大模型竞争的终局：平庸的Token，一文不值
小宇宙约 7 分钟一百七十年前，卡尔·马克思在《资本论》里提出了一个让古典经济学家头疼的问题：如果价值来自劳动时间，为什么两件耗费了同等工时的商品，市场价格可以有天壤之别？
今天，AI产业正在重演这个悖论，只不过主角从工人的劳动时间换成了Token。
Token，是语言模型处理文字的最小计量单位，大约相当于四分之三个英文单词。当前整个AI行业的商业模式，几乎都建立在"按Token计费"这个看似合理的基础上：你消耗多少算力，支付多少费用。逻辑简洁，计量客观，账单清晰。
但问题在于：
Token只是生产侧的计量单位。但是，对于用户而言，付费的依据永远是结果侧的价值大小。这两件事之间，从来没有稳定的线性关系。
大多数人讨论AI商业化，都在谈Token消耗量增长了多少、开源模型的市场份额如何侵蚀闭源API的收入，然后，这些讨论都在一个错误的前提上打转。真正的问题从来不是"消耗了多少Token"，而是"这些Token产生的结果，有没有人愿意付钱"。
Token是生产成本，不是价值本身
让我们做一个简单的思想实验。
同样是一千个Token的输出：
场景A：AI帮你把一段文字改得更流畅。
场景B：AI在你的支付系统代码里发现了一个会导致资金被盗的逻辑漏洞。
前者，你可能觉得免费用用就好；后者，你可能愿意付出这个漏洞潜在损失一定的比例来换取这个结果。
两个场景的Token消耗量完全相同，甚至场景B可能更少，但价值的差距，却可以是数百万倍。
这揭示了AI定价模式最核心的错误：把生产成本当成了价值计量单位。Token是语言模型处理信息的计算开销，是成本侧的概念。
用户愿意付费的，永远是结果侧的价值，是关键问题被解决了多少，核心风险被规避了多少，真实效率被提升了多少。平庸的Token，一文不值。
正如下表所展示的各自场景，尽管消耗的Token大差不差，但付费意愿却是天差地别：
Token消耗和价值创造之间从来就不存在稳定的线性关系，简单来说就是“Token消耗≠收入”。
如今，在全球每天发生的AI对话里，绝大多数产生的都是非常普通的结果。帮你润色一封邮件，回答一个百度也能搜到的问题，生成一段凑数的营销文案，总结一篇你懒得读的新闻或报告。
这些任务消耗了海量Token，但它们有一个共同特征：用户对这个结果的付费意愿，无限接近于零。
不是说这些任务没有便利性，而是这种便利性的价格上限极低，免费或者接近免费。用户不会为一封"更流畅的邮件"付出更多的溢价，因为原来那封不够流畅的邮件，其实也能用。
这就是为什么我们观察到一个奇特的现象：
AI的活跃用户数在爆炸式增长，Token消耗量的曲线近乎垂直上扬，但相当大比例的用户停留在免费计划上，或者在体验几次之后取消了订阅。因为那些普通的结果，根本支撑不起付费行为。
免费，不是因为用户吝啬，而是因为AI大模型交付的这个产品结果，客观上不值得付费。
什么样的结果，人们愿意非常昂贵地支付？
所以，要反过来问，什么时候，用户不仅愿意付费，甚至愿意付出昂贵的费用来购买AI提供的服务？
答案只有一个：
当AI解决的问题是人类自己解决起来极其困难、极其昂贵、或者需要付出极大的代价才能解决的时候。
可以举一些例子来说明这个问题：
AI Coding中的深度调试。一个高级工程师花一周时间找不到的并发竞争条件（race condition），AI在二十分钟内定位并给出修复方案。那一周的工程师时间，在一线城市的成本可能是两万到三万元人民币。这个结果，值多少钱？
代码安全漏洞的发现。隐藏在支付链路里的一个逻辑错误，如果被黑客发现，损失可能是数百万乃至数千万。AI提前发现了它。这个结果的价值，是漏洞潜在损失的某个比例，完全可以高到令人瞠目结舌的程度。
法务合同的深度审查。一份跨国并购合同里，有一个管辖权条款的措辞，在某个特定情境下会让己方处于极度不利的法律地位。人工审查需要一个合伙人级别的律师团队花费数小时，费用可能是数万甚至数十万元。AI如果能精准识别出这个风险点，它提供的结果，在价值层面与那个律师完全等价，而且更快。
医疗影像的异常识别。一个放射科医生在高强度工作的第十个小时，可能会漏看一个早期肿瘤的细微征兆。AI不疲劳，不走神，它的每一次判断都是全力以赴。这个结果的价值，根本是无法用钱完全衡量的。
这些场景有一个共同特征：
结果的价值来自于问题本身的复杂度和风险量级，而不是来自于消耗了多少Token。
所解决问题的复杂度和难度，决定了谁能获得收入，甚至是昂贵的收入。沿这个逻辑就有一个极其重要的推论，直接决定了AI行业的竞争格局：
只有能解决最复杂问题的AI大模型，才能获得真实的、大规模的、甚至是昂贵的收入。
我们再来做一个多场景分析：
注意上表最后一行的场景：
这个场景的用户规模相对小，但单价可以高到让前三行加总起来都相形见绌。
这正是所有高端专业服务市场的共同规律。
全球的顶级律师事务所、顶级投行、顶级外科医生，客户数量远少于普通服务提供者，但他们拿走了整个行业收入的绝大部分。不是因为他们工作的"小时数"更多，而是因为他们解决的问题，别人根本无法触及，也解决不了。
显然，AI世界正在复刻同样的逻辑。
普通模型，将陷入无法获得收入的困境
这个结论的另一面，更加冷酷：
那些只能产生普通结果的大模型，在商业化上将面临结构性的困境，不是收入少，而是根本无法建立起可持续的收入模式，然后难以为继。
原因有三：
第一，普通结果没有定价权。当一个任务能被十几个免费或接近免费的模型完成时，任何一个想收费的模型都面临近乎无限的替代品竞争。定价权为零，意味着商业模式为零。
第二，开源模型已经把底部彻底打穿了。Meta的Llama、阿里的Qwen、DeepSeek等等，这些开源模型在普通任务上的能力，已经足够好到让绝大多数用户无需付费。想在这个区间里建立收费壁垒，是在和免费竞争，是一场必输的战争。
第三，用户没有迁移成本。处理普通任务的用户，不在乎用的是哪个模型，今天用A明天换B毫无障碍。没有粘性，就没有定价能力，就没有可持续的收入。
反观能解决复杂问题的顶级模型，情况完全不同：
用户不敢轻易切换，因为切换意味着风险，"万一新模型发现不了那个漏洞怎么办？"这种粘性，才是真实的商业护城河。
Meta在过去两年投入了数百亿美元训练Llama系列，随后以开源形式免费发布。下载量达到数亿次，在企业私有部署、学术研究、初创公司的产品里无处不在。按Token消耗量算，Llama系列可能是全球运行量最大的语言模型家族之一。
但Meta从这些Token海量的消耗中，直接获得的收入几乎为零。
Meta所谓的逻辑是间接受益：
AI普及推动Meta的广告生态升级，这条逻辑链条不是没有道理，但它很可能相当漫长，且充满不确定性，就理解成Meta的自我安慰吧。
最终的收入格局
所以，把以上的所有逻辑整合起来，AI产业的商业收入格局，将走向一个高度集中的结构：
能解决最复杂问题的顶级闭源模型，目前是OpenAI、Anthropic，这两家将拿走这个市场商业收入的绝大部分。不是因为它们的Token最多，而是因为它们俩是唯二能在高价值场景里交付"值得付费的结果"的大模型。
这和人类社会的专业服务市场结构，几乎完全同构。
全球前一百家律所拿走法律服务收入的大头，全球前几家投行拿走资本市场佣金的大头，顶级外科医生的收费是普通医生的几十倍。不是因为他们工作时间更长，而是因为他们处理的案件、交易、手术，复杂度和风险量级完全不同。
在AI世界里，Token就是工作时间。消耗了多少Token，根本不重要。那些Token解决了多难的问题，才是一切的本质。
因为，没有人会为平庸买单。