AI 要砸到哪才算底，其实 token 规律给了答案

什么好消息都不管用了，利好全当空头砸

谷歌财报市场砸一波，康宁盈利符合预期市场接着砸，市场对这周各大厂财报瑟瑟发抖。任何利好都是利空，其实去年四季度和现在的市场情绪特别像。 那时时候 OpenAI 刚完成一轮大规模融资，行业状况非常强劲，但股票就是持续横盘。市场参与者每天都在争论资本开支、ROI、估值和融资——和现在一模一样。

而这个季度的财报，结论仍然是压倒性积极的。谷歌云增长 82%，云计算投资的 ROI 得到验证；英特尔大幅超出预期；ASML、台积电和英特尔都提高了订单或资本开支展望。可以推测，这些公司也看到了极为强劲的下游预测——强到让供应链里最保守的参与者，都有信心去做激进押注。

如果这些信息是在五月或六月公布的，半导体股票几乎肯定会大幅上涨。

然而现在，每一次财报发布反而成了空头重新评估估值和长期投资逻辑的机会。我们可能正在看到的是，AI 市场已经不再处于五、六月的那个"AI 夏季"，同样的积极进展，对股价的支撑变少了。

以谷歌云 82% 的增长为例。以前市场的第一反应会是："AI 需求超出了预期——催化剂来了。"现在的第一反应却是："那又怎样？2028 年呢？OpenAI 能盈利吗？GPU 价格还能涨几年？折旧又在上升、融资成本在增加，整个资本开支论点需要重新定价。"

本质上，市场已经从交易 AI 资本开支的增长，转向交易它的可持续性和 ROI。

在我们看来，市场情绪已经变得极度看空。连长期多头都开始质疑 AI 半导体股票是否还能继续上涨，几乎听不到任何喊新高的声音。而当市场从寻找进一步上涨空间，转向搜寻额外下行风险时，通常意味着悲观预期已被基本计入。

尽管如此，我们对基本面毫无疑虑，也相信最终是事实决定股价。那么问题就变成了：什么会让这些股票再次上涨？

在上述框架下，仅有额外的资本支出计划，已经不足以说服空头。需要的是对新需求曲线的验证。而最强大、最直接的催化剂，将是爆款产品的出现。

如果说"Coding 1.0"证明了 AI 可以提升开发者的生产力，那么"Coding 2.0"必须展示 AI 代理能真正取代软件开发过程中的一部分。 一旦新的生产力用例得到验证，市场对 AI ROI 的担忧就可能被重新定义——AI 基础设施支出将再次被视为"生产力投资"，而不是"成本"。

但"爆款产品"只是答案的一半。要看清另一半，得先把这轮争论里被误读最深的那个指标校准了。

一、先校准那个被误读的指标

这轮"AI 是不是见顶了"的争论，很大程度上是被一张图点燃的——Silicon Data 的 LLM Token Expenditure Index（大模型 token 支出指数）。

市场把它当成 AI 硬件交易能不能延续的下游验证指标：如果 token 定价掉头，那么从内存交易到整个硬件和数据中心交易，这一轮可能就要结束了。担心不难理解——AI 硬件投资终究要靠下游的模型收入来支撑。

但这里有一个关键误读，它决定了后面所有推论的方向：

这个指数不是 token 用量指数，也不是 AI 总支出指数，而是一个"用量加权的平均 token 价格指数"。

说白了，它跟踪的不是"大家用了多少 token"，而是"大家平均愿意为每百万 token 付多少钱"。

所以指数回落，不能直接读成 AI 需求下滑或硬件需求见顶。它更准确反映的是——市场还愿不愿意为最强的模型付溢价。 只要 token 总量还在增长，即使平均单价周期性回落，实际的算力消耗也不必下降。

话要说全：指数回落虽然不能证明 AI 需求见顶，但它确实影响模型层的收入结构、毛利率和资本开支回本预期——这也正是它值得被认真对待的原因。

二、指数走出来的规律：一个"强模型溢价周期"

把过去几个月的轨迹拉出来，它对应的其实是一个非常规整的循环：

2025 年末，Gemini 3 Pro、Claude Opus 4.5、GPT-5.2 这些新一代模型刚发布，指数还在低位——大家还没用起来。

2026 年 1 月，企业和开发者逐步采用，用量流向更贵的闭源前沿模型，指数快速上行。

2 月到 3 月初，Kimi、DeepSeek、Qwen、GLM 一批更便宜的开源或开放权重模型密集发布，一部分常规任务迁移到低价模型，指数回落。

3 月到 5 月，GPT-5.4、GPT-5.5、Opus 4.7、Opus 4.8、Gemini 3.1、Grok 4.3 陆续推出，市场再次为更强能力付钱，指数重新上行，突破 2.0。

6 月初，再度回落。

规律因此很清楚：

新模型发布 → 能力天花板抬高 → 市场愿意付更高单价 → 模型被摸透、能力边界被画清 → 常规任务下沉到便宜模型 → 溢价自然消退 → 下一个更强的模型出现 → 愿付价格再次上移。

所以每一次回落，都不完全是开源替代造成的，更不必然意味着 AI 需求下滑。 它是这个循环里的常规一格。六月初那次回落，最合理的解读是 GPT-5.5 / Opus 4.8 这一代被市场充分理解之后的一次周期性溢价回吐，把它直接读成 AI 硬件周期结束，并不准确。

三、但这一轮多了一样东西：ROI 纪律

如果只有上面那个循环，事情还简单。这一轮的复杂之处在于，需求侧同时发生了一个结构性变化——token maxxing 进入了 ROI 纪律阶段。

上半年早期的做法很直接：鼓励员工尽可能多用 AI，把 token 消耗当作 AI 渗透率和组织转型速度的信号。硅谷资深工程师每月 1–3 万美元的 token 预算相当常见；黄仁勋甚至说过，一个年薪 50 万美元的工程师如果一年没在 token 上烧掉其中一半，就该担心自己没在认真用 AI；OpenAI 的 Frontier 团队按"一个研究员 + 多个 agent 并行操作同一个代码库"组织，单团队日消耗 10 亿 token 以上；Meta 搞了一个覆盖 8.5 万员工的 "Claudeonomics" 排行榜，token 消耗排名直接进入裁员决策。

四月之后，企业有点撑不住了。

企业发现 token 用量涨得快、账单涨得更快，但到底转化成多少真实产出，并不好回答。token 能反映使用强度，但不直接等于生产力——消耗更多 token 的团队，未必交付更多代码、更少 bug、更高收入。亚马逊内部甚至出现员工制造无意义的 AI 任务来刷用量：一旦 token 被做成排行榜或 KPI，它就从"观察指标"变成了"可以被操纵的数字"。

账单压力很快把争论推上台面。五月底到六月初集中曝出一批案例：Uber 四个月烧完了 2026 全年的 AI 编码预算，随后对 Claude Code、Cursor 这类工具设定每人每月 1500 美元上限，超支需内部审批；微软取消了部分内部 Claude Code 许可，要求 Experiences + Devices 部门迁回 GitHub Copilot CLI；Salesforce 的 Anthropic 年账单约 3 亿美元，Benioff 开始强调用智能路由把不同任务分配给不同价位的模型；Priceline 的 Cursor 续约报价上涨 4–5 倍；还有一家没设上限的大公司，月度 Claude 账单达到 5 亿美元。

不是 AI 支出消失，而是 AI 从无约束试用，到需要更有纪律的生产力预算管理。

管理框架也在跟着升级：Salesforce 推出 "Agentic Work Units"，把衡量重心从"消耗了多少 token"移到"agent 完成了多少工作"；Linux 基金会下计划成立的 Tokenomics Foundation，要推进 token 计量、成本审计和跨厂商标准化。方向明确——token 不会退出企业管理，但会从一个虚荣的使用量指标，变成可审计、可预算、可优化的成本指标。

这对模型层收入的含义需要说得很精确：关键变量不只是"最强的模型能不能做到"，而是"有多少任务值得用最强的模型去做"。 高价值的工程、研究、安全、复杂投研任务愿意承受更高 token 成本；普通工作流则更多依赖便宜模型、成熟工作流或模型路由。能力最强不等于成本效率最优。

供给侧也承认了这一点。六月初 OpenAI 的一场企业活动上，Sam Altman 直言成本优化已经成为企业客户非常重要的诉求。客户问的问题，从"模型行不行"变成了"这些能力能不能更便宜、更可控、更可审计地用起来"。

四、Fable 5 是天花板，但是撞上了东方大国的开源模型

按前面那个循环，六月本该迎来新一轮上行。

6 月 9 日，Anthropic 发布 Claude Fable 5 和 Mythos 5，两者共享同一底层模型，参数量和训练算力都显著大于 Opus 系列旗舰，基准全面领先（SWE-Bench Pro 80.3% vs Opus 4.8 的 69.2%），而且任务越长越复杂，相对优势越大。

它对指数的推力有三条，都很机械：第一，它本身就更贵，每百万 token 输入 10 美元、输出 50 美元，约为 Opus 4.8 的两倍；第二，它拉开差距的地方不是普通问答，而是长周期编码、复杂知识工作、全仓库迁移和多轮 agent 任务——这类任务价值更高、消耗更多 token，且输出 token 占比更高，而输出的定价明显高于输入；第三，6 月 22 日试用期结束后，Fable 5 退出月度套餐，改为消耗使用额度，最强能力不再被打包进订阅池，而是以按量付费的形式直接反映进价格指数。

（中间那段监管扰动也该交代清楚：Fable 5 / Mythos 5 在 6 月 12 日因美国商务部出口管制被暂停访问，管制 6 月 30 日解除，7 月 1 日恢复。它打乱了高价模型的放量节奏，但看起来是一次性事件，不改变长期叙事。）

问题在于，这一次抬天花板的动作，撞上了一股此前从未如此密集的反向力量。

7 月 16 日，月之暗面发布 Kimi K3——2.8 万亿参数、每 token 从 896 个专家里激活 16 个的 MoE 模型，在独立评测上得分 57.1，位列全球第三，仅次于 Fable 5（59.9）和 GPT-5.6 Sol（58.9），编码榜一度登顶，而完整权重定于 7 月 27 日开源。同一个周末，阿里推出 2.4 万亿参数的 Qwen3.8-Max-Preview，同样计划开放权重。再往前，DeepSeek、GLM、MiniMax 都在同一条赛道上。

这就把原本"依次发生"的循环，压成了"同时发生"。

过去的节奏是有先后的：新模型上市 → 溢价上行 → 被摸透 → 常规任务下沉到便宜模型 → 溢价回落 → 下一个更强模型。中间那段"溢价上行"能持续好几个月。

现在，抬天花板和拆收费站是并行的。 Fable 5 六月抬高上限，K3 七月就把一个准前沿的替代品做成了免费文件。用一句话概括这个机制：开源把模型从"服务"变成了"文件"——而服务有定价权，文件只有分发。 一旦权重公开，定价权就从"模型的作者"手里，转移到了"谁能最便宜地把它跑起来"。闭源 API 那道估计 80% 以上的毛利，落到开源加托管的路径上只剩 40–45%。

溢价的半衰期因此在急剧缩短。 上一个开源迭代周期在三个月内追平了 13 个指数分，只剩 2.8 分的差距；有测算认为最好的开源模型距离前沿只落后约四个月。前沿溢价过去按年折旧，现在按发布周期折旧。

用量数据也在同向移动：OpenRouter 上单价低于 1 美元/百万 token 的调用占比五个月从 18% 涨到 41%；中国开源模型的 token 份额 18 个月从不到 2% 涨到约 61%，全部开源权重模型合计约 69%；美国实验室的 token 份额一年从约 70% 掉到约 30%。

这才是这一轮和过去几轮循环的真正区别，也是市场不再为好财报买单的深层原因：如果每一次抬高天花板的动作，都会在几个月内被一个免费文件追平，那么"更强的模型 → 更高的单价 → 更多的模型层收入 → 支撑上游资本开支"这条链的可信度，就会每一轮都被削一层。空头质疑的从来不是这个季度的需求，而是这条链还能重复几次。

但是：开源封的是能力溢价的天花板，不是全部

第一，钱仍然坐在前沿。 Anthropic 处理约 11% 的 token，却拿走平台约 42% 的估计支出。25 倍的价差照样在被支付。因为企业不为 benchmark 分数付钱——它们付的是"一个在五十步任务中途不崩的 agent"，是失败代价高昂之处的可靠性，是不必拿全部负载在新模型上重新验证一遍。

第二，最强的开源模型还不够精炼。 K3 跑完整评测烧了 1.32 亿输出 token，是中位数的两倍多，因为它自带 always-on 最大推理、还没有推理力度控制；结果单任务成本 0.94 美元——比 Opus 便宜，但比 GPT-5.6 Terra（0.55）贵 71%、是 Grok 4.5（0.31）的三倍；幻觉率还从上一代的 39% 恶化到 51%。所以它是一个价格拐点，不是一个真正的临界时刻——真正的临界点，是一个既开源、又 token 高效的前沿模型，它还没出现。

第三，中美之间是一条锯齿线，不是一条替代曲线。 美国出新模型，差距拉开；中国实验室在随后几个月追上，差距收窄；下一个美国模型再来。可投资的落点因此很简单：中国和开源模型能给"近前沿智能"封一个价格天花板，即使美国保住绝对前沿。 因为大多数商业工作流需要的是"够好且价格合适"，很少需要地球上最强的那一个。

所以开源真正压缩的，不是前沿实验室的毛利率，而是它们的中段成交量。 需求明确的活——文档分类、抽取、摘要、简单代码——先走；留下的是最难、能力差值值钱的活。前沿的价格在守，但中段在抽干。

把这两股力量放在一起，指数的形态就出来了：它仍然会随着新模型发布而向上，但上行段会越来越短、越来越陡，回落来得越来越快。 波动不会停，但顶部那一截的持续时间在被压缩——而资本开支要的恰恰是"持续时间"。

五、这一年的牛市，本质是 AI coding 的自循环

要判断这轮调整跌到何时，得先搞清楚这一年涨的到底是什么。

2026 上半年真正的变化，不是某个模型的原始能力又上了一个台阶，而是agent 系统开始进入自我迭代阶段。

从"到底在 scale 什么"这个角度看，AI 的进展是四次迁移：第一次 scale 预训练数据、参数和训练算力；第二次是强化学习与可验证奖励；第三次是推理时算力；而正在发生的第四次，scale 的是 agent 所处的任务环境、工具链和反馈闭环。

这就是 Agent Scaling Law。它不是对旧范式的否定，而是自然延伸——scaling 的对象从模型本身，转移到了模型所处的系统。

支撑它的工程前提叫 harness engineering：给模型搭一个真能干活的环境，做三件事——构建任务环境、设计反馈机制、形成数据闭环，让 agent 能在试错中迭代、积累经验。没有环境，模型最多只能聊天；有了环境，它才开始工作。

决定一个领域能力提升快慢的有四个因素：任务能否被自动验证、实验室有没有做专门的训练投入、训练数据够不够、用户愿不愿意为这类能力付钱。四条全中的领域，能力跳跃最大最快——而 coding 是天生的教科书案例：奖励直接、目标清晰、可自动测试、结果可验证、环境可模拟、数据可生成。

这就是为什么 coding 是第一个端到端跑通的场景，也是为什么这一年的行情本质上是"AI coding 自循环"驱动的。然后才有年初的硬件设施，到三四月份以 “瓶颈” 命名的各类硬件，光、800v 电源、PCB、封装测试、玻璃桥等等等。其实没有 coding 带来的 token 用量及信心狂涨，不可能有今年上半年这一波，去年底已经在质疑 AI 资本开支的问题了。

六、所以，要跌到何时

这一轮跌的不是需求，是对"这笔钱值不值、什么时候回本"的重新定价。 而它之所以格外顽固，是因为第四节里那个新变化：抬天花板和拆地板现在是同时发生的，前沿溢价的半衰期从"按年"缩到了"按发布周期"。 在这个背景下，每一次积极的财报数据都变成了空头重估估值的机会——不是数据不好，而是市场已经从交易增长，转向交易可持续性。

在这个语境下，再多的资本开支计划都不构成催化剂。多花两千亿，只会把"回本要多久"这个问题问得更响。

真正能终结这轮调整的，是对新需求曲线的验证，而最直接的形式是爆款产品的出现。

如果"Coding 1.0"证明了 AI 可以提升开发者的生产力，那么"Coding 2.0"必须展示 AI 代理能真正取代软件开发过程中的一部分。

这两件事的差别是本质性的。前者的天花板是人的数量——工具变好、人效提升，对应的是软件预算；后者的天花板是工作本身的总量——一部分工作不再需要人，对应的是人力预算。这是两个数量级完全不同的池子。

而且它恰好绕开了开源封住的那道天花板。 开源压制的是"能力溢价"——同样一个任务，开源模型也能做个八九不离十，所以你不该多付钱。但 Coding 2.0 要卖的不是能力，是可靠性和替代：一个能在五十步任务中途不崩、可以真正交出去、失败代价由它承担的 agent。这正是前沿模型今天用 11% 的 token 拿走 42% 支出的那个理由，也是开源迄今最没有追平的地方——K3 那 51% 的幻觉率和两倍的 token 消耗，说明的正是这件事。

所以开源封的是能力的天花板，封不住可靠性的天花板；而 Coding 2.0 恰恰是把付费理由从"能力"换成"替代"的那一步。

沿着这个思路，能终结这轮调整的出路，其实不止一条。

第一条，是下一个自循环的跑通。 coding 之所以第一个成，是因为它天生满足可验证奖励、可合成数据、自迭代系统三个条件。下一个候选在哪？coding agent 的反馈飞轮已经在向更广的白领工作外溢，Codex 从程序员工具变成知识工作入口就是征兆；再往外一圈是物理 AI——机器人、自动驾驶、具身智能，一旦哪个场景把"环境 + 反馈 + 数据闭环"这三件套搭起来，就是第二个 coding。市场等的是这个信号。

第二条出路更近，而且已经在发生：云厂商的盈利模式本身，可能先看到希望。

这条账值得算细。超大云厂商卖开源模型的 token，和过去两种生意都不一样。

比转卖前沿模型的 token，少了一大块分成支出——过去那条路上，客户付的钱大头都被前沿模型厂商拿走了，云厂商只吃到底下那层算力租金。开源权重免费，这道分成直接消失。

比单纯出租 GPU，又多了一层溢价。裸租 GPU 是最没有差异化的生意；而围绕开源模型转售 token，云厂商能把一整套东西叠上去收钱：自研 ASIC 的算力成本优势、托管推理服务、数据库和向量检索、对象存储、网络和数据传输、Agent 运行时、安全和身份、评估日志监控、企业支持服务。

本质上，这是把模型层商品化之后，云厂商把价值转移到了基础设施加平台服务层——托管、优化、路由、治理、安全。毛利自然会大幅度提升。 开源模型对云厂商不是威胁，是它 AI 业务利润率最有效的提升路径之一。

时间上的一个关键事实：超大云厂商是六月中下旬才开始大规模部署开源模型的，数据还没那么充分。 所以这条逻辑现在还是推论，不是验证。但验证点很明确——如果之后几个季度的财报能确认，部署开源模型的毛利更好、回本周期更快，那么"资本开支到底值不值"这个空头最重的质疑，就会从云厂商自己的利润表上得到回答。

这很可能是下一波行情的主驱动逻辑。

在那之前，指数还会在"强模型溢价"的周期里上下摆动，而且上行段会一次比一次短；好财报还会继续变成空头的机会。这轮跌的终点，不在下一份财报的资本开支数字里——要么在下一个跑通自循环的场景里，要么在云厂商卖开源 token 的毛利率里。现在的市场情绪差到必须从这两个源头能找到新希望才行了。