Token 小到只是一個詞元，卻大到足以牽動 GPU、光模塊、光纖、數據中心、運營商、電力系統和產業應用。它既是模型的語言，也是產業的賬本。未來真正重要的，不是誰率先喊出 Token 經濟，而是誰能夠把 Token 變成可持續的生產力、可計量的商業模式、可調度的基礎設施，以及可被千行百業使用的智能能力。

本文作者系盤古智庫學術委員、數字經濟研究院副秘書長張禮立，文章來源于“張禮立數字經濟研究”微信公眾號。

本文大約5600字，讀完約13分鐘。

導語

過去兩年，人工智能產業最熱鬧的地方，是模型。誰的參數更大，誰的多模態能力更強，誰的推理更接近人類，誰就更容易站在輿論和資本的中心。可是，一個產業真正進入成熟期以后，決定它命運的往往不是最響亮的概念，而是最基礎的計量單位。

在 AI 時代，這個單位正在變成 Token。

Token 原本只是大模型處理文本、代碼、圖像與多模態信息時的基本切分單位。一個問題被拆成 Token，一個回答由 Token 生成，一次 Agent 工作流背后，可能是成千上萬個 Token 在被調用、傳輸、計算和結算。它看起來很小，卻像電力時代的“度”、通信時代的“流量”、云計算時代的“算力時長”一樣，正在成為智能經濟最基礎的價值刻度。

這也是為什么，我們今天討論 Token，不能只把它看成大模型公司的計費方式。更重要的是，它正在把模型、算力、網絡、數據中心、電力、光通信、運營商和產業應用連接成一條新的價值鏈。過去我們問 AI 能不能回答問題，今天我們開始問：一個社會要讓 AI 進入辦公、制造、金融、教育、醫療、城市治理和跨境貿易，需要多少 Token？這些 Token 由誰生產、誰傳輸、誰承載、誰調度、誰買單？

這才是 Token 經濟真正值得觀察的地方。

OpenAI 在 2026 年公布的信息顯示，其 API 每分鐘處理超過 150 億個 Token，企業業務已經占公司收入 40% 以上，并有望在 2026 年底與消費者業務達到相當規模；Codex 等面向代碼與 Agent 場景的產品也在快速增長。這個數據的意義不在于某一家公司的規模，而在于它說明 AI 正在從“偶爾使用的工具”，進入“持續運行的生產系統”。

當 AI 被少數人用來寫文章、畫圖、聊天時，Token 只是消費互聯網的一個新入口；當 AI 被企業用來寫代碼、處理合同、生成方案、輔助研發、管理供應鏈、重構客戶服務時，Token 就變成了一種生產性資源。它不再只是語言的碎片，而是智能生產的耗材。

過去的數字經濟，是流量經濟；未來的智能經濟，很可能是 Token 經濟。流量經濟關心的是人停留多久、點擊多少、轉發幾次；Token 經濟關心的是機器替人完成了多少判斷、多少推理、多少生成、多少執行。前者改變的是傳播方式，后者改變的是生產方式。

01 Token為什么成為AI時代的新電表

每一次技術革命真正進入社會，都會出現一個新的基礎單位。工業時代看煤、電、噸、公里和工時；互聯網時代看點擊、流量、日活和帶寬；云計算時代看算力、存儲和調用。到了 AI 時代，Token 很可能成為理解產業變化的新入口。

它不是一個孤立的技術詞，而是智能經濟的運行刻度。因為 AI 的每一次回答、每一次生成、每一次代碼補全、每一次智能體任務執行，最終都會落到 Token 的消耗上。Token 越多，意味著智能服務越頻繁；單位 Token 成本越低，意味著 AI 越可能從少數高價值場景進入千行百業；Token 調用越穩定，意味著 AI 越接近真正的生產系統。

過去我們評價 AI，常常看模型能力：參數規模、推理表現、多模態水平、上下文長度。但當 AI 進入產業現場以后，企業真正關心的會變成另一組問題：能不能穩定調用？響應是否足夠快？單位任務成本能不能下降？數據是否安全？系統是否可審計？能不能和原有業務流程打通？

這時，Token 就不再只是模型公司的計費單位，而成為企業衡量 AI 生產力的基礎賬本。

您會發現，Token 并不是一個單點變量。它一端連接用戶需求和企業流程，另一端連接芯片、網絡、數據中心和能源系統。它越小，越容易被忽視；它越多，越會改變產業結構。

02 AI正在從訓練時代進入推理時代

AI 的上半場，是訓練。訓練時代的核心問題，是誰能擁有更大的模型、更大的數據、更強的 GPU 集群。它像建水庫，投入巨大、周期漫長、門檻極高，最終形成少數基礎模型公司的能力競爭。

AI 的下半場，是推理。推理時代的核心問題，不只是模型有多強，而是模型能否被大量、穩定、低成本地調用。它不像建水庫，更像供自來水。真正的考驗不是水庫有多大，而是千家萬戶同時打開水龍頭時，系統能不能穩定供水，水壓夠不夠，成本能不能降下來。

這也是 Token 增長的根本邏輯。模型訓練消耗的是集中式算力，推理消耗的是持續性算力。訓練更像一次性資本投入，推理更像長期運營成本。隨著 AI 應用從聊天、搜索、內容生成，進入代碼開發、企業流程、行業 Agent 和復雜任務自動化，Token 的消耗會從線性增長變成網絡化增長。

Agent 的出現尤其關鍵。一次普通問答可能只是幾百到幾千個 Token，但一個 Agent 要完成任務，往往需要理解目標、拆解步驟、調用工具、檢索資料、生成方案、驗證結果、再次修正。它不是一次回答，而是一串連續行動。每一次行動都在消耗 Token。未來真正的 AI 生產力，很可能不是“人問一句，機器答一句”，而是“人提出目標，機器連續工作”。

這意味著，AI 產業的基礎設施競爭正在改變。過去的核心是模型訓練集群，未來的核心是推理網絡：高并發、低延遲、高可靠、可調度、可計量、可審計。換句話說，AI 不再只是一個軟件問題，而越來越成為一個工業基礎設施問題。

03 資本開支熱潮背后，是一場基礎設施再工業化

如果看全球科技巨頭的資本開支，AI 已經不再是輕資產互聯網業務，而是重新把科技行業帶回重資產時代。根據多家市場統計與財務跟蹤，Amazon、Microsoft、Alphabet、Meta 等超大規模云廠商 2026 年 AI 與數據中心相關資本開支合計可能達到約 7000 億美元量級，明顯高于上一年水平。

這組數字非常重要。它說明 AI 不是簡單的“軟件升級”，而是一場新的基礎設施競賽。芯片、服務器、內存、交換機、光模塊、光纖、液冷、電力、土地、機房、調度系統，都在成為 AI 能否繼續擴張的底層約束。

更值得注意的是，AI 基礎設施的瓶頸正在從“有沒有 GPU”擴散到“能不能把 GPU 有效組織起來”。NVIDIA 在介紹 Blackwell Ultra 平臺時強調，其系統與 Spectrum-X Ethernet、Quantum-X800 InfiniBand 等網絡平臺結合，并為每個 GPU 提供 800Gb/s 數據吞吐能力，以支持 AI 推理模型和云數據中心避免網絡瓶頸。這個表述背后的產業含義是：AI 的下一輪瓶頸，可能不是單個芯片的算力，而是大規模算力之間的連接效率。

一個昂貴的 GPU 如果因為網絡擁塞、數據等待、內存交換和調度低效而無法滿負荷運行，它就不是資產，而是沉沒成本。未來 AI 工廠的競爭，不只看誰買到了更多 GPU，還要看誰能把 GPU 組織成更高效率的生產系統。

所以，AI 時代的“工廠”不再只是廠房和流水線，而是由數據中心、芯片集群、光通信網絡、電力系統和軟件調度共同組成的新型生產裝置。過去機器生產商品，今天機器生產智能。

上述數據共同指向一個判斷：AI 產業已經從“軟件創新周期”進入“基礎設施建設周期”。未來真正稀缺的，不只是算法人才，也包括電力、網絡、機房、冷卻、供應鏈與系統工程能力。

04 光模塊與光纖，為什么突然站到舞臺中央

很多人談 AI，仍然習慣從模型開始。但從產業鏈看，真正最先被重估的，往往是那些過去不在公眾視野中的“連接部件”。

光模塊就是其中之一。

AI 集群不是單個 GPU 的表演，而是成千上萬張 GPU 的協同。GPU 越多，模型越復雜，推理請求越密集，集群內部的數據交換就越頻繁。這個時候，光模塊不再只是通信設備里的零部件，而是決定算力能否釋放的關鍵接口。

LightCounting 在 2026 年關于中國光通信市場的報告介紹中提到，中國 AI 集群中的光連接需求在 2024 年和 2025 年顯著增長，800G 光模塊預計將在 2026—2027 年大規模部署，1.6T 與 3.2T 將隨后推進。(LightCounting) 另一份 2026 年市場預測也指出，以太網光模塊市場 2024 年增長 93%，2025 年預計繼續增長 82%，2026 年預測增長 65%。

這背后不是簡單的通信升級，而是 AI 計算結構本身在變化。過去的數據中心更多服務于搜索、視頻、云存儲和普通互聯網應用；今天的 AI 數據中心要服務模型訓練、推理、Agent、多模態生成和高頻機器協作。人類刷一條短視頻，對延遲的容忍可能是秒級；但 GPU 集群中的數據交換，對帶寬、時延、抖動和穩定性的要求要苛刻得多。

光纖光纜也是如此。過去它更像連接城市、家庭和基站的通信底座，市場常把它看作周期性材料。但在 AI DC 時代，光纖正在從“連接耗材”變成“算力網絡的物理血管”。沒有高質量、低時延、高密度的光連接，算力就會變成孤島。

這也解釋了為什么光通信產業正在從傳統通信周期，轉向 AI 算力周期。過去光纖光纜的需求主要看 5G、寬帶、城域網和運營商集采；未來還要看 AI 數據中心、數據中心互聯、東西部算力調度、企業推理集群和邊緣 AI 節點。它不再只是“把人連接起來”，而是在“把機器連接起來”。

05 數據中心開始面對電力、土地與社會成本約束

如果說 Token 是 AI 的新電表，那么真正的電，也正在成為 AI 的現實邊界。

國際能源署（IEA）在《Energy and AI》相關分析中預計，到 2030 年全球數據中心用電量將翻倍至約 945 TWh，接近全球總用電量的 3%；IEA 同時指出，2024—2030 年數據中心用電年均增長約 15%，增速遠高于其他部門總用電增長。

美國能源信息署（EIA）的預測也顯示，美國電力消費將在 2026 年和 2027 年連續創歷史新高，數據中心、AI 與加密貨幣相關需求是重要推動因素之一。

這意味著，AI 的競爭正在從模型公司之間，擴展到電網、能源、土地、水資源、社區治理和公共政策之間。過去互聯網公司擴張，更多占用的是注意力；今天 AI 公司擴張，越來越多占用的是電力和城市資源。前者帶來的是信息過載，后者帶來的是基礎設施壓力。

這也是 AI 產業必須正視的問題：如果 Token 的增長不能和能源效率、綠色電力、液冷技術、算力調度、區域布局同步提升，它就可能從技術紅利變成公共成本。AI 的發展不能只是“模型越來越聰明”，還必須是“每一個 Token 越來越便宜、越來越低碳、越來越可持續”。

真正成熟的 AI 產業，不是無限堆算力，而是把算力變成一種可治理的公共生產能力。

06 運營商的價值正在被重新理解

在移動互聯網時代，運營商常常被看成“管道”。用戶在平臺上，應用在互聯網公司手里，云在大型云廠商手里，運營商似乎只是提供連接。但到了 AI 時代，這一判斷需要重新修正。

AI 推理時代需要的不只是流量，而是算力、網絡、云、邊緣節點、安全體系和數據中心的協同。運營商擁有骨干網絡、機房資源、邊緣節點、政企客戶、云網融合和區域覆蓋能力。它們未必是最會講 AI 故事的公司，卻可能是最適合承接 AI 基礎設施運營的主體之一。

這尤其符合中國的產業條件。中國有完整的制造業體系、龐大的政企數字化市場、豐富的城市治理場景，也有“東數西算”等區域算力布局。當 AI 進入推理時代后，企業不一定都要自建大模型，但會越來越多地調用模型、部署行業 Agent、重構內部流程。這個過程需要穩定、可計量、可審計、可調度的算力服務。

運營商如果能夠真正打通云、網、算、數、安，就不再只是賣帶寬，而是在經營 AI 時代的基礎設施。過去運營商連接的是人，后來連接的是設備，未來連接的可能是智能體。它們的價值不在于重新成為互聯網入口，而在于成為智能經濟的底層秩序維護者。

07 投資熱潮并不等于產業成熟

但我們也不能被資本開支的熱度迷惑。AI 基礎設施投資越大，越需要冷靜判斷它能否轉化為有效產能。

這方面，美國制造業回流的經驗很值得參考。近年來美國制造業投資規模顯著增加，但產能釋放并沒有同步提升。美國制造業資本支出月均規模從 2022 年約 8200 萬美元提升至 2025 年約 2.24 億美元，但同期產能僅增長約 1.5%；勞動技能、供應鏈生態、審批周期、政策不確定性等因素，都影響投資向真實產能轉化。

AI 基礎設施也會面對類似問題。今天宣布建設一個數據中心，并不等于明天就能形成可用算力；買到 GPU，也不等于 GPU 能被高效使用；建成機房，也不等于電力、冷卻、網絡和客戶需求都能匹配；Token 調用增長，也不等于每一個環節都能獲得合理回報。

所以判斷 Token 產業鏈，不能只看“誰宣布投資多少”，而要看三個更深的指標。

第一，Token 調用是否真實持續增長。沒有應用，算力就是空轉；沒有企業工作流，Token 就只是消費級娛樂。

第二，單位 Token 成本是否持續下降。只有當推理成本下降，AI 才能從少數高價值場景走向普遍生產場景。

第三，基礎設施是否形成協同效率。GPU、光模塊、光纖、電力、液冷、數據中心、運營商和云平臺，如果不能成為一個系統，投資越大，浪費也可能越大。

產業成熟不是錢花得多，而是系統效率越來越高。

08 中國機會在于建設Token時代的產業底座

中國在 Token 時代的機會，我認為不能簡單理解為“做幾個大模型”。大模型當然重要，但更大的產業命題是：如何讓 AI 深入制造、貿易、金融、教育、醫療、城市、能源、物流和企業服務，形成持續的 Token 消耗場景，并把這些場景轉化為產業效率。

中國的優勢恰恰在這里。我們有全球最完整的制造業門類，有大量真實復雜的行業場景，有運營商、設備商、云廠商、光通信企業和數據中心產業鏈，也有工程化、規模化和基礎設施組織能力。一旦 AI 從通用問答走向行業 Agent，中國的競爭力就不只是模型參數，而是場景密度、工程能力和產業協同。

這也是中國數字經濟下一階段需要回答的問題：我們是否能夠把 AI 從“工具”變成“系統”，從“模型能力”變成“產業能力”，從“單點應用”變成“可復制的行業操作系統”。

未來的競爭，不是誰擁有一個最會說話的模型，而是誰擁有最懂產業的智能系統；不是誰生成內容更快，而是誰讓工廠、園區、港口、醫院、學校、企業和城市運行得更高效；不是誰消耗更多 Token，而是誰讓每一個 Token 更有生產力。

結語：Token很小，但它照見了一個大時代

Token 小到只是一個詞元，卻大到足以牽動 GPU、光模塊、光纖、數據中心、運營商、電力系統和產業應用。它既是模型的語言，也是產業的賬本。未來真正重要的，不是誰率先喊出 Token 經濟，而是誰能夠把 Token 變成可持續的生產力、可計量的商業模式、可調度的基礎設施，以及可被千行百業使用的智能能力。

AI 的上半場，是模型告訴世界它能做什么。

AI 的下半場，是 Token 告訴產業，它到底值多少錢。

當 Token 成為 AI 時代的新電表，我們才真正看清：智能經濟不是從天上降臨的神話，而是一套要被建設、被連接、被供電、被調度、被治理的產業系統。誰能理解這一點，誰才真正理解了 AI 的未來。■

文章來源于“張禮立數字經濟研究”微信公眾號

???????

圖文編輯：張洵

責任編輯：劉菁波