。

关于词元经济是否会重构平台经济，这是一个极具探讨价值的话题。事实上，几乎所有大模型公司都有“平台梦”，但实现难度极大，核心瓶颈集中在两点：

第一，用户信任的不可突破。用户使用大模型的前提是对结果与过程的绝对信任，若在对话过程中植入广告或商业引导，会直接引发用户对结果的质疑，进而蔓延为对整个模型过程的不信任，最终导致用户流失，这是大模型向平台转型的核心障碍。

第二，流量入口的激烈争夺。大模型的出现并未催生新的智能设备或新的娱乐消费方式，其向平台转型的过程，本质上是抢夺现有平台公司的流量入口与市场份额。例如，大模型接入外卖功能，本质是争夺美团的核心业务；接入购物功能，则是与阿里、京东等电商平台直接竞争。而大模型公司本身并不具备这些领域的核心资源，它们既没有美团数百万商家与菜品数据，也没有阿里的海量商品信息，只能通过模拟用户操作的方式，从原生平台拉取数据再展示给用户，这无疑会严重损害原生平台的利益，打破其既有的平台逻辑。

原生平台的盈利逻辑是“流量分配权”，以美团为例，其广告收入依赖于对用户可见内容的排序权，用户往往倾向于选择排序靠前的商家，这是平台经济的逻辑。若由智能体或大模型主导用户的选择与决策，原生平台将失去流量分配权，广告价值大幅缩水，收入直接受损，因此二者必然会产生激烈竞争。

这一竞争逻辑，与搜索引擎时代的SEO（搜索引擎优化）有着异曲同工之妙。搜索引擎时代，商家通过优化网站，争取在搜索结果中获得更高排名；如今信息入口转向大模型，商家自然会尝试通过各种方式，让大模型优先呈现自身信息，这一过程本质上是对新信息入口的优化，但并未改变大模型与原生平台的竞争本质。

2025年12月，搭载豆包手机助手的努比亚M153技术预览机在接入第三方应用时，出现了明显阻力：部分用户反馈微信登录异常或被强制下线，豆包随后下线了“操作微信”的能力；也有银行类App对其发出风险提示，要求关闭助手后再继续使用。需要注意的是，微信方面并未公开承认“针对豆包采取特别封禁”，而是表示更可能是既有安全风控被触发。当AI助手试图通过系统级权限跨App接管用户操作时，原生应用会以风控、隐私和权限合规为理由提高限制，而这种限制在客观效果上也维护了平台对流量入口、数据边界和用户关系链的控制。

当前行业仍处于混战博弈的阶段，尚未形成明确的胜负格局。此前OpenClaw（小龙虾）推出时，市场狂欢，如今其热度消退且安全问题逐渐凸显。事实上，OpenClaw能实现的功能，Claude Code等工具同样可以实现，二者差异在于交互形式，前者采用更易用的界面，降低了C端用户的使用门槛，而Claude Code基于命令行界面，仅适用于程序员、研究人员等专业群体，因此未在C端爆发，但功能层面并无本质区别。

从终局来看，当前所有相关主体——大模型公司、智能体公司、原生平台公司，都在谨慎试探边界，这一边界直接关系到企业生死。各方表面保持友好，行为上却极为克制。行业博弈的核心是利益交换，而非零和博弈。

相比平台经济，词元经济的形态会更贴合两种行业逻辑：

一是类似于云计算产业，呈现高壁垒、寡头竞争格局。这一观点来自Anthropic CEO达里奥·阿莫迪（Dario Amodei），其逻辑是，词元经济的发展路径将高度贴合云计算行业，未来会进入“高壁垒、高资本投入、高组织复杂度”的成熟阶段。当前训练一代大模型的成本已达10亿美元以上，且仍在持续攀升，极高的入场门槛会淘汰绝大多数参与者。

未来行业不会出现一家独大（如社交领域的腾讯），也不会有数十家头部企业竞争，而是形成3—4家主导厂商的寡头格局，彼此之间形成竞争与博弈，同时具备一定的功能差异性。这一格局与当前云计算行业高度一致，美国市场由亚马逊云、微软Azure云、谷歌云主导，国内市场则由阿里云、华为云等占据主要份额。

这种格局的驱动力并非网络效应，而是极高的资本与技术壁垒。由于入场成本过高，使得存活下来的3—4家厂商能够占据稳定的市场份额，获得较高毛利。随着行业成熟，模型智能上限逐渐触达瓶颈，研发投入占比会逐步降低，而推理阶段本身具备的高毛利优势将进一步凸显，厂商盈利能力会持续提升。

二是会类似造车行业，呈现重资产押注、爆款依赖的情况。首先，一代大模型相当于一款新车，研发投入巨大，需赌其能力提升能够获得市场认可；其次，造车企业需建设生产线，生产线的规模取决于对车型销量的预判。同样，大模型公司则需预判未来1—2年的算力需求，决定算力采购量、数据中心扩建规模，这本质上是一轮巨大的重资产押注。预判精准与否直接决定企业生存状态。算力采购不足会挤压研发算力，导致模型迭代滞后；采购过量则会造成闲置，增加资金占用与折旧压力，二者都会让企业陷入经营困境。

此外，在地缘政治与数据安全双重约束下，中国市场未来大概率会出现私有化部署的大模型与词元服务体系，类似当前的私有云架构。目前不少国企已采购国产化模型一体机，但多数项目带有一定政策导向，一些国产模型搭配国产芯片落地后，智能密度有限，难以真正支撑业务价值，实际使用率偏低。

未来要形成有效的私有化部署与可落地的词元经济，前提是私有化模型的智能水平必须触及足够高的边界。但这里存在一个明显卡点：如果国内模型完全私有化本地部署，大模型厂商无法获取真实场景数据，模型智能难以持续迭代；而模型能力不足，又无法满足企业核心需求，形成双向制约。

这一卡点在技术层面存在破解空间。可以将大模型类比为高度智能的大脑：其通识理解能力、逻辑推理能力、长文本处理与上下文建模能力，可以通过厂商持续技术迭代不断升级；在完成私有化部署后，即便模型这一高度智能的大脑从未接触过如中石油这类高度垂直、专属的业务场景，只要通过完善的脚手架搭建，依然能够充分理解业务逻辑并执行相应任务。

因此，未来智能体服务能力的提升将沿着两条路径并行发展：

一是模型通用能力升级。模型能力与具体业务场景解绑，不再需要深度理解某一行业、某一企业的细分业务细节，而是专注提升通用推理能力、理解能力与长上下文建模能力。

二是外部场景化脚手架搭建。通过脚手架将真实业务流程、规则、约束与数据接口外部化，依托模型足够强的通用智能去理解并解决问题，而不是让模型预先学习所有行业知识。脚手架的构建主要由两类主体完成：一类是传统SaaS公司向AI应用服务商转型，面向行业提供标准化脚手架；另一类是大型企业内部技术部门，自研适配自身业务的私有脚手架。大模型厂商一般不会深度介入定制化脚手架开发，最多提供代码生成等通用型脚手架工具。

简言之，未来的模式就是：大模型厂商提供一个通用强智能大脑，企业与服务商为其装配适配自身场景的四肢与工具。

在词元经济框架下，资本、劳动与数据要素已深度融合。企业核心竞争力，不再是单一要素的投入，而是基于大模型与词元搭建出多层的增量价值体系。

对企业而言，使用词元与智能体的价值核算，一是成本节约，即通过AI替代人力、缩短时效省下的开支；二是价值增益，即业务增长、效率提升带来的新增产值。在计算成本时，则要扣除词元的直接采购成本，如果词元的消耗成本高于原有人工成本，方案便不具备经济性。除此之外，还有一项更关键的隐性负荷与治理成本，即智能体依托概率模型运行，即便使用顶尖模型，在复杂系统中仍可能出现事实错误与幻觉，企业必须为此建立兜底机制。行业越高精尖、业务越机密，兜底与治理成本就越高。

（本文作者为上海交通大学安泰经济与管理学院数据与商务智能系助理教授林江浩，本刊记者钱丽娜采访整理。）

来源 | 《商学院》杂志5月刊