21世纪经济报道记者孔海丽

　　Token经济被推到台前，企业AI开始算一笔更细的账：那些被AI花掉的钱，该如何变成可被看见、可被核算、可持续放大的价值。

　　记者从联想智汇沙龙上了解到，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提出了Token经济的“三大定律”，他的核心判断是：“企业级Token需求量急速增长，Token的成本效率与价值效益将遵循惯性定律、加速定律和奇点定律‘三大定律’。”

　　这套说法的行业意义在于，它把过去一年企业AI讨论中相对模糊的“降本增效”，拆成了三笔账：单位Token成本会不会降，单位Token能不能产生更多价值，企业总Token投入何时越过价值回收点。

　　Token成为企业AI的“度量衡”

　　大模型接口、智能体调用、AI编程工具、企业内部知识助手，都在消耗Token，Token已经成为企业使用AI时最直接的一张账单。

　　国家数据局相关数据显示，截至2026年3月，我国日均Token调用量已突破140万亿次，两年内跃升超千倍。

　　中国人民大学高瓴人工智能学院副院长、教授魏哲巍指出，理解Token经济学，需要完成一次从“供给视角”到“需求视角”的跨越。大模型的训练如同“上学”，是一次性投入；而如今产业界更关注的推理阶段则像“上班”，每一次智能调用都在实时计费。并且随着AI从简单的单轮问答向AI Agent（智能体）多步协作演进，Token调用量也有明显增加，例如在AI辅助编程（Vibe Coding）场景中，Agent执行任务的Token消耗量往往是普通对话的千倍级。

　　这一点也能在外部研究中得到印证。2026年一篇关于Agent编程任务Token消耗的论文显示，Agentic Coding任务可比代码问答消耗多出约1000倍Token，同一任务多次运行的总Token消耗最高可相差30倍，且更高Token消耗并不必然对应更高准确率。

　　这解释了为什么Token突然变成企业关注的核心变量。过去，企业采购软件看席位数、模块数、项目交付价；到了AI应用阶段，很多成本发生在调用过程中。一个员工多问几轮，一个智能体多规划几十步，一个系统多接入几类工具，都会改变账单。

　　中国信息通信研究院信息化与工业化融合研究所副所长、高级工程师黄伟把Token称为连接AI技术与经济价值的桥梁，认为它能让AI服务标准化、可计量、可交易，并将模糊服务转化为标准化计价单位，实现从算力消耗到价值产出的映射。黄伟同时提醒，当前Token市场仍有成本黑箱、计量混乱、价值脱节等问题，投入产出难以量化，阻碍AI商业化进程。

　　难点在于，Token天然适合计费，却不天然代表价值。一个模型输出一段冗长、无用、错误的回答，也会消耗Token；一个Agent反复试错，也会消耗Token；一个企业为了追求AI使用率，让员工无目标地调用工具，同样会形成账单。

　　单位成本会下降，总账单可能上升

　　阿木透露，过去几个月他发现，从应用角度讨论Token经济的内容很少，产业话语更多由供给方主导，而使用者分散，缺少一个从价值角度解释Token规律的框架。

　　阿木提出的第一条规律是“惯性定律”，即单位Token成本持续下降的必然性。他把原因分成三层：芯片、能源和模型等基础技术创新；模、算、电的一体化组合和调优；运行时的动态调度。

　　在联想的叙述中，这对应其基础设施和服务布局：与芯片、模型、能源等供给方做联合优化，提升单卡、单模型和能耗效率；推出超节点和“Token工厂”形态的算力交付方案；再通过Token Hub做端边云混合调度、分布式推理加速和算力虚拟化。

　　但单位成本下降，不意味着企业AI总支出下降。阿木在采访中明确表示，Token总成本还会涨很多倍，单位成本会逐步下降，并把这个现象归因于杰文斯效应，即某种供给品单位价格下降后，总消耗额反而上升。

　　在被问及算力是否过剩时，阿木的回答偏长期。他认为，AI算力需求仍有很大空间，因为AI应用仍有限，ToB还有大量空间；短期市场对每一个新增供给方非常敏感，是因为“基于短缺的投资”主导了资本市场叙事。

　　他同时提出另一个更关键的观察：AI产业供给侧话语权太强，市场上估值被重构的多数是算力、大模型和交付平台供给方，真正因使用AI而发生价值重构的需求方公司还不够多。

　　其次是“加速定律”，即单位价值随应用深度的加速释放。阿木强调了“有效Token”这一概念， 认为AI的价值不仅取决于模型，更取决于碳硅融合密度、Harness工程深度、AI治理与配套到位程度这三个因素。为此，联想推出了AI Foundry与FDE（前置的开发交付一体化）模式，将专家的现场交付经验沉淀为自动化平台，把Token的调用精准映射到效率提升、成本下降等可衡量的业务指标上，加速价值兑现。

　　这点到了Token经济的核心矛盾。供给侧可以证明算力稀缺、模型昂贵、Token调用增长；需求侧还需要证明这些Token能改变业务结果。只要后者证明不足，资本市场就会在“算力永远不够”和“算力可能过剩”之间反复摇摆。

　　对于企业来说，问题同样现实。阿木将AI应用成熟度分为五级：小范围验证、工具式推广、大规模生产力投资、按业务域嵌入流程、整个公司成为AI原生公司。他判断，2026年正在发生的是第三级，即企业开始把AI当作生产力进行大规模投资建设；真正的“奇点”出现在第三级到第四级之间。

　　第三条定律是“奇点定律”。阿木认为，随着企业用量增加，Token总成本一定会上升，与此同时，AI智能体体现的价值也在上升，也在释放。当总Token成本与总Token价值的曲线相交之时，就是AI价值大爆发之时。

　　“在跨越奇点之前，企业用AI主要体现在存量效率改善和降低浪费，并没有创造增量价值；跨越奇点之后，Token的创新规模化价值与产业协同价值爆发，Token总成本保持快速但明显低于总价值的增速，全程都是正循环。届时，企业将进入一个价值增量超越成本投入量的全新价值循环。创新的规模化生产会成为净增量。”阿木表示。

　　对传统企业来说，这段爬坡期会很痛。阿木在采访中提到，当下AI产业出现“哑铃状”分化，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；而数量最庞大、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”。

　　过去软件预算可以按年定，云预算可以按资源池估，AI预算却会被每一次调用、每一个Agent、每一次工作流改造重新撕开。Token经济的讨论才刚刚开始，真正的考题会落在财务报表、流程表和业务结果里。