一張Token指數圖，點燃了AI增長和賬單失控的焦慮。

這張圖是Silicon Data統計的LLM Token支出指數。6月11日，它已連跌7天，創下今年1月以來最長連跌紀錄；過去12天里，有11天是下跌的。

這個指數衡量的是全市場每使用100萬枚Token平均支付多少錢——可以理解為市場愿意為AI“付多少錢”的晴雨表。它自去年12月以來翻了一番以上，并在2026年5月前持續攀升，但近期急轉直下。

它觸動的不是一個小指標，而是整條AI交易鏈：如果企業開始控制Token賬單，GPU、DRAM、數據中心和云廠商的資本開支預期，會不會被重新定價？

美國宏觀策略師Andreas Steno Larsen在6月9日直接把這張圖稱為“當前全市場最應關注的一張圖”，并警告：如果Token定價持續走弱，本輪周期中從內存到更廣泛的硬件及數據中心交易可能宣告結束。

這句話戳到了投資者最敏感的神經。但華爾街的看法更為復雜和多面，Token定價走弱可能并非單純的AI需求見頂。

指數下跌是不是需求見頂？這張圖到底表達了什么

這張圖不能簡單讀成“AI沒人用了”。

它不是Token總需求指數，也不是Token總支出金額。它量的是每百萬Token的加權平均價格——也就是說，它反映的是用戶在用什么價位的模型。

算一筆簡單的賬就清楚了：假設前沿模型10美元/百萬Token，便宜模型1美元。某個月100單位用量全跑在前沿模型上，指數是10。下個月需求翻倍到200，但新增的全是便宜模型跑的批量任務，指數直接掉到5.5。

需求翻倍，指數腰斬。

這意味著，指數下跌有兩種完全不同的解釋：一是需求真的在萎縮；二是用量在爆炸，但用戶在主動向低價模型遷移。

這正是當前爭論的核心：指數下跌，到底是需求見頂，還是用量結構下沉？

Citadel證券發布《Tokenomics》報告認為，AI落地的核心約束已從"模型能力"轉向"成本與算力稀缺"，用戶正加速向廉價模型遷移。

“采用趨勢越來越不取決于前沿模型的功能，而更多取決于價格……Token指數的近期下跌可能反映了這種向更便宜模型轉變的部分跡象。”

摩根大通TMT分析師Mark Schilsky則在6月11日把近期市場討論概括為：“AI賬單失控了。”同時，該行認為當前的Token支出亂象只是“通往更高支出的最小減速帶”。

Citadel的判斷：AI的“性價比與稀缺性”變得更重要了

Citadel證券在其最新發布的《Tokenomics》報告中，給出了一個明確的方向性判斷。

核心論點是：AI落地的核心約束，已經從"模型能力"轉向了"成本與稀缺性"。

Citadel的表述是：“技術落地的核心不再是前沿模型理論上能做什么，而是規模化實現AI運行所需的投入品的價格與稀缺性。算力、電力、冷卻、內存帶寬和推理預算，都是真實存在且具有約束力的限制條件。”

報告援引經濟學基本原理：價格有三大功能——傳遞稀缺信號、催生替代動力、將資源配置到價值最高的用途。這三條在AI領域正在同時發生。

結論是：未來最好的回報，不會來自那些構建最強模型的公司，而是來自那些降低AI成本、提升效率的公司。

同時，推理密集型前沿AI不會消失，但會越來越集中在少數有能力承擔成本的大型企業手中。對整個經濟體而言，在物理約束緩解之前，更簡單的模型可能是更具生產力的路徑。

低價模型正在改變賬單結構

高盛One-Delta部門負責人Rich Privorotsky曾提到，DeepSeek下調75%的定價，小米MiMo接近99%的降價幅度，基礎設施瓶頸緩解正在觸發價格戰。

Coinbase首席執行官Brian Armstrong預測，未來12至18個月，80%的AI工作負載會遷移到成本低99%的模型上，只有20%需要極致智能的任務會繼續留在前沿模型上。

Hugging Face首席執行官Clement Delangue援引斯坦福大學數據稱，本地模型在真實世界查詢中的準確率已升至71.3%，且成本極低。

這與Citadel的判斷相接近：前沿AI不會消失，但可能集中在少數能承受算力成本、具備研究深度、且能把高難度問題轉化為規模化收益的企業手中。

對更廣泛的經濟體而言，在物理約束緩解前，更簡單的模型可能是更便宜的生產力工具。

也就是說，AI使用可能走向分層。

高價值、復雜任務繼續使用前沿模型。日常任務、批量任務、低回報實驗，則轉向便宜模型或本地模型。

摩根大通：優化賬單，不等于AI需求見頂

摩根大通的判斷則是：現在的賬單焦慮，可能只是AI需求早期階段的小減速帶；一年后Token支出可能明顯更高。

如果每百萬Token平均成本下降，但美國公司AI付費滲透率仍在上升，總Token用量在算術上就必須大幅增加。也就是說，“單位價格下降”和“總使用量爆發”可以同時發生。

企業內部的情況也類似。已經大量使用AI的公司會優化Token預算，減少浪費；還沒完全上車的公司，會因為模型更便宜、更容易部署而開始使用。

智能體AI還會放大Token消耗。一個任務過去只需一次調用，現在可能被拆成多步執行、反復規劃、調用工具、讀取上下文，單任務Token消耗會明顯增加。素材中提到，有中小企業案例顯示，業務agent化后，每個任務的Token消耗變成原來的3.5倍。

所以，市場爭論的關鍵不是“Token會不會繼續增長”，而是“增長的單位經濟模型是否健康”。

當下，企業已經開始管賬單

企業端最先暴露的問題，不是AI沒人用，而是用得太隨意。

Axios援引一位AI顧問的消息稱，其一家企業客戶近期單月在Claude上花費5億美元，原因只是沒有對員工使用量設置上限。

在企業內部，把AI使用量當作考核指標，也開始產生副作用。

此前美國部分公司內部把AI使用量當成排名或考核指標，結果誘發了“Tokenmaxxing”：員工為了刷高使用量，讓AI執行低價值任務。

亞馬遜旗下開發者平臺Kiro曾設有內部排行榜“Kirorank”。亞馬遜高級副總裁Dave Treadwell承認，員工為了刷榜讓AI做無意義任務，推高運營成本。他隨后要求員工“不要為了用AI而用AI”，相關測試版儀表盤被下線。

亞馬遜后續改用“歸一化部署”指標，追蹤AI生成代碼的實際價值，而不是單純追蹤Token消耗。Meta內部也出現過類似拉高Token消耗量以占據排名優勢的情況。

這類調整的含義很明確：企業不是停用AI，而是開始區分“有效Token”和“無效Token”。

摩根大通提到，Cloudflare推出AI Gateway這類產品，目的就是幫助企業控制Token預算。OpenRouter等工具也長期存在，本質都是在不同模型之間做路由和成本管理。

定價端也在變化。

6月1日，GitHub Copilot正式從按請求收費切換為按Token用量計費。Reddit社區有用戶表示，其月度費用預計將從不到45美元升至超過847美元。

GitHub首席產品官Mario Rodriguez此前稱，隨著智能體AI興起，舊有定價模式已不可持續。

Gartner分析師Arun Chandrasekaran在接受Business Insider采訪時稱，隨著高級推理模型推高算力消耗，更多企業將轉向按用量計費。

這意味著，過去靠固定訂閱或補貼隱藏的成本，正在被擺到企業財務表面。

多空分歧：硬件交易的邏輯還成立嗎？

這場爭論的終極問題，是AI基礎設施的投資邏輯是否還成立。

多頭的依據是：高盛的Jim Schneider測算，到2030年，代理式AI將推動Token消耗量增長24倍，云服務商毛利率將在短期內轉正。Mark Schilsky也認為，Token支出的短期亂象不會改變長期趨勢。

空頭的依據是：高盛半導體分析師Jim Covello認為，當前產業鏈繁榮是以犧牲上游消耗為代價的，幾乎所有價值都流向了半導體公司，這種狀況不可持續。投資人Tommy Shaughnessy警告，AI大廠利潤率深度為負，一旦企業直面按量計費的真實價格，支撐GPU采購和模型訓練的資本流動將面臨逆轉。

近日接受采訪時，Anthropic CEO Dario Amodei、博通總裁Hock Tan、《大空頭》原型Steve Eisman等也都談到類似問題：企業目前對AI工具存在過度支出，也就是“Token最大化”現象；隨著成本意識增強和計費模式轉向按Token收費，未來更需要看實際投資回報率。

社交媒體上，也有聲音直接質疑這張圖的敘事框架。有用戶指出，"六天連跌去年在采用高峰期發生過四次"，"更便宜的模型反而會加速部署，因為成本門檻降低了"。

也有人反駁："不管多便宜，每次新模型發布都會指數級消耗更多Token。"

目前，這場爭論沒有定論。但有一點是確定的：Token支出的邊際變化，通過GPU算力、DRAM內存及數據中心需求的傳導鏈條，直接影響英偉達、存儲芯片廠商及云服務商的資本開支預期。這張圖，投資者不得不盯著看。