如果將大模型定位為數字時代的新型基礎設施，那么模型智能密度的高低，將直接決定一國在未來全球競爭中的戰略地位與產業主動權。

文｜林江浩

ID | BMR2004

2026年3月，中國國家數據局公布，中國日均詞元（Token）調用量突破140萬億，兩年增長了1400倍。詞元是AI處理和生成信息的基本單位，一個詞元大約對應1—2個漢字。詞元讓AI變成了一種可以計量、定價和交易的資源，圍繞這個單位，目前正在形成一套全新的經濟邏輯。

01

詞元經濟是什么

詞元為看不見、摸不著的智能提供了可計量、可結算的標準化單元，是智能價值的量化載體。

詞元是大模型處理信息的最小單元，是AI理解、生成、運算內容的“原子級”載體。而詞元經濟，本質是圍繞大模型詞元運算、算力消耗與價值轉化形成的新型經濟形態，其特點是通過電力、芯片、算法支撐詞元的生成、運算與應用，讓詞元成為連接大模型技術與產業落地的核心載體，最終實現技術價值向經濟價值的規模化轉化。

詞元并非數據、信息、知識的簡單加總，這些本質上都是智能的外在表現形式；而詞元是對智能的量化計量工具。簡言之，詞元為看不見、摸不著的智能提供了可計量、可結算的標準化單元，是智能價值的量化載體。

英偉達創始人黃仁勛將詞元定義為AI時代的新大宗商品。傳統產業賣商品、賣服務，而AI產業核心是“售賣智能”，詞元就是智能的計量單位。

稱詞元為“通貨”在于三點：第一，可計量。如同電力用“度”、流量用“GB”，詞元提供了AI智能服務的統一量化單元。傳統AI服務按項目、席位打包，無標準度量，詞元則讓每一次問答、每一段代碼、每一次推理都能精準計數。第二，可定價。詞元直接錨定算力、電力、算法成本，形成“按量計費”的清晰商業模式——OpenAI、Anthropic、國內主流模型均采用“輸入或輸出詞元單價×總量”結算，徹底打破AI“高投入、模糊回報”的困局。第三，可交易。詞元作為虛擬智能商品，無物理介質、可全球流通，天然具備全球化交易屬性，成為智能服務跨境供給的“通用結算單位”。

詞元經濟構建了一個怎樣的產業鏈？由下至上，分別為：基礎層原材料→能源與電力層→芯片硬件層，包括GPU、光刻機、晶圓制造等核心硬件底座→CUDA生態與軟件棧，作為支撐上層應用的關鍵基礎設施，獨立構成重要一層→大語言模型，大模型已不再是單純算法產品，而成為AI時代的操作系統（OS），承擔通用智能大腦的角色→應用層，基于大模型搭建的應用體系（Harness）設施與智能體服務，直接觸達終端用戶。

02

詞元價值取決于智能密度

智能密度越高，越能吸附高價值真實任務數據，形成越強的技術壁壘與迭代優勢。

詞元的本質是智能的載體，其價值絕非產出數量，而是智能密度——單位詞元所承載的解決復雜問題、輸出高質量結果的能力。智能密度由三大核心要素共同決定，三者的優化空間直接決定詞元價值。

電力要素：決定算力基礎的投入成本。AI是“電老虎”，數據中心電力成本占總運營成本30%—50%，低電價區域（如西部清潔能源基地）能顯著降低詞元“制造成本”。

芯片要素：決定算力轉化與電力利用效率。英偉達GPU、華為昇騰等不同芯片，在單位電力下的詞元生成能力、推理速度差異可達100倍——“每瓦詞元數”是詞元工廠的核心競爭力指標。

算法要素：決定智能密度的核心。大模型架構、訓練邏輯、推理效率，決定詞元能否解決高難度任務。同樣100萬詞元，GPT 5.4、Claude Opus 4.6能完成復雜法律分析、工業建模、深度研發，而普通模型可能只能完成簡單問答，價值天差地別。

當前行業誤區是“拼詞元調用量”，雖然中國日均詞元調用量已超140萬億，但要區分其中有多少是低智能密度的簡單任務。真正的競爭，是單個詞元的智能密度與價值能力，這和傳統制造業“拼產品質量”邏輯完全一致。

如果將大模型定位為數字時代的新型基礎設施，那么模型智能密度的高低，將直接決定一國在未來全球競爭中的戰略地位與產業主動權。這一判斷可以從兩個維度進一步延展：

第一，詞元經濟是一種前所未有的、純虛擬且可近乎“無痛全球化”的商業模式。傳統商品跨境流通需要承擔供應鏈、關稅、物流、貿易壁壘等多重成本，而詞元作為虛擬產品，可實現無物理介質的全球流通。當前國際上尚未形成針對詞元這類虛擬智能產品的關稅體系與統一監管規則，即便存在地緣政治限制，相關技術與服務仍可通過各類中轉方式實現跨境供給。因此，詞元經濟天然具備全球化擴張屬性，商業模式輕盈且毛利空間可觀。

第二，智能密度直接決定模型能否形成高質量數據飛輪。當前主流大模型企業并非典型意義上的平臺經濟，其商業模式更接近云算力服務商或智能產品制造商。OpenAI作為全球最大的C端大模型產品，擁有龐大日活與海量對話交互數據，但其C端用戶產生的多為平庸數據，難以有效反哺模型、提升智能上限，因此并未形成傳統互聯網式的“用戶越多—數據越多—算法越優—黏性更強”的數據飛輪。

C端用戶并非當前詞元消耗主體。普通消費者購買的并非詞元本身，而是基于詞元構建的智能體服務。用戶并不關心詞元數量與模型原理，只在意服務是否好用、能否解決實際問題。這本質上回歸到面向服務付費的模式，只是底層由詞元支撐，使得服務更智能、成本更低、經濟效益更高。對C端用戶而言，核心價值不在于詞元的智能密度，而在于廠商搭建的Harness能否創造切實的增量價值，這也是企業實現盈利的關鍵。

真正推動詞元經濟形成規模、引發行業廣泛討論的動力，是大量B端企業的付費使用。企業愿意為詞元付費，將其轉化為內部生產效率與商業智能。數據顯示，今年一季度，Anthropic的年度經常性收入（ARR）已實現對OpenAI的超越，增長態勢極為迅猛。

此外，二八原則在AI市場不僅成立，而且在B端表現得更為極致：80%的標準化、低難度任務，會由性價比更高、智能水平達到頭部模型90%—95%、價格僅為其幾分之一的國產模型承接；而剩余20%的高難度、高價值核心任務，仍會依賴能力更強的頂級模型。隨著頭部模型與追趕型模型的能力同步提升，二八劃分的邊界會持續動態調整。

國內絕大多數大模型，采取的是低成本跟隨策略，不對標頭部模型的完整能力，僅通過蒸餾逼近頭部模型90%—95%水平，以“低價同質”參與競爭。國內的一個模型早期定價僅為Anthropic的1/10，調價后約1/5，但這種策略在高難度產業場景存在致命局限。因為智能密度不足，導致任務效率下降。在復雜任務處理中，如果頭部模型需100萬詞元，弱模型可能需500萬—1000萬詞元，因為需要多次重試才能近似達標。因此，從算總賬的角度來看，總成本未降反升，效率損耗抵消了低價優勢。更關鍵的是，模型蒸餾的方式只提取答案，不掌握高價值問題。

因此，只有在工業、制造、能源、政務等B端硬核場景中實現可用、好用、管用，國產模型才能真正積累高質量數據，完成智能密度的持續迭代與追趕。

03

詞元經濟會重構平臺經濟嗎？

大模型公司、智能體公司、原生平臺公司，都在謹慎試探邊界，這一邊界直接關系到企業生死。

關于詞元經濟是否會重構平臺經濟，這是一個極具探討價值的話題。事實上，幾乎所有大模型公司都有“平臺夢”，但實現難度極大，核心瓶頸集中在兩點：

第一，用戶信任的不可突破。用戶使用大模型的前提是對結果與過程的絕對信任，若在對話過程中植入廣告或商業引導，會直接引發用戶對結果的質疑，進而蔓延為對整個模型過程的不信任，最終導致用戶流失，這是大模型向平臺轉型的核心障礙。

第二，流量入口的激烈爭奪。大模型的出現并未催生新的智能設備或新的娛樂消費方式，其向平臺轉型的過程，本質上是搶奪現有平臺公司的流量入口與市場份額。例如，大模型接入外賣功能，本質是爭奪美團的核心業務；接入購物功能，則是與阿里、京東等電商平臺直接競爭。而大模型公司本身并不具備這些領域的核心資源，它們既沒有美團數百萬商家與菜品數據，也沒有阿里的海量商品信息，只能通過模擬用戶操作的方式，從原生平臺拉取數據再展示給用戶，這無疑會嚴重損害原生平臺的利益，打破其既有的平臺邏輯。

原生平臺的盈利邏輯是“流量分配權”，以美團為例，其廣告收入依賴于對用戶可見內容的排序權，用戶往往傾向于選擇排序靠前的商家，這是平臺經濟的邏輯。若由智能體或大模型主導用戶的選擇與決策，原生平臺將失去流量分配權，廣告價值大幅縮水，收入直接受損，因此二者必然會產生激烈競爭。

這一競爭邏輯，與搜索引擎時代的SEO（搜索引擎優化）有著異曲同工之妙。搜索引擎時代，商家通過優化網站，爭取在搜索結果中獲得更高排名；如今信息入口轉向大模型，商家自然會嘗試通過各種方式，讓大模型優先呈現自身信息，這一過程本質上是對新信息入口的優化，但并未改變大模型與原生平臺的競爭本質。

2025年12月，搭載豆包手機助手的努比亞M153技術預覽機在接入第三方應用時，出現了明顯阻力：部分用戶反饋微信登錄異常或被強制下線，豆包隨后下線了“操作微信”的能力；也有銀行類App對其發出風險提示，要求關閉助手后再繼續使用。需要注意的是，微信方面并未公開承認“針對豆包采取特別封禁”，而是表示更可能是既有安全風控被觸發。當AI助手試圖通過系統級權限跨App接管用戶操作時，原生應用會以風控、隱私和權限合規為理由提高限制，而這種限制在客觀效果上也維護了平臺對流量入口、數據邊界和用戶關系鏈的控制。

當前行業仍處于混戰博弈的階段，尚未形成明確的勝負格局。此前OpenClaw（小龍蝦）推出時，市場狂歡，如今其熱度消退且安全問題逐漸凸顯。事實上，OpenClaw能實現的功能，Claude Code等工具同樣可以實現，二者差異在于交互形式，前者采用更易用的界面，降低了C端用戶的使用門檻，而Claude Code基于命令行界面，僅適用于程序員、研究人員等專業群體，因此未在C端爆發，但功能層面并無本質區別。

從終局來看，當前所有相關主體——大模型公司、智能體公司、原生平臺公司，都在謹慎試探邊界，這一邊界直接關系到企業生死。各方表面保持友好，行為上卻極為克制。行業博弈的核心是利益交換，而非零和博弈。

04

詞元經濟的未來模式

在詞元經濟框架下，資本、勞動與數據要素已深度融合。企業核心競爭力，不再是單一要素的投入，而是基于大模型與詞元搭建出多層的增量價值體系。

相比平臺經濟，詞元經濟的形態會更貼合兩種行業邏輯：

一是類似于云計算產業，呈現高壁壘、寡頭競爭格局。這一觀點來自Anthropic CEO達里奧·阿莫迪（Dario Amodei），其邏輯是，詞元經濟的發展路徑將高度貼合云計算行業，未來會進入“高壁壘、高資本投入、高組織復雜度”的成熟階段。當前訓練一代大模型的成本已達10億美元以上，且仍在持續攀升，極高的入場門檻會淘汰絕大多數參與者。

未來行業不會出現一家獨大（如社交領域的騰訊），也不會有數十家頭部企業競爭，而是形成3—4家主導廠商的寡頭格局，彼此之間形成競爭與博弈，同時具備一定的功能差異性。這一格局與當前云計算行業高度一致，美國市場由亞馬遜云、微軟Azure云、谷歌云主導，國內市場則由阿里云、華為云等占據主要份額。

這種格局的驅動力并非網絡效應，而是極高的資本與技術壁壘。由于入場成本過高，使得存活下來的3—4家廠商能夠占據穩定的市場份額，獲得較高毛利。隨著行業成熟，模型智能上限逐漸觸達瓶頸，研發投入占比會逐步降低，而推理階段本身具備的高毛利優勢將進一步凸顯，廠商盈利能力會持續提升。

二是會類似造車行業，呈現重資產押注、爆款依賴的情況。首先，一代大模型相當于一款新車，研發投入巨大，需賭其能力提升能夠獲得市場認可；其次，造車企業需建設生產線，生產線的規模取決于對車型銷量的預判。同樣，大模型公司則需預判未來1—2年的算力需求，決定算力采購量、數據中心擴建規模，這本質上是一輪巨大的重資產押注。預判精準與否直接決定企業生存狀態。算力采購不足會擠壓研發算力，導致模型迭代滯后；采購過量則會造成閑置，增加資金占用與折舊壓力，二者都會讓企業陷入經營困境。

此外，在地緣政治與數據安全雙重約束下，中國市場未來大概率會出現私有化部署的大模型與詞元服務體系，類似當前的私有云架構。目前不少國企已采購國產化模型一體機，但多數項目帶有一定政策導向，一些國產模型搭配國產芯片落地后，智能密度有限，難以真正支撐業務價值，實際使用率偏低。

未來要形成有效的私有化部署與可落地的詞元經濟，前提是私有化模型的智能水平必須觸及足夠高的邊界。但這里存在一個明顯卡點：如果國內模型完全私有化本地部署，大模型廠商無法獲取真實場景數據，模型智能難以持續迭代；而模型能力不足，又無法滿足企業核心需求，形成雙向制約。

這一卡點在技術層面存在破解空間。可以將大模型類比為高度智能的大腦：其通識理解能力、邏輯推理能力、長文本處理與上下文建模能力，可以通過廠商持續技術迭代不斷升級；在完成私有化部署后，即便模型這一高度智能的大腦從未接觸過如中石油這類高度垂直、專屬的業務場景，只要通過完善的腳手架搭建，依然能夠充分理解業務邏輯并執行相應任務。

因此，未來智能體服務能力的提升將沿著兩條路徑并行發展：

一是模型通用能力升級。模型能力與具體業務場景解綁，不再需要深度理解某一行業、某一企業的細分業務細節，而是專注提升通用推理能力、理解能力與長上下文建模能力。

二是外部場景化腳手架搭建。通過腳手架將真實業務流程、規則、約束與數據接口外部化，依托模型足夠強的通用智能去理解并解決問題，而不是讓模型預先學習所有行業知識。腳手架的構建主要由兩類主體完成：一類是傳統SaaS公司向AI應用服務商轉型，面向行業提供標準化腳手架；另一類是大型企業內部技術部門，自研適配自身業務的私有腳手架。大模型廠商一般不會深度介入定制化腳手架開發，最多提供代碼生成等通用型腳手架工具。

簡言之，未來的模式就是：大模型廠商提供一個通用強智能大腦，企業與服務商為其裝配適配自身場景的四肢與工具。

在詞元經濟框架下，資本、勞動與數據要素已深度融合。企業核心競爭力，不再是單一要素的投入，而是基于大模型與詞元搭建出多層的增量價值體系。

對企業而言，使用詞元與智能體的價值核算，一是成本節約，即通過AI替代人力、縮短時效省下的開支；二是價值增益，即業務增長、效率提升帶來的新增產值。在計算成本時，則要扣除詞元的直接采購成本，如果詞元的消耗成本高于原有人工成本，方案便不具備經濟性。除此之外，還有一項更關鍵的隱性負荷與治理成本，即智能體依托概率模型運行，即便使用頂尖模型，在復雜系統中仍可能出現事實錯誤與幻覺，企業必須為此建立兜底機制。行業越高精尖、業務越機密，兜底與治理成本就越高。

（本文作者為上海交通大學安泰經濟與管理學院數據與商務智能系助理教授林江浩，本刊記者錢麗娜采訪整理。）

來源 | 《商學院》雜志5月刊