最近，Hermes（愛馬仕智能體）橫空出世，上線不到兩個月，GitHub星標突破6.6萬。社區裡有人說：這大概是OpenClaw誕生以來，第一個真正意義上的競爭對手。一時間，朋友圈裡、技術論壇上，到處都是“Hermes愛馬仕真香”、“OpenClaw藥丸（要完）”的聲音。我想潑一盆冷水：Hermes（愛馬仕智能體）火了，但企業不必急著遷移。真正的競爭壁壘來自團隊對工具的使用深度，而非工具本身。看完後你會知道，什麼時候該追新工具，什麼時候該按兵不動。這篇文章，會給3類使用者各一個明確的判斷。更重要的話，我寫在了文章結尾，趕時間的朋友可以直接拉到文末閱讀。下面，我們展開說說。一、Hermes愛馬仕智能體為什麼會火？愛馬仕智能體的五層記憶系統：重新定義了Agent的“智商”。Hermes（愛馬仕智能體）的核心技術，是它的五層記憶系統——工作記憶、語義記憶、情景記憶、過程記憶和集體記憶。這不是花哨的概念，它解決的是一個真實的、讓所有Agent框架使用者頭疼的問題：長對話後，Agent開始“失憶”，上下文越多，智商越低。傳統解法是給Agent喂更多的上下文。上下文窗口越開越大，Token（詞元）費用越燒越多，但效果卻越來越差。Hermes（愛馬仕智能體）的解法不同：不給Agent更多的記憶，而是讓Agent學會“復盤”。每次任務完成後，系統自動復盤：那裡做對了，那裡繞了彎路，為什麼某個策略沒有生效。把這些經驗壓縮成可復用的Skill（技能），下次遇到同類任務，直接走捷徑，不再從零推理。這意味著：Agent的進步，不需要靠更大的模型，靠的是“經驗積累”。這才是正確的方向。什麼人可以立刻上Hermes（愛馬仕智能體），不用等？第一種，你正在選Agent框架，本來就要花時間搭，Hermes（愛馬仕智能體）的記憶系統是更先進的方向，現在直接用Hermes（愛馬仕智能體）等於站在更高的起點上。第二種，你的核心痛點就是長對話失憶，用OpenClaw（龍蝦）時80%的問題都是上下文混亂、記憶丟失，遷移到Hermes（愛馬仕智能體）能直接解決你的核心問題，這筆帳算得過來。第三種，你是個人或小團隊，沒有複雜的歷史工作流包袱，試錯成本幾乎為零，玩一玩沒損失，真踩坑了自己消化。除了這3類人，其他已經跑通OpenClaw（龍蝦）工作流的企業級團隊，我都建議你再等等。二、OpenClaw（龍蝦）沒有死，它在加速進化外部衝擊，真的動搖了OpenClaw（龍蝦）的根基嗎？判斷一個框架有沒有前途，從來不是看它有沒有被封禁、被唱衰。而是看三個指標：它的核心能力有沒有人在真正需要？它的社區還在不在活躍？它的團隊還在不在迭代？答案是：都在。OpenClaw的核心能力，是把AI能力封裝成一套可本地部署、可自訂工作流的Agent執行系統。這個需求，沒有因為一次衝擊而消失。真正讓一個框架走向衰落的，從來不是競爭對手，而是它自己停止迭代。OpenClaw的核心槽點，圈內早有共識：記憶系統容易崩潰，長對話後上下文丟失，記憶檔案越滾越大。這是真實痛點，承認就行。但這不代表框架要死。讓我們看看資料：據GitHub公開的提交記錄，2026年第一季度，OpenClaw（龍蝦）在記憶管理模組的程式碼提交量，就超過了過去半年的總和。每次更新，都在針對性修補記憶碎片化、上下文溢出等問題。這不是修修補補。這是系統性的迭代。這說明團隊知道問題在那裡，也知道怎麼修。一個框架被真正拋棄的標誌是什麼？沒有人再關心它。沒有人再提Bug。沒有人再提需求。沒有人再罵它。而OpenClaw現在的情況恰恰相反：罵得越多，迭代越快。GitHub上的Issue（問題清單）列表在持續更新，官方文件在持續修訂，Skills生態的貢獻者在持續增長。這才是判斷框架生命力的真正指標。這和人的成長規律一樣：被罵醒，往往是進步的開始。從歷史經驗看，這種外部競爭倒逼內部迭代，往往是一個框架走向成熟的加速器。三、遷移的成本，遠比你想像的高這是本文最核心的方法論之一。很多人換工具的理由很簡單：新的更強。這個判斷在邏輯上成立，但在現實中漏掉了最關鍵的一個變數：切換成本。我們來做一個簡單的盤點：你的團隊花了多少時間，才把OpenClaw配置到今天這個狀態？Skills指令碼寫了多少行？自訂的MCP（模型上下文協議）服務接了幾個？Prompt（提示詞）記憶體系裡積累了多少關於團隊工作方式的上下文？自動化工作流跑了多久才穩定下來的？MCP服務，全稱是Model Context Protocol，即模型上下文協議，是讓Agent與外部工具無縫協作的標準化介面。這套體系一旦建立，就成了團隊工作流的核心血管。這些東西，不是天上掉的。是時間和精力堆出來的。是踩過坑、調過錯、熬過夜之後，一點一點磨出來的。而換到Hermes（愛馬仕智能體），這一切都要重新來過。環境變數要重配，MCP服務要重調，工具集邏輯要重新理解。Hermes（愛馬仕智能體）內建的一些Skill（技能）目前還存在詭異的Bug。對於企業級團隊來說，排雷是需要時間的，業務等不起。你的團隊好不容易磨合出了一套工作節奏，大家知道怎麼用龍蝦處理需求，知道那些坑踩過、怎麼繞過去，知道在什麼場景下該用什麼工具組合效率最高，知道什麼任務丟給AI，什麼任務必須人來做。現在突然換工具，團隊進入“新手模式”。每個人都要重新學，效率打七折甚至五折。每一個工具，不只是一個執行層，它還是一個認知層。你用OpenClaw（龍蝦）積累的，不只是“怎麼用這個工具”，還有一整套思維方式：如何拆解問題、如何設計Agent工作流、如何判斷AI輸出質量、如何設計Prompt（提示詞）策略、如何建立團隊協作規範。換工具，思維框架要跟著重建。團隊從“能用一款新工具”到“真正用好一款新工具”，平均需要三到六個月。而從“用好”到“積累出獨特優勢”，則需要更長的時間。而在這三到六個月裡，你的競爭對手可能早就在原來的工具上跑得更遠了。四、AI時代，真正的護城河不是工具說到這兒，我想把視角拉遠一點，聊一個更根本的問題。AI時代，企業真正的護城河，到底是什麼？很多人以為，護城河是“我有某套別人不會的工具”，或者“我們用了某款最新的AI模型”，或者“我們團隊掌握了一套獨門工作流”。但我想說：AI的出現，正在系統性地消除這種工具型護城河。原因很簡單：你今天花三個月研究出來的OpenClaw（龍蝦）獨門用法，可能很快被一篇技術部落格完整公開，然後成為Skills（技能）市場裡的一個標準化範本。任何有學習能力的人，兩周內就能複製你的工作流。真正被AI弱化的，不是你的技術，而是你靠資訊差和工具差建立的競爭壁壘。這是正在發生的結構性變化。與其追工具，不如追“用工具的能力”。前者是流沙，後者是磐石。企業架構更高效、用的工具更順手，這才是AI時代的競爭優勢所在。讓我們做一個思想實驗：兩個企業擺在面前。A企業和B企業。同樣的啟動時間，同樣的資源投入。A企業：技術團隊嗅覺敏銳，永遠在追最新工具。ChatGPT出來了，第一時間研究；Claude發佈新版本，第一時間接入；OpenClaw（龍蝦）火的時候，第一批部署；Hermes（愛馬仕智能體）出來後，核心團隊立刻開干“遷移方案”。永遠在追，永遠在折騰，永遠在新手期。具體來看，A企業團隊每年花在“學新工具”上的時間不少：換一次工具，就要重新寫指令碼、調Prompt（提示詞）、建規範。最終每一套的積累，都只停留在了“能用”的層面。B企業：同樣面對工具爆炸的現實，但做了一個不同的選擇，不追熱點，但把自己手裡的工具用到極致。團隊積累數百個高品質Skills（技能），形成了多套完整Agent工作流，覆蓋從需求分析到文件輸出的全鏈路。每個成員對工具的理解，已從“會用”升級到“用得好”，他們知道什麼任務適合那種工具組合，知道什麼場景AI輸出質量會下降，知道怎麼設計Prompt（提示詞）讓AI的輸出穩定可控。半年、一年、兩年後，那個企業的AI應用能力更強？答案是明擺著的。工具本身沒有壁壘，你和團隊在工具上積累的深度理解和使用習慣，才是真正的壁壘。五、接下來3個月，我給你的建議面對Hermes（愛馬仕智能體）的崛起，先說結論：關注它，學習它，思考它，但目前階段，不必急於遷移。1.給OpenClaw三到六個月OpenClaw（龍蝦）的團隊已經被競爭倒逼，迭代在加速。記憶系統的問題已經進入修復快車道，這是可以預見的。等它系統性修復到位，等Skills（技能）生態進一步成熟，屆時再做評估，不遲。更重要的是：OpenClaw（龍蝦）的Skills生態，已經積累了相當數量的垂直領域工具。每一次大版本更新，Skills數量都在穩定增長，這是社區共同投入的結果，而非一人之力。這個生態優勢，不是Hermes（愛馬仕智能體）三個月能追上的。2.給Hermes三到六個月它的方向是對的，但企業級穩定性需要時間驗證。等社區把Bug排得差不多，等配置遷移真正做到“無感”，再上車也不遲。更值得關注的是它的設計哲學,Hermes在思考一個核心問題:當Agent越來越複雜，如何讓它不依賴越來越大的上下文窗口，而是通過“學會反思”來提升能力？“追工具派”最隱蔽的陷阱是：永遠在學習，永遠在遷移，永遠在付出切換成本，永遠沒有積累。更可怕的是，當團隊習慣了“遇到新工具就換”，他們就不再有耐心把任何一個系統打磨到極致。好的執行，需要深度。而深度，需要時間。結語關於工具，更關於你自己AI時代，工具會變，真正有掌控力的人，是那些想清楚“什麼東西不變”，然後把時間花在那上面的人。你判斷問題的眼光，不會變。你面對不確定性時的決策質量，不會變。這些東西，Hermes替代不了。OpenClaw替代不了。任何工具都替代不了。這種決策能力，不是天生的，是可以訓練的。 (筆記俠)

行家一出手，便知有沒有！自AI問世以來，已成中美科技必爭之地，誰能笑到最後，關鍵還是要看應用！在這方面，矽谷那邊的公司一直想打通AI+消費這條路，但缺乏穩固的生態和龐大的應用場景，一直流於形式，還未實踐。而阿里在春節期間取得了千問辦事的成功之後，在新財年的首次集團戰略會上，阿里正式提出，要全力推進以千問為代表的智能體經濟。1. 什麼是“智能體經濟”？對普通人有什麼意義？“智能體經濟”簡單來說，就是通過AI這個技術載體來推動更好的消費，也就是很多官媒說的“AI+消費”！這玩意對普通人來說，有三好！一好為：方便。比如以前點外賣，得自己去外賣軟體上一個個找，現在一句話就能搞定；以前買電影票，選座位得研究一下，現在交給千問按需訂票。可以這麼說，過去很複雜的消費流程，現在一句話就能辦完，給誰誰能不喜歡？二好為：創造新的機會。往前翻個20年，就能發現每一次技術革新，除了會為行業帶來新變化以外，也會創造新的機會。比如當年的電商，讓很多人從個體戶變成了小老闆；10年前左右的自媒體，催生了現在的網紅經濟；那麼如今阿里的智能體經濟要發展，必然也會衍生出一系列的工作崗位，現在能想到的就是營運、設計、AI訓練師之類的工作，往後發展這方面人才缺口勢必會放大，普通人只要抓住機會，很有可能直接改變命運。三好為：技術普惠這個怎麼理解呢？以老年人為例。很多上了年紀的老人。對於智慧型手機用的並不熟練。一個人在家想點個外賣，都搞不明白。但在千問智能體經濟的技術普惠下，老年人也能一句話搞定外賣，體驗到年輕人的生活方式。網際網路的浪潮奔湧向前，阿里通過技術普惠，讓銀髮一族也能緊跟時代的步伐，這既是社會責任的體現，也是技術便利每一個日的最好寫照！2. 為什麼阿里是第一個提出此概念的公司？因為只有阿里具備這些條件！這個智能體經濟兩大要素，過人的技術，優秀的生態。而這兩方面，不管是那個條件，阿里都是王中王、頂中頂！論技術，阿里從模型到GPU晶片都是行業頂尖。最新模型Qwen 3.6 Plus一經發佈，單日呼叫量突破1兆Token的模型，問鼎全球大模型周呼叫量冠軍，究其原因，是因為它是國產程式設計模型技術能力的天花板。上周的時候，在AI視訊生成領域，由阿里巴巴內部孵化的模型HappyHorse-1.0，登頂Artificial Analysis排行榜。這個大模型有多牛？它在文字生成視訊、圖片生成視訊等四大核心賽道中全面領先。這也能證明，阿里在AI領域持續投入是有結果，同時，阿里在多模態大模型領域技術積累也非常的雄厚。平頭哥自研GPU也已實現規模化量產，截至26年2月已累計交付47萬片。AI技術，大模型是基礎，GPU是運轉的關鍵，兩大技術阿里全都有，並且全都硬，為智能體經濟提供了堅實的保障。論生態，阿里積累了20多年的網際網路商業、消費經驗，旗下擁有淘寶、閃購、高德、飛豬等覆蓋人們吃喝住行娛一體的生態產品，並且還這些產品還和千問全部打通，這也就將阿里的生態優勢賦能到了AI應用端。為了集中力量辦大事，4月8日的時候，阿里還進行了組織架構調整，新設立了阿里巴巴集團技術委員會，吳泳銘任組長，周靖人擔任首席AI架構師，整合優勢資源，投入到智能體經濟戰略當中來。3. 總結阿里今天提出智能體經濟，是其科技實力的體現，也是生態經營多年的結果。這大概也就是此前美國知名科技商業媒體The Information發報導稱：“阿里巴巴在AI辦事領域的進展快於亞馬遜和 OpenAI。”的原因所在！ (梁穩健)

今年以來，OpenClaw“龍蝦熱”席捲全球，AI Agent （智能體）對token算力的消耗量之大，讓各界重新認識了中國模型的性價比。然而，AI對就業甚至對人類的衝擊也不斷引發焦慮，矽谷知名企業Meta、Block、甲骨文等的裁員浪潮滾滾來襲。究竟未來人類如何面對AI浪潮？AI Agent的趨勢將如何變化？中國模型在未來的世界模型競爭格局下有何優勢？Token出海的浪潮將如何演化？對此，我們獨家對話了OpenAI前高管、OpenAI原應用負責人（Head of Go-to-market）扎克（Zack Kass），目前他也是矽谷知名AI諮詢企業ZKAI的創始人。他早在2019年就預言了如今的Agent時代，並在去年正式發行《下一次文藝復興：AI和人類潛能的拓展》（The Next Renaissance: AI and the Expansion of Human Potential"?）。01 “龍蝦熱”凸顯中國模型優勢OpenRouter資料顯示，春節期間中國模型Token使用量全球第一，主要是因為開源部署熱潮，大家都在接入Kimi、MiniMax這些更便宜的模型，直接推高了中國模型的Token用量。也有觀點認為，中國擁有全球最大、最穩定的電網，AI產業可以依託更低的電力成本。對此，Zack持積極看法。原因在於，未來單位Token價格將會持續下降，但需求爆發式增長，導致晶片和電力嚴重不足。“我認為中國做得非常聰明，中國正在全力贏下能源這場比賽。”他表示，“如果你認同我的模型收益遞減理論——即模型質量提升到一定程度後，對大多數企業而言不再是關鍵差異點，這個時刻離我們並不遠。如果你相信這個理論，那就要問：真正的競爭格局是什麼？我認為在核聚變普及之前，核心是能源，其次是晶片，肯定是基礎設施。”在此背景下，他稱，中國正在走開源路線，試圖用優質、低價的AI產品去佔領全球市場，並且在基礎設施上全力衝刺。儘管國際先進模型的優勢毋庸置疑，尤其是在專業領域，但Zack重申了他始終相信“模型收益遞減理論”——對於絕大多數企業而言，模型質量到一定程度後，就不再是實質性的差異點，事實也確實如此。因此他並不認為未來只有最好的模型才能賺錢，相反，他稱：“模型本身就很難賺到大錢了，但應用層會更容易盈利。”不過，業內人士也對騰訊新聞《潛望》表示，還是希望國產模型少一些價格戰，否則在貶低國內勞動價值的同時，可能會換來跟商品類似的貿易壁壘。比較好的嘗試是，希望以後能搞延遲開源，比如在每一代模型訓練完成後，先設立為期 3-6 個月的預覽期，僅授權給選定的海外合作夥伴(如特定的雲服務商） 使用，並按使用量或牌照計費，只有當下代模型發佈時，才將上一代模型開源。02 AI Agent發展大超預期也正是因為這股“龍蝦熱”，AI Agent在今年徹底家喻戶曉。多年前，Zack就預言了智能體的爆發，但如今他也非常驚訝AI Agent進化得這麼快、質量這麼高。“坦白說，我給自己的預判打高分：我在2019年就預測2026年是Agent之年，現在的發展基本符合我的時間線。”但他稱，真正讓他意外的是，至今還沒有出現AI界的“車諾比”或“三里島事件”——比如一次匿名自主攻擊，讓大家分不清是惡意Agent所為，還是人類攻擊者造成的。現在公眾對AI的不信任，大多來自對潛在風險的想像，而不是已經發生的真實危害。他也提醒很多人：在變好之前，情況會變得更奇怪。關鍵問題在於，我們還不清楚多智能體行為的整合風險，我們需要多智能體環境，但還沒找到保護機制與實現路徑。Zack認為，未來會發生的是，大多數智能體工作流會先被個人使用，能對接這些智能體協議的企業會最具優勢，但也會出現一種巨大的不對稱：用Agent的人和不用Agent的人，差距會比當年用網際網路和不用網際網路的人更大。還需要一提的是，現在的網際網路是為人類視覺設計的（HTML），是一個線上大型商場，只適配人的眼睛，不適配機器。未來會出現第二層網際網路：面向機器的、基於TXT/XML的網際網路。能適配機器瀏覽的企業，無論B2B還是B2C，都會大幅跑贏同行。也正因如此，Zack也警告，企業會被去中介化—— 使用者不再需要訪問官網，智能體會直接完成決策與交易。我們會發現使用者真實的偏好到底是什麼。“因此我給所有消費品牌的警告是：確保你的客戶真的喜歡你，否則很快智能體會直接幫使用者 ‘最優下單’：又好又便宜，使用者甚至不用過問。這對零售行業會是巨大衝擊。”03 AI繁榮派vs末日派事實上，在AI開發過程中，一直有兩大陣營：繁榮派（AI boomers）和末日派（AI doomers），爭論不斷。前者認為，通用人工智慧（AGI）會帶來烏托邦，末日派則認為AGI會“殺”死所有人。當年，OpenAI內部正是因為這兩大意識形態的分歧，導致部分人員出走。Zack表示自己是“科技樂觀主義者”（techno-optimistic）。“無論好壞，我更傾向於往好的方向看。我對這個問題的核心框架是：人類提升普通人生活水平唯一穩定的路徑，就是技術。除此之外，沒有其他可持續的方式能為所有人創造更多價值。”隨著技術進步，政府更容易做到公平向善，更難走向極端。更何況，人類整體上是向善的，技術讓人類能做更多好事，當然也會讓少數人做更多壞事——高資源的作惡者會擁有更強控制力，低資源的作惡者破壞力也會變大。“但整體上，我們治癒疾病、發明新技術，讓一切變得更好、更快、更便宜。也正因如此，沒有充分的理由說明，全球經濟不會持續向好，人類生活的底線不會持續抬升。比如中國經濟奇蹟，90年代崛起的中產階級讓數億人擺脫貧困；印度2000年代的經濟奇蹟，也讓近十億人脫離貧困。這些都源於技術進步。”他稱。如果我們非要質疑這種趨勢，那麼就需要問——這個趨勢為什麼會停止？Zack認為，只有兩種邏輯能支撐“世界會變糟”的論調：我們不再發明新技術，陷入技術停滯；我們用發明的技術去做更壞的事。然而，就第一種論調而言，我們顯然不會減少技術創新，現在的技術是未來最“笨”的階段，只會持續變得更智能。就第二個論調來看，這也是末日派的主要論點，技術會催生很多有趣的可能，但也會伴隨可怕的下行風險，大致包括：財富與權力集中、高資源、低資源作惡者被賦能，以及AI出現價值對齊失敗的超級智能。但Zack認為最符合自然走向的情況是，短期中期會有下行壓力，但世界整體會變得更好，而當下感受到的危害，很大程度來自社會動盪，這不再是經濟問題，而是情感問題、精神問題。04 關注自動化帶來的情感代價Zack在去年發佈的新書中也提及了“身份錯位”（identity displacement）這個概念，即未來的核心問題不是經濟問題，而是精神問題。當前無法逃避的一個問題就是——AI造成的大規模失業怎麼辦？事實上，矽谷每天都在見證大量裁員，早年被稱為“養老院”的大廠也再難躺平。“我到現在還沒有明確答案，這次自動化浪潮太猛，完全出乎很多人意料。”Zack表示，他的新書開頭引用了宏觀經濟學之父，1930年凱恩斯寫過一篇論文叫《我們後代的經濟可能性》，裡面有一句話令人印象極深：“我必須放手暢想一個我註定無法親歷的未來：在那個未來，人類或許已經解決經濟問題，轉而面對更深刻的命題。”在他看來，大家總糾結“人類還會不會有工作”，答案大機率是“會”；但就算沒有工作，也意味著我們已經高度自動化，解決了大量生存問題。真正的問題是：在未來，人類必須把自我價值、身份認同和工作剝離開，人們還會幸福嗎？“我沒有完美答案，但我認為短期內，答案很明顯是‘不會’。所以我真正想聚焦的，是明確且現實的威脅——其中最大的，就是自動化帶來的情感代價。”之所以Zack強調“精神問題”，是因為自動化讓絕大多數人已經脫離絕對貧困，有飯吃、有衣穿、有房住。在前工業時代，人類活不過40歲；現在大多數人能活到70歲以上。我們開始思考全新的人生問題，這些問題同樣複雜。未來回頭看，我們這個時代依然充滿糟糕的處境：糟糕的飲食、車禍、暴力等，這些都不是經濟問題，而是精神與文化問題，這是我們下一步必須解決的。 (騰訊財經)

有沒有發現，這半年AI圈的畫風變得有點快？去年這個時候，大家還在為算力降價狂歡。阿里雲帶頭喊出“最高降幅60%”，騰訊雲、華為雲、百度雲齊刷刷跟上，那陣仗，簡直像雙十一大促。創業群裡天天有人曬帳單：“看，我這一百萬Token才花了幾毛錢！”那會兒人人都覺得，AI創業的春天來了，算力跟白菜一樣便宜，誰還做不起大模型應用啊？結果呢？打臉來得太快。就上個月，風向一百八十度大轉彎。Google、亞馬遜、騰訊、阿里、百度，10天之內全發了漲價公告。漲多少？普遍30%到50%。最狠的是騰訊雲，有個核心產品直接漲了400%。從“跳樓大甩賣”到“坐火箭式漲價”，前後不到一年。到底發生了什麼？誰在背後推著價格往上走？更重要的是，這波漲價潮裡，誰最慘，誰在偷笑？去年還在“打骨折”，今年為什麼集體漲價？先簡單回顧一下這出“反轉大戲”。2025年4月，阿里雲率先扔出一顆重磅炸彈：核心產品最高降價60%。這可不是小打小鬧，是實打實的“腰斬再打折”。緊接著，京東雲說“隨便降，我跟”，騰訊雲、華為雲、百度雲全部跟進。一時間，算力市場硝煙瀰漫，價格戰打得那叫一個熱鬧。那會兒的口號是什麼？“讓AI用得起”“算力普惠”。很多創業公司真的信了，開始大張旗鼓地燒Token、跑模型。然而，免費的午餐從來吃不長久。2026年1月，亞馬遜AWS悄悄幹了件事——沒有任何發佈會，沒有任何預告，直接把EC2伺服器價格上調了15%左右。別看幅度不大，意義可大了：這是雲服務行業近二十年來第一次漲價。要知道，過去二十年，AWS降價的次數超過一百次，從來只有往下走，沒有往上調的道理。這一下，像是推倒了多米諾骨牌。3月11日，騰訊雲跟進，旗下Tencent HY2.0 Instruct模型輸入價格從0.0008元/千tokens漲到0.004505元/千tokens——漲幅463%，四倍多。3月18日，阿里雲宣佈算力卡產品上漲5%到34%，百度智能雲也跟著漲了5%到30%。那些之前免費公測的大模型，比如GLM 5、MiniMax 2.5、Kimi 2.5，全部結束“白嫖期”，轉入正式計費。從“搶著降價”到“搶著漲價”，為什麼變化這麼快？表面看是雲廠商扛不住了。GPU晶片越買越貴，資料中心的電費佔營運成本的40%到60%，再加上2025年下半年儲存晶片也開始漲價，成本端的壓力實實在在地壓過來了。但真正讓漲價變成“不得不做”的，是另一個更根本的原因——算力，真的不夠用了。誰在瘋狂“吃”Token？140兆的真相之前不是說算力過剩嗎？怎麼突然就不夠用了？答案是：Token被“吃”得太快了。根據國家資料局局長劉烈宏在今年3月披露的資料：到2026年3月，中國每天的Token呼叫量已經突破了140兆。這個數字有多誇張？給你兩個參照：· 2024年初，這個數字只有1000億。兩年時間，漲了一千多倍。· 2025年底，這個數字是100兆。也就是說，僅僅過去三個月，又漲了40%——光這三個月新增的量（40兆），就是2024年初全天的400倍。這不是線性增長，這是海嘯。那麼問題來了：誰在瘋狂消耗Token？答案就一個詞：智能體（Agent）。去年開始，以開源智能體OpenClaw（江湖人稱“龍蝦”）為代表的產品火得一塌糊塗。AI從一個只會“聊天”的機器人，變成了一個能“幹活”的助手——幫你訂機票、寫程式碼、做PPT、分析資料……聽起來很酷對吧？但代價是，智能體幹一件簡單的事，消耗的Token量是普通對話的10倍到100倍。舉個例子：讓AI幫你寫一個爬蟲指令碼。如果是普通對話，它給你一段程式碼，你複製走人，消耗幾百個Token。但如果是智能體，它要自己跑程式碼、報錯、偵錯、再跑、再調……來來回回十幾輪，Token消耗直接奔著幾萬去了。更別提視訊生成這種“吞金獸”。有分析指出，生成1分鐘的視訊大約要消耗10兆Token。而現在的視訊模型，生成5秒的視訊才收你幾毛錢到幾塊錢——這那是賺錢，這分明是賠本賺吆喝。但架不住用的人多啊，視訊、音樂、程式碼、資料分析……每個方向都在瘋狂“吃”Token。供給跟不上需求，算力自然就漲價了。這不是陰謀，是赤裸裸的供需失衡。算力排位賽：大廠吃肉，小玩家連湯都喝不上漲價這件事，對不同的人，意味完全不同。對雲廠商來說，漲價其實是好事。有券商算過一筆帳：阿里雲每提價1%，它的利潤率就能提升1個百分點。所以你看到的資料是，阿里雲的份額不降反升，已經佔到了中國AI雲市場的36%。而在AI呼叫量這個更細的賽道里，火山引擎（字節旗下）更是佔了將近50%——也就是說，全中國一半的Token呼叫，走的是火山引擎的管道。與此同時，華為雲、騰訊雲的份額在微幅下滑。頭部效應越來越明顯：大廠越做越強，資源越聚越集中。那誰最慘？中小AI創業公司，以及那些剛入局的小玩家。原因很簡單：漲價直接推高了他們的營運成本。以前Token便宜的時候，你可以隨便跑實驗、隨便調模型，反正花不了幾個錢。現在價格翻了幾倍甚至十幾倍，每一輪訓練、每一次推理都要掂量掂量。更麻煩的是，小玩家沒有議價能力。大客戶可以跟雲廠商簽長期協議，鎖定一個相對優惠的價格。你一個初創公司，一年才花幾萬塊錢的算力費，誰跟你談折扣？只能老老實實按漲價後的價格付錢。很多原本打算做AI應用的項目，算了一筆帳之後，默默擱置了。還有一些已經在做的，要麼縮減規模，要麼自己扛著虧損硬撐。偏偏終端市場競爭又激烈，你不敢輕易給使用者漲價——隔壁家還免費呢，你一收費使用者全跑了。最後所有的成本壓力，只能自己嚥下去。一位從業者跟我吐槽：“以前覺得算力便宜，創業門檻低了。現在才發現，門檻不是低了，是先讓你進來，再把門關上。”這其實是一場殘酷的排位賽。過去二十年，雲廠商靠“低價走量、先圈地再盈利”的打法活得很滋潤。但那個時代結束了。算力正式告別補貼期，進入商業化定價階段。未來比拚的不再是誰更便宜，而是誰的服務更穩定、誰的生態更完善、誰能幫企業真正用好每一分算力。而在這場排位賽裡，小玩家大機率要被甩下車。回頭看看這一年多的過山車，你會發現一個挺扎心的真相：算力從“白菜價”到“火箭價”，本質上是AI行業從野蠻生長走向成熟的一個縮影。免費時代結束了，價值競爭開始了。那些靠補貼活著的商業模式會死掉，而那些真正有技術、有場景、有使用者的產品，會在算力成本上升的環境中活下來，甚至活得更好。AI創業的核心競爭力，從來不是算力有多便宜，而是你拿算力來幹什麼。算力時代，Token確實貴。但比Token更貴的，是一個知道怎麼用好Token的腦子。 （鋅財經）

截至2026年3月，人工智慧已從生成式AI全面進入智能體（Agent）+ 具身智能（Embodied AI）的落地爆發期，核心是從“會說會寫”走向“會規劃、會行動、會幹活”，並深度融入物理世界與產業全流程。以下為補充大量實際案例與權威資料後的完整版本。一、核心技術：四大前沿突破（含案例+資料）1. AI智能體（Agent）：從“被動應答”到“主動執行”AI已成為能自主完成複雜任務的數字員工，直接控制電腦/手機、跑完整工作流。- 系統級操作：Anthropic Claude Mytos、OpenAI GPT-5.2已實現直接控制電腦/手機，無需API，可自動點選、填寫、跨軟體操作、跑完整工作流。- 自主規劃協作：具備目標拆解、多步驟規劃、記憶、迭代最佳化能力，可自動寫報告、做報表、做PPT、處理客服、跑供應鏈。- 企業滲透：Gartner預測2026年40%企業應用嵌入任務型AI智能體（2025年僅5%）。-實際案例- 百度“伐謀”智能體（汽車設計）：阿爾特汽車用其將風阻測試從10小時縮至分鐘級，設計師2天完成原3個月工作量，效率提升45倍。- 上汽通用五菱“智能島”：AI調度動態最佳化，車型切換效率提升40%，白車身一次合格率達99.97%。- 美團AI調度：訂單暴漲300%、騎手少40%時，55毫秒規劃最優路線，外賣平均30分鐘送到。2. 多模態大一統：AI“看懂、聽懂、感知整個世界”新一代模型實現文字、圖像、音訊、視訊、3D、感測器資料的統一理解與生成，接近人類多感官協同。- 文生視訊/3D：一鍵生成高畫質長視訊、3D模型，用於影視、工業設計、數字孿生。- 即時多模態互動：看一眼場景、聽一段語音，即可還原邏輯、生成方案，支援AR/VR沉浸式互動。- 性能與普惠：輕量化模型（50億參數內）推理速度提升40%、成本降50%，移動端/中小企業可低成本部署。-實際案例- 萬興科技AIGC工具：使用者破2000萬，文生視訊付費轉化率18%；自動剪輯將1小時工作縮至5分鐘，自媒體周更從3條→7條，粉絲增速+45%。- 零售3D建模：Lowe’s用AI將2D圖轉3D模型，成本**<1美元/個**，電商轉化率提升。- 醫療多模態：罕見病診斷精準率從38%→72%。3. 具身智能（Embodied AI）：AI走出螢幕，進入物理世界AI從“思考者”變成“行動者”，機器人懂物理、會操作、能適應真實環境。- 物理認知：GoogleDeepMind PhysBrain 1.0讓機器人理解物體運動、碰撞、力學規則，實現精準物理互動。- 人形機器人落地：特斯拉Optimus、Unitree等已從Demo走向工業/服務場景，可搬運、裝配、巡檢、做家務。- 群體智能：無人車、無人機、工業機器人實現自主協作，完成複雜叢集任務。-實際案例- 電力巡檢“天工”機器人：在西南變電站自主巡檢、操作裝置，故障識別精準率99.9%，替代人工翻山越嶺。- 優必選Walker S2：在比亞迪、極氪等20家車廠實訓，自主換電、連續工作72小時。- 星動紀元物流機器人：京東亞洲一號倉分揀精準率99.7%，拿下5000萬元訂單。- 資料：2026年人形機器人出貨量預計破6萬台，市場規模超千億元；單台替代3名工人，投資回報周期18個月。4. AI for Science（科學AI）：成為“AI科學家”，加速科研突破AI從輔助工具升級為自主科研主體，大幅縮短研發周期。- 藥物/材料研發：自動化實驗室+科學大模型，將數年研發壓縮至數月，加速新藥、新材料、催化劑發現。- 前沿科學：輔助核聚變模擬、氣候預測、蛋白質/基因解析、量子計算最佳化。- 實際案例- 儲能材料研發：“分子—電網工業智能體”將傳統以年計的研發周期縮至數月，工業級電站綜合性能提升超100%，已應用於張家口懷來資料中心。- 藥物研發：AI將藥物研發周期縮短60%，成本降低40%。- NASA火星車：Anthropic Claude全權規劃路線，將路程拆解為10米路段，規劃時間縮短50%。二、產業與應用：價值兌現，全面滲透（資料+案例）1. 規模與格局（2026最新）- 全球AI市場突破9000億美元，同比增長18%+。- 中國AI核心產業規模超12兆元，周呼叫量（4.69兆Token）首次超越美國，全球前五模型中四款來自中國。- 產業鏈：硬體（35%）、軟體（40%，智能體增長超80%）、應用（25%）。- 融資：2026年Q1中國AI融資88起、200億元，同比近乎翻倍；3月單月融資85億元，創歷史新高。2. 重點落地場景（資料+案例）- 智能製造- 中國智能工廠超3萬家，生產效率提升22.3%。- 某汽車零部件廠商：AI預測性維護，裝置故障率-28%，維護成本-32%。- 西門子+百事：數字孿生，生產吞吐量+20%，資本支出-10–15%。- 醫療健康- AI輔助診斷滲透率超60%，基層醫院達60%+。- 某社區醫院：AI處方稽核，效率+60%，處方合格率+15%；累計稽核**100萬+處方，識別8000+**不合理處方。- 重症監護：AI助手使檔案錯誤減少68%。- 金融風控- 信用卡欺詐檢測：響應時間從3秒→80毫秒（-97%），誤報率-42%。- 跨境合規審查：效率+80%。- 某國際投行：AI ESG系統，綠色金融規模2000億美元+，合規成本-55%。- 交通與物流- 城市交通：AI調度，擁堵率-25%，出行時間-30%。- 菜鳥網路：AI倉儲，效率+50%，物流成本-30%。- 內容創作- 行銷內容：AI生成效率+8–10倍，成本-90%，轉化率+30%。三、代表產品與模型（2026最新）- OpenAI GPT-5.2：44項專業任務勝率70.9%，醫療/法律/金融精準率超80%，多模態與長文字能力全面升級。- Google Gemini 3.1：推理能力翻倍，整合Lyria 3音樂生成，支援一鍵生成視訊配樂。- Anthropic Claude Mytos：新一代旗艦，性能大幅領先，支援Computer Use（系統級操作）。- 國產第一梯隊：字節、阿里、百度、騰訊等模型在推理、程式設計、多模態上與全球頂尖正面競爭，多項指標領先。四、關鍵趨勢與挑戰1. 核心趨勢- 範式躍遷：從生成式AI → 智能體AI → 具身智能（物理AI），AI從虛擬走向現實。- 普惠化：推理成本較2023年降70%，中小企業部署門檻大幅降低。- 安全與合規：AI安全、可解釋、倫理監管成為標配，人類主導權強化。2. 核心挑戰- 智能體協作標準化：多智能體通訊協議（MCP/A2A）尚在完善，跨平台協作待統一。- 具身智能可靠性：真實環境魯棒性、安全性、成本仍需突破。- 資料與隱私：高品質資料稀缺，資料安全與合規壓力增大。一句話總結：2026年是AI“動手幹活”的元年，智能體與具身智能讓AI真正成為能自主執行、能融入物理世界、能深度改造產業的核心生產力。 (追逐時代浪潮的人)

這幾天，“Token”，也就是“詞元”火了。資料顯示，從今年2月下旬開始，“Token”這個詞的搜尋量明顯攀升，最高一天達到7.7萬次，比去年日均搜尋量高出1850%。詞元呼叫量爆發，加大了對背後算力支撐的需求，也直接拉動了算力相關服務的價格。3月，國內三大雲廠商接連提高AI算力產品價格，十天之內漲價30%左右。全民熱議“Token”專業技術名詞走進大眾視野從全民熱議，到官方定名，Token為何在短時間內被廣泛關注？詞典應用後台資料顯示，從今年2月下旬開始，“Token”這個詞的搜尋量明顯攀升，最高一天達到7.7萬次，比去年日均搜尋量高出1850%。社交平台上，3月1日至3月20日，有將近60萬人參與了關於Token的討論。這個原本更多在技術圈流通的詞，為什麼突然闖進了大眾視野？有的人把它看成一種貨幣。也有人覺得，它更像一種會被消耗掉的“燃料”或者“食物”，還有人更注重它的功能性。大家對它的理解五花八門。那從專業角度看，Token又該怎麼解釋？騰訊研究院教授級工程師 王鵬：未來Token會成為某種意義上的基本計量單位，尤其是衡量智力、衡量工作量的單位。我今年這一個月消耗的（Token）可能比我去年一年消耗的還要多很多。在業內，大家知道這個是我們的日常，已經成為像水電一樣正常的事了。網易有道詞典市場負責人 郭靚：看到後台這麼大使用者量對於“Token”這個詞的查詢，其實意味著大家真正開始去瞭解AI到底是什麼，以及AI真正的能力。人們討論Token的中文名字，其實都在做同一件事：試著用生活的語言，去理解一個新技術詞。而官方定義“詞元”，也像征著這個過程走到了一個新階段：一個技術名詞，從專業圈層走向大眾理解，最終進入正式表達。也許有一天，聊起AI時，你會自然地脫口而出“詞元”——就像今天我們說“流量”“掃碼”一樣。智能體催熱詞元經濟引發算力漲價潮當下，圍繞詞元的呼叫、分發與結算，一套新的價值體系正在加速演進形成，並成為人工智慧產業商業化的重要路徑。詞元經濟為何突然“出圈”？又釋放了那些訊號？國家資料局發佈的資料顯示：2024年初，中國日均詞元Token呼叫量為1000億；至2025年底，躍升至100兆；今年3月，已突破140兆，兩年增長超千倍。詞元呼叫量爆發，加大了對背後算力支撐的需求，也直接拉動了算力相關服務的價格。3月，騰訊雲、阿里雲和百度智能雲，國內三大雲廠商接連提高AI算力產品價格，十天之內漲價30%左右。同濟大學經濟與管理學院教授 阮青松：從產業鏈來看，漲價最先受益的是上游的晶片、伺服器這些硬體廠商，而下游使用AI的應用和終端成本壓力加大，價格也會傳導到使用者，這也倒逼企業要麼最佳化效率，要麼用國產算力替代、減少成本，所以這輪漲價可能會加速國產算力的替代處理程序，推動整個行業在技術創新上更進一步。需求一下子爆發了，但供給卻沒能跟上，這是本輪算力漲價最直接的原因。專家認為，算力正從企業的“成本項”變成決定競爭力的“戰略資源”。漲價只是表象，真正的變化在於行業開始重新定義算力的價值。同濟大學經濟與管理學院教授 阮青松：要緩解這種供需失衡，短期內價格漲了，自然會吸引更多企業加入供給；長期還是要讓國產算力卡多起來，同時把模型效率提上去，用更少的Token（詞元）干最多的活。只有當供給跑得比需求快，算力才能真正從“緊俏貨”變成像水電一樣隨取隨用的基礎設施。 (澎湃新聞)

能無限進步的「超級智能體」來了！最近，Meta研究團隊的一篇題為HYPERAGENTS（超級智能體）的論文迅速刷屏。這篇論文將LSTM之父Jürgen Schmidhuber二十年前提出的哥德爾機（Gödel Machine）思想，與達爾文開放演算法相結合，提出了能持續自我迭代的達爾文哥德爾機。基於此這一思想，Agent不僅能更好地完成具體任務、持續提高自身表現。更關鍵的是，它可以不斷最佳化“改進自身”的底層邏輯，實現“元學習（Meta-learning）”這，便是論文定義的新一代超級智能體——Hyperagents。論文更進一步提出：未來AI有望通過持續自我迭代，最終突破人類預設的初始演算法邊界，也正因如此，AI安全必須被擺在核心位置。不少網友也感慨道：元學習真正讓人既害怕又興奮的，是元層面的改進能夠跨領域遷移。這不是在某一件事上變得更厲害，而是學會了在一切事情上變得更厲害。目前，這篇論文已被ICLR 2026接收。從哥德爾機到達爾文哥德爾機要理解超級智能體Hyperagents，必須先瞭解它的基石——哥德爾機（Gödel Machine）。哥德爾機是一種假設性的自我完善型AI。它在數學上尋求證明：如果存在某種更好的策略，它會通過遞迴重寫自身程式碼來解決問題。而這一假設，最早由尤爾根·施密德胡伯（Jürgen Schmidhuber）在二十多年前提出。在傳統機器學習中，AI的“學習方法”是人類預設的硬編碼，它只能通過調整內部參數來逼近目標；而哥德爾機則打破了這一限制，它能夠將演算法框架本身視為可編輯的程式碼，通過自主重寫程序來實現學習能力的自我演進。但問題也隨之而來：哥德爾機往往要求AI在自我演進之前，證明該改動具備淨收益。也就是說，改程式碼花掉的算力成本，未來能不能通過更強的性能賺回來？不幸的是，這種計算在現實中的複雜任務中幾乎是無法實現的。針對這一問題，Meta團隊提出達爾文哥德爾機（DGM），它利用開放式演算法（Open-ended algorithms），通過在大模型提議的程式碼改進方案中進行搜尋，獲取能從經驗上提升性能的方案。換句話說，DGM利用基礎模型來提議程式碼改進方案，並利用開放式演算法的最新創新成果，來搜尋並建構一個不斷增長的、多樣化且高品質的AI智能體庫。基於此，DGM能創造出各種自我改進方案，例如：增加補丁驗證（Patch Validation）步驟、最佳化檔案查看功能、增強編輯工具、生成並篩選多個解決方案以選出最優解，以及在進行新更改時，會自動加入歷史嘗試記錄（並分析失敗原因）以供參考。論文的實驗還表明，DGM獲得的算力越多，自我提升效果越好。超級智能體雖然DGM很強，但它存在一個致命限制：它主要在程式設計任務中有效。這是因為DGM依賴一個關鍵假設——評估任務與自我修改任務必須“對齊”。在程式設計領域，這種對齊是天然的：提升了程式設計能力，自然也就提升了修改自身程式碼的能力。也就是說，解決外部程式設計問題的邏輯工具，可以直接轉化為修改其自身底層程式碼的能力。相反，如果是在非程式設計領域（如寫詩），即便提升了寫詩能力，也無法直接轉化為修改程式碼的邏輯水平。在這種缺乏“自指性（Self-referentiality）”的任務中，DGM的遞迴進化鏈條就會斷裂，陷入停滯。基於此，文章提出超級智能體——它們既能修改自己的任務執行行為，也能修改生成未來改進建議的過程。這實現了所謂的元認知自我修改（metacognitive self-modification）：不僅學習如何做得更好，還學習如何更有效地進行改進。進一步，論文將超級智能體實例化為DGM-Hyperagents (DGM-H)。DGM-H是對DGM的擴展，其中任務解決行為和自我改處理程序序都是可編輯且可進化的，其框架如下：自指性架構：它將“任務智能體（Task Agent）”與“元智能體（Meta Agent）”整合為一個單一的、可編輯的程序。元級進化：在Hyperagents中，“改進的方法”本身也是可以被改進的。這使得系統不再要求任務與修改必須對齊，從而實現了跨領域的“元認知自我修改”。打個比方，在Hyperagents中，運動員不僅在訓練，教練也在學習如何更好地執教。由此，運動員的表現和教練的執教水平不斷螺旋上升。此外，DGM-H還改進了生成新智能體的過程（例如引入持久化記憶、性能追蹤等），且這些元級改進具有跨領域遷移和跨運行累積的特性。實驗驗證：從20%到50%的跨越實驗證明，達爾文哥德爾機（Darwin Gödel Machine）能夠通過修改自身程式碼庫實現持續的自我提升。在SWE-bench上，DGM自動將其性能從20.0%提升至50.0%。在Polyglot上，DGM的性能從初始的14.2%躍升至30.7%，遠超由Aider開發的具有代表性的人工設計智能體。這些結果證明了DGM能發現並實施有效的自我改進。而實現這一點的關鍵在於其開放式進化搜尋策略：通過從現有智能體庫中採樣生成新智能體，DGM能夠平行探索多條進化路徑。性能稍遜的“祖先”智能體在發現新方法和功能方面起關鍵作用，避免了早熟收斂。此外，DGM的改進具有廣泛的遷移性：針對Claude 3.5 Sonnet最佳化的智能體，在切換到o3-mini或Claude 3.7 Sonnet時仍能提升性能。在Polyglot基準中，Python任務上的自我改進同樣提升了Rust、C++、Go等不同語言任務的表現。 (量子位)

【原始碼智能前瞻】：Open Claw爆火之後，混元宣佈漲價460%，智譜宣佈漲價100%，阿里雲宣佈漲價34%。漲價的理由都是同一個——“Token呼叫量暴漲”。究其原因，Open Claw發佈後，AI第一次能真正“幹活”，接管電腦、寫程式碼、訂機票、發郵件。隨之，Token消耗邏輯發生了本質變化：以前是問答消耗（幾十Token），現在是任務消耗（幾萬Token），再往後是智能體自主執行消耗（百萬級Token）。中國日均Token消耗半年漲5倍，輝達預測未來幾年年複合增長3000%。中國廠商已經跟上。雲廠商推出一鍵部署，大模型廠商繫結自家模型，硬體廠商做端側Claw，紛紛爭奪Token的入口和定價權。黃仁勳在GTC會議上把資料中心叫作“Token工廠”，提出“每瓦Token數”作為新KPI。意思是：算力不再是賣卡，是賣Token。Token正在從技術概念，變成經濟概念。本文回答四個問題：Token為什麼是計價單位？怎麼消耗？誰在定價？定價和什麼有關？一、Token為什麼是計價單位？（一）什麼是Token？Token是AI處理資訊的最小單元。你問AI一句話，AI回你一段話，這些話在AI模型中都會被拆解成Token。Token數量要看分詞規則，舉個例子，“人工智慧”如果是常見詞，可能直接是1個Token；如果被拆開，可能是“人工”和“智能”2個Token。類比理解，Token就是AI世界的“字節（Byte）”，是模型理解語言的基本單位。（二）為什麼用Token計價？為什麼大模型用Token來計價，而不是按次或按時長計價？如果按次計算，一次簡單的問答和一次複雜的程式碼生成，消耗的算力差幾百倍。如果按時長計價，算力消耗不是勻速的，高峰時段和空閒時段差距太大。用Token計價則解決了以上問題。它是目前能找到的最精確的計量單位，主要原因如下：第一，消耗量與算力直接相關，每生成一個Token，背後都是一次完整的推理計算。第二，消耗量與任務價值正相關。金融業務的token比日常對話的token更具價值。第三，Token可分層定價。廠商可以根據Token的質量定價。Token已經從技術概念，轉變成為反映算力消耗和商業收入的計量單位。以前Token是大模型訓練過程中的副產品。現在成本重心從供給端（訓練）轉移到需求端（推理）。推理是持續的消耗，Token消耗量開始和費用直接掛鉤。二、Token是怎麼消耗的？根據IDC測算，全球Token消耗年複合增長率可達3000%。中國得日均Token消耗已經從2025年中的30兆飆升至2026年2月的180兆，半年增長了5倍之多。Token消耗與任務複雜度直接相關，呈現出明顯的層級特徵：為什麼層級間消耗差異如此懸殊？核心在於AI的“思考”方式發生了根本變化。以o1為代表的推理模型，不再採用傳統的“預測下一個詞”模式，而是在內部生成思維鏈，模型會在回答前進行多步推理、試錯、反思，這些內部過程都以Token形式消耗。Claude Code、Open Claw等智能體框架更進一步。它們將推理能力與工具呼叫結合，實現“思考-執行-驗證”的閉環迭代。一次完整的智能體任務，可能包含數十輪內部推理和外部工具呼叫，單次任務消耗從幾十萬到幾百萬Token不等。以下是不同使用者消耗量級的直觀對比：三、誰在給Token定價？Token從生產到消費，經過四個環節，每個環節的定價權不同。生產層：輝達定義成本基準。它不直接賣Token，但掌握最底層的定價權。黃仁勳提出“每瓦Token數”——在固定電力下，誰能產出更多Token，誰就能賺更多錢。新一代AI計算平台Vera Rubin平台將生成Token成本降低90%，每瓦性能提升10倍。據財報，輝達60%收入來自前五雲廠商。煉化層：模型廠商直接面對供需。國聯民生證券研報指出，當推理消耗變成生產資料，模型廠商有機會把“算力稀缺”通過分層定價轉化為毛利。輝達的分層定價印證了這一點，Token的價值由它能幹什麼決定。分銷層：雲廠商賺管道溢價。3月以來，中國雲端運算產業鏈逐級漲價。優刻得全線漲價，騰訊雲混元漲價超460%，智譜漲20%。但云廠商不只是“二道販子”，它們封裝服務（一鍵部署OpenClaw）、整合生態（阿里串起千問、釘釘、淘寶），賺取溢價和粘性。消費層：使用者用錢包投票。黃仁勳算過一筆帳：“一個研究員每天用5000萬Token，一天7500美元，但對研究團隊來說根本不是問題——因為Token帶來的價值遠超成本。”也就是說，Token的價格由它能創造的價值決定，而非生產成本。這正是Token從技術參數演變為經濟單位的底層邏輯。可以看出，輝達掌握底層成本基準，模型廠商掌握直接定價權，雲廠商掌握管道溢價，使用者用錢包進行價值投票。四、Token定價和什麼有關係？為什麼有的Token貴，有的便宜？成本、能力、供需、場景共同決定Token定價。過去主要由成本決定，現在正向供需和場景傾斜。未來，場景價值會成為主導因素。第一，成本驅動。一個1GW的資料中心，電力是物理上限。誰產出更多Token，誰就能把成本攤薄。中國廠商能打價格戰，靠的就是成本優勢：一度電0.2-0.5元（歐美0.8-1.2元），對應單張B200晶片每年能省900美元。第二，能力分層。同樣是Token，能幫企業做業務的就比閒聊的貴，因為前者價值更大。輝達分層定價正是按能力分層。第三，供需關係。這是最直接的驅動因素。2026年2月，全球前十AI模型Token總消耗量突破27兆，中國貢獻14兆，佔比超50%，一年半漲了1800倍。但是供給端產能緊張，HBM視訊記憶體、先進製程GPU受限，伺服器成本上升。阿里雲、混元、騰訊、智譜漲價，直接原因就是“全球AI需求爆發”和“供應鏈漲價”。第四，場景價值。這是未來定價的主導因素。一個Token用在個人寫周報，價值幾毛錢；但用在金融交易、自動駕駛，價值幾百倍。國信證券指出，推理更看重使用者生態和調度效率，定價權正在從“算力供給方”向“場景需求方”轉移。誰的場景價值高，誰就願意付更高價格。在PC時代，有一個經典的安迪-比爾定律，即硬體提升的性能，很快被軟體消耗掉了，使用者永遠覺得不夠快。智能時代的“安迪-比爾”正在應驗，輝達每18-24個月性能翻倍，但AI智能體瘋狂消耗Token，算力永遠不夠用。Token不再是技術參數，而是經濟概念。印鈔機已經啟動，誰能掌握定價權，誰就能分到最大一塊蛋糕。 (原始碼悟真投研筆記)