AI时代Token成“统一度量衡” 专家呼吁共解计费透明等难题

近日，科技行业巨头Meta传出计划出售其富余算力的消息，这一动态迅速在市场上引发了关于AI（人工智能）算力是否过剩的广泛讨论与担忧。对于那些已经积极投身于“AI基础设施建设”的企业而言，如何确保高昂的算力投入能够切实转化为可量化、可交易、并形成闭环的业务价值，已然成为当前亟待解决的首要难题。

7月2日下午，一场以“Token普惠：交付可见价值，重塑AI效能”为主题的沙龙活动在北京成功举办。在此次活动中，多位业内专家纷纷指出，AI技术的落地应用，若仅单纯强调技术层面的突破，而忽视明确的价值计量规则，其商业模式注定难以持久。因此，AI领域迫切需要一个“统一度量衡”，而这个角色正由Token（词元）来担当。

然而，当前国内Token的定价机制仍主要以成本为核心基准，尚未建立起与任务完成度、产出价值紧密挂钩的定价体系。质量评估主要依赖于用户的主观感知，导致行业普遍存在计费不透明、计量标准不统一、价值匹配脱节等一系列问题。

Token：AI时代的“统一度量衡”新角色

在这一轮AI技术的蓬勃发展中，Token经济无疑扮演着举足轻重的角色。

中国信息通信研究院信息化与工业化融合研究所副所长、高级工程师黄伟在活动中强调，AI技术的落地应用，若缺乏明确的价值计量规则，其商业模式将难以持续。他比喻道，在工业时代，“度量衡”是电力；在互联网时代，“度量衡”是流量；而在AI时代，“度量衡”则非Token莫属。

黄伟进一步阐释，Token作为算力资源的一个量化凭证，实际上充当着智能服务的计价媒介角色。它将无形的技术能力转化为可核算成本的有形商品，从而承担起连接AI技术与经济价值的桥梁作用。

中国人民大学高瓴人工智能学院副院长、教授魏哲巍则从另一个角度指出，大模型的训练过程犹如“上学”，需要一次性投入大量资源；而产业界更为关注的推理阶段，则更像“上班”，每一次智能调用都需要实时计费。他分析道，企业采购Token，本质上是在购入可复用、可规模化落地的工程能力与组织能力。他预测，未来Token的定价将呈现分层分化趋势：基础业务将搭配低成本轻量化模型，而复杂决策场景则将搭载高性能大模型。因此，企业必须精准核算不同场景下Token投入的效费比，以优化资源配置。

联想集团副总裁、中国首席战略官、中国技术管理委员会执行主席阿不力克木（以下简称“阿木”）则从成本角度进行了深入分析。他认为，随着技术创新的不断推进，单位Token的成本将持续自然降低。然而，他也同时指出，随着企业用量的不断增加，Token的总成本一定会上升。当总Token成本与总价值曲线相交并跨越“奇点”时，AI的价值将迎来爆发式增长。但目前，国内多数企业尚未达到这一阶段，仍需努力提升数字化水平以跨越这一门槛。

至于谁有望率先突围，阿木判断认为，未来数字化水平极高的头部企业和AI原生初创公司有望率先跨越奇点；而数量庞大、处于中间段的传统企业，则因数字化基础薄弱，极易在看到“创新红利”前陷入算力支出的“成本黑洞”。因此，传统企业需加快数字化转型步伐，以提升自身竞争力。

值得一提的是，阿木还就近期热门话题“Meta计划出售算力砸崩科技股”一事发表了看法。他认为，从长期来看，无论中国还是海外市场，AI算力的需求仍有巨大空间，并未出现算力过剩的情况。他指出，目前C端的成熟头部AI产品数量有限，而面向企业的B端商业化落地潜力尚未充分释放。此外，AI产业链还存在供给侧话语权过强的问题，导致了结构性供需失衡。因此，要全面释放Token的价值，还需要推动供给侧与需求侧的平衡发展。

业内呼吁建立统一Token计量基准

目前，Token这个重要的单位并没有明确的价格指引或行业规范。随着越来越多的玩家涌入市场，供应商之间也开始打起了“价格战”。Token套餐看似越出越便宜，有的还绑定了不少产品，但其中的“坑”也不少，给用户带来了诸多困扰。

黄伟进一步指出，目前Token定价问题主要集中在三个方面：一是计费不透明，部分服务商存在最小计费单位设置不合理、暗中降低模型精度以压缩成本的问题，导致用户无法感知实际算力与模型版本情况；二是计量标准混乱，不同厂商对文本、多模态内容的Token切分规则不统一，导致同内容在不同厂商的Token消耗量差异可达数倍，用户无法横向比对成本；三是价值匹配脱节，当前Token消耗无法直接映射业务产出价值，在多模态场景下成本预判误差极大，算力投入回报率难以量化。

在黄伟看来，要解决上述问题，需要产业各方共同努力。服务商需常规披露所用算力型号、模型版本等信息，以保障用户知情权；不同配置应对应差异化定价，不得后台随意切换服务标准。行业需统一计量基准，参照移动流量计量体系，建立全行业统一的Token计量基准与标准化核算工具，以保障不同主体的Token计量具备可比性。同时，相关部门需负责顶层设计与标准制定；技术平台方需负责基础设施优化；应用方则需负责场景落地与价值沉淀。只有这样，才能共同推动AI技术的健康发展与广泛应用。