Token的使用激增正在提升公司的估值。
被誉为“Token第一股”的迅策科技，自上市108天以来，股价已上涨近六倍，总市值达1050亿港元。
智谱在港股上市首日市值约580亿港元，发布年度财报后，股价迅速超过1000港元，市值突破4000亿港元。
智谱CEO张鹏认为，2026年的关键词是“Token”，强调智能界限的突破和Token使用增长共同构成AGI时代的商业价值。
尚未上市的公司月之暗面上个月完成超过10亿融资，估值达到180亿美金，而去年底的融资估值为43亿美金。
这种估值上升与OpenClaw宣布将KiMi K2.5设为官方主力模型密切相关。K2.5发布一个月后，月之暗面年经常性收入突破1亿美金，业绩增速支撑了估值提升，打开了公司IPO的可能性。
资本市场对Token经济的热情高涨，未来可能会出现许多财富神话。这场Token经济的繁荣，正在快速普及认知并积累风险。
增长
聊天机器人刚推出时，没人预见到两年后豆包这一大模型的日均Token使用量会超过20万亿。即使按每百万Token两块钱计算，这意味着每天有3亿元的费用在豆包上消耗。
国内外大模型公司都在经历类似的增长，Token的日均消耗量以指数级别上升。
工信部下属的中国信息通信研究院数据显示，截至2026年3月，中国日均Token使用量已突破140万亿，较2024年初暴涨超过1000倍。
全球最大的AI模型API聚合平台OpenRoute的数据显示，平台每周处理的Token数量从2025年3月的1.6万亿提升至2026年3月的16.90万亿，一年内增长超过10倍。
OpenRoute连接了几乎所有主流模型厂商的API接口，其每周Token消耗曲线反映了全球AI应用的活跃程度。
Token消耗曲线几乎呈垂直上升，显示出人工智能经济自我发展的趋势。
Token需求的激增是由人工智能技术的演变推动的。
早期的AI应用以聊天机器人为主，用户输入一段话，模型返回一段回答，消耗几百到几千Token。但从去年下半年开始，以Agent和Claw为代表的新型应用快速流行，它们能够自主规划和执行任务，导致Token消耗量显著增加。
行业内的估算显示，完成同一业务目标时，Agent模型消耗的Token是Bot模型的50到200倍。
Agent在执行任务时需要携带完整的历史对话上下文，复杂任务的上下文窗口可能累积数十万Token。
Agent每次思考需要经过多轮推理，触发API请求，并持续加载系统配置文件和记忆库，确保任务的一致性和个性化体验。这使得Agent模型下的Token消耗变得复杂。
值得注意的是，Token的表面消耗量并不等同于真实需求量。
当AI成为企业的核心时，Token消耗量可能被纳入考核指标，出现“Token伪需求”的情况。
Meta内部已将Token消耗量作为AI渗透率的衡量标准，一些员工通过运行冗余模型来显得懂AI，而国内如腾讯也存在类似现象，部分业务线甚至发明了“Token刷量”的操作。
这种制造多余消耗的行为，反映了荒谬的“大跃进”现象。
核心
Token消耗的指数级增长引发了一个产业问题——谁来买单，谁将受益？
国家数据局就《关于推进行业高质量数据集建设行动的实施方案（征求意见稿）》公开征求意见，首次在政策文件中提出“探索词元交易等新型交易模式”，构建以Token为基础的数据集价值体系。
Token化收费逐渐成为人工智能经济的核心。
迅策科技调整商业模式，转向按Token消耗与分成的新模式，构建了“收入=Token价格×使用次数×模块使用数”的增长模型。
目前Token付费收入占迅策科技总营收的5%左右，预计年底将提升至20%至30%。市场对迅策的估值逻辑因此发生变化，脱离了传统市销率的限制。
迅策科技的模式表明，在人工智能经济中，大模型厂商将扮演“精炼厂”的角色，将底层算力与数据加工成以Token计价的“成品”，并在价值分配体系中占据关键位置。
云服务厂商则充当“发电厂”和“电网”，决定Token的底层成本。
以阿里云为例，截至2026年2月底，阿里云累计外部商业务化收入突破1000亿，AI相关产品收入保持高增长，连续第十个季度三位数同比增长。
阿里云上周发布多条涨价公告，调整部分模型单元价格及服务价格，云厂商对Token成本的影响显而易见。
云服务厂商在传统架构中收入主要来自基础设施计费，进入Agent时代后，推动按资源（Token）使用量计费，通过订阅、开发者生态等获得长期合同收入。
算力厂商充当上游原材料供应方，英伟达的高端GPU仍处于产业链核心，存储原厂的产能受限，毛利率上升。
尽管有人担心算力实际过剩，Token化收费的历史进程不会受到影响。
Token收费让产业链的价值分配有了清晰的计算依据。
Token正在推动人工智能经济从“感觉有用”走向“可以核算、可以征税”，成为真实的经济构成。
狂欢
Token化收费使人工智能经济的运转逻辑变得明确，但其是否遵循传统经济规律仍需观察。
传统经济学的供需平衡理论在人工智能经济中并不完全适用。
在人工智能经济中，供给通过数据飞轮改进供给质量，需求曲线的移动不是因外部收入变化，而是供给曲线本身的变化。
当前阶段，可能会看到蒸汽时代的“杰文斯悖论”在人工智能时代重演。当蒸汽机效率提升时，煤炭总消耗量反而暴增，便宜的蒸汽动力催生更多工厂和运输工具。
Token的单位生产成本越低，愿意消耗Token的群体越多，使用Token的场景越广，最终Token的总成本越高，人工智能经济的总价值也会增加。
数据显示，过去两年中，Token生产成本下降超过99%，GPT-4每百万Token的成本已从37.5美元下降至2025年的0.14美元，但全球企业在AI上的支出反而增长了3.2倍。
如果这种趋势持续，即使单位Token价格接近零，全人类消耗的Token总价值仍会大幅增加。
这也是智谱、miniMax等公司在巨额亏损情况下，仍被市场看好的原因——市场关注的是未来Token经济的总价值。
使用Token生成的产品本身也会越来越具价值。
同一百万个Token在不同场景下的价值差距可达十万倍，价值因任务而异——用于闲聊的Token只值几分钱，而用于写代码的Token值几百几千元。
斯坦福大学2026年AI指数报告估算，生成式AI为美国消费者创造了约170亿美元的消费者剩余，用户获得的价值远超支付费用。
需要警惕的是，在AI替代大量人类脑力劳动后，传统劳动供给理论将面临挑战。需求曲线因购买力萎缩而整体下降，供给端由于自动化依然强劲，这就是技术性失业导致的有效需求不足。
此时围绕Token消耗量激增的一切都表面繁荣，推动产业链上下游与资本市场的狂欢。
历史证明，当新技术被资本市场赋予无限想象空间时，泡沫总会比价值先到达终点。
