AI 要砸到哪才算底，其實 token 規律給了答案

什麼好消息都不管用了，利好全當空頭砸

谷歌財報市場砸一波，康寧盈利符合預期市場接着砸，市場對這周各大廠財報瑟瑟發抖。任何利好都是利空，其實去年四季度和現在的市場情緒特別像。 那時時候 OpenAI 剛完成一輪大規模融資，行業狀況非常強勁，但股票就是持續橫盤。市場參與者每天都在爭論資本開支、ROI、估值和融資——和現在一模一樣。

而這個季度的財報，結論仍然是壓倒性積極的。谷歌雲增長 82%，雲計算投資的 ROI 得到驗證；英特爾大幅超出預期；ASML、台積電和英特爾都提高了訂單或資本開支展望。可以推測，這些公司也看到了極為強勁的下游預測——強到讓供應鏈裏最保守的參與者，都有信心去做激進押注。

如果這些信息是在五月或六月公佈的，半導體股票幾乎肯定會大幅上漲。

然而現在，每一次財報發佈反而成了空頭重新評估估值和長期投資邏輯的機會。我們可能正在看到的是，AI 市場已經不再處於五、六月的那個"AI 夏季"，同樣的積極進展，對股價的支撐變少了。

以谷歌雲 82% 的增長為例。以前市場的第一反應會是："AI 需求超出了預期——催化劑來了。"現在的第一反應卻是："那又怎樣？2028 年呢？OpenAI 能盈利嗎？GPU 價格還能漲幾年？折舊又在上升、融資成本在增加，整個資本開支論點需要重新定價。"

本質上，市場已經從交易 AI 資本開支的增長，轉向交易它的可持續性和 ROI。

在我們看來，市場情緒已經變得極度看空。連長期多頭都開始質疑 AI 半導體股票是否還能繼續上漲，幾乎聽不到任何喊新高的聲音。而當市場從尋找進一步上漲空間，轉向搜尋額外下行風險時，通常意味着悲觀預期已被基本計入。

儘管如此，我們對基本面毫無疑慮，也相信最終是事實決定股價。那麼問題就變成了：什麼會讓這些股票再次上漲？

在上述框架下，僅有額外的資本支出計劃，已經不足以説服空頭。需要的是對新需求曲線的驗證。而最強大、最直接的催化劑，將是爆款產品的出現。

如果説"Coding 1.0"證明了 AI 可以提升開發者的生產力，那麼"Coding 2.0"必須展示 AI 代理能真正取代軟件開發過程中的一部分。 一旦新的生產力用例得到驗證，市場對 AI ROI 的擔憂就可能被重新定義——AI 基礎設施支出將再次被視為"生產力投資"，而不是"成本"。

但"爆款產品"只是答案的一半。要看清另一半，得先把這輪爭論裏被誤讀最深的那個指標校準了。

一、先校準那個被誤讀的指標

這輪"AI 是不是見頂了"的爭論，很大程度上是被一張圖點燃的——Silicon Data 的 LLM Token Expenditure Index（大模型 token 支出指數）。

市場把它當成 AI 硬件交易能不能延續的下游驗證指標：如果 token 定價掉頭，那麼從內存交易到整個硬件和數據中心交易，這一輪可能就要結束了。擔心不難理解——AI 硬件投資終究要靠下游的模型收入來支撐。

但這裏有一個關鍵誤讀，它決定了後面所有推論的方向：

這個指數不是 token 用量指數，也不是 AI 總支出指數，而是一個"用量加權的平均 token 價格指數"。

説白了，它跟蹤的不是"大家用了多少 token"，而是"大家平均願意為每百萬 token 付多少錢"。

所以指數回落，不能直接讀成 AI 需求下滑或硬件需求見頂。它更準確反映的是——市場還願不願意為最強的模型付溢價。 只要 token 總量還在增長，即使平均單價週期性回落，實際的算力消耗也不必下降。

話要説全：指數回落雖然不能證明 AI 需求見頂，但它確實影響模型層的收入結構、毛利率和資本開支回本預期——這也正是它值得被認真對待的原因。

二、指數走出來的規律：一個"強模型溢價週期"

把過去幾個月的軌跡拉出來，它對應的其實是一個非常規整的循環：

2025 年末，Gemini 3 Pro、Claude Opus 4.5、GPT-5.2 這些新一代模型剛發佈，指數還在低位——大家還沒用起來。

2026 年 1 月，企業和開發者逐步採用，用量流向更貴的閉源前沿模型，指數快速上行。

2 月到 3 月初，Kimi、DeepSeek、Qwen、GLM 一批更便宜的開源或開放權重模型密集發佈，一部分常規任務遷移到低價模型，指數回落。

3 月到 5 月，GPT-5.4、GPT-5.5、Opus 4.7、Opus 4.8、Gemini 3.1、Grok 4.3 陸續推出，市場再次為更強能力付錢，指數重新上行，突破 2.0。

6 月初，再度回落。

規律因此很清楚：

新模型發佈 → 能力天花板抬高 → 市場願意付更高單價 → 模型被摸透、能力邊界被畫清 → 常規任務下沉到便宜模型 → 溢價自然消退 → 下一個更強的模型出現 → 願付價格再次上移。

所以每一次回落，都不完全是開源替代造成的，更不必然意味着 AI 需求下滑。 它是這個循環裏的常規一格。六月初那次回落，最合理的解讀是 GPT-5.5 / Opus 4.8 這一代被市場充分理解之後的一次週期性溢價回吐，把它直接讀成 AI 硬件週期結束，並不準確。

三、但這一輪多了一樣東西：ROI 紀律

如果只有上面那個循環，事情還簡單。這一輪的複雜之處在於，需求側同時發生了一個結構性變化——token maxxing 進入了 ROI 紀律階段。

上半年早期的做法很直接：鼓勵員工儘可能多用 AI，把 token 消耗當作 AI 滲透率和組織轉型速度的信號。硅谷資深工程師每月 1–3 萬美元的 token 預算相當常見；黃仁勳甚至説過，一個年薪 50 萬美元的工程師如果一年沒在 token 上燒掉其中一半，就該擔心自己沒在認真用 AI；OpenAI 的 Frontier 團隊按"一個研究員 + 多個 agent 並行操作同一個代碼庫"組織，單團隊日消耗 10 億 token 以上；Meta 搞了一個覆蓋 8.5 萬員工的 "Claudeonomics" 排行榜，token 消耗排名直接進入裁員決策。

四月之後，企業有點撐不住了。

企業發現 token 用量漲得快、賬單漲得更快，但到底轉化成多少真實產出，並不好回答。token 能反映使用強度，但不直接等於生產力——消耗更多 token 的團隊，未必交付更多代碼、更少 bug、更高收入。亞馬遜內部甚至出現員工製造無意義的 AI 任務來刷用量：一旦 token 被做成排行榜或 KPI，它就從"觀察指標"變成了"可以被操縱的數字"。

賬單壓力很快把爭論推上台面。五月底到六月初集中曝出一批案例：Uber 四個月燒完了 2026 全年的 AI 編碼預算，隨後對 Claude Code、Cursor 這類工具設定每人每月 1500 美元上限，超支需內部審批；微軟取消了部分內部 Claude Code 許可，要求 Experiences + Devices 部門遷回 GitHub Copilot CLI；Salesforce 的 Anthropic 年賬單約 3 億美元，Benioff 開始強調用智能路由把不同任務分配給不同價位的模型；Priceline 的 Cursor 續約報價上漲 4–5 倍；還有一家沒設上限的大公司，月度 Claude 賬單達到 5 億美元。

不是 AI 支出消失，而是 AI 從無約束試用，到需要更有紀律的生產力預算管理。

管理框架也在跟着升級：Salesforce 推出 "Agentic Work Units"，把衡量重心從"消耗了多少 token"移到"agent 完成了多少工作"；Linux 基金會下計劃成立的 Tokenomics Foundation，要推進 token 計量、成本審計和跨廠商標準化。方向明確——token 不會退出企業管理，但會從一個虛榮的使用量指標，變成可審計、可預算、可優化的成本指標。

這對模型層收入的含義需要説得很精確：關鍵變量不只是"最強的模型能不能做到"，而是"有多少任務值得用最強的模型去做"。 高價值的工程、研究、安全、複雜投研任務願意承受更高 token 成本；普通工作流則更多依賴便宜模型、成熟工作流或模型路由。能力最強不等於成本效率最優。

供給側也承認了這一點。六月初 OpenAI 的一場企業活動上，Sam Altman 直言成本優化已經成為企業客户非常重要的訴求。客户問的問題，從"模型行不行"變成了"這些能力能不能更便宜、更可控、更可審計地用起來"。

四、Fable 5 是天花板，但是撞上了東方大國的開源模型

按前面那個循環，六月本該迎來新一輪上行。

6 月 9 日，Anthropic 發佈 Claude Fable 5 和 Mythos 5，兩者共享同一底層模型，參數量和訓練算力都顯著大於 Opus 系列旗艦，基準全面領先（SWE-Bench Pro 80.3% vs Opus 4.8 的 69.2%），而且任務越長越複雜，相對優勢越大。

它對指數的推力有三條，都很機械：第一，它本身就更貴，每百萬 token 輸入 10 美元、輸出 50 美元，約為 Opus 4.8 的兩倍；第二，它拉開差距的地方不是普通問答，而是長週期編碼、複雜知識工作、全倉庫遷移和多輪 agent 任務——這類任務價值更高、消耗更多 token，且輸出 token 佔比更高，而輸出的定價明顯高於輸入；第三，6 月 22 日試用期結束後，Fable 5 退出月度套餐，改為消耗使用額度，最強能力不再被打包進訂閲池，而是以按量付費的形式直接反映進價格指數。

（中間那段監管擾動也該交代清楚：Fable 5 / Mythos 5 在 6 月 12 日因美國商務部出口管制被暫停訪問，管制 6 月 30 日解除，7 月 1 日恢復。它打亂了高價模型的放量節奏，但看起來是一次性事件，不改變長期敍事。）

問題在於，這一次抬天花板的動作，撞上了一股此前從未如此密集的反向力量。

7 月 16 日，月之暗面發佈 Kimi K3——2.8 萬億參數、每 token 從 896 個專家裏激活 16 個的 MoE 模型，在獨立評測上得分 57.1，位列全球第三，僅次於 Fable 5（59.9）和 GPT-5.6 Sol（58.9），編碼榜一度登頂，而完整權重定於 7 月 27 日開源。同一個週末，阿里推出 2.4 萬億參數的 Qwen3.8-Max-Preview，同樣計劃開放權重。再往前，DeepSeek、GLM、MiniMax 都在同一條賽道上。

這就把原本"依次發生"的循環，壓成了"同時發生"。

過去的節奏是有先後的：新模型上市 → 溢價上行 → 被摸透 → 常規任務下沉到便宜模型 → 溢價回落 → 下一個更強模型。中間那段"溢價上行"能持續好幾個月。

現在，抬天花板和拆收費站是並行的。 Fable 5 六月抬高上限，K3 七月就把一個準前沿的替代品做成了免費文件。用一句話概括這個機制：開源把模型從"服務"變成了"文件"——而服務有定價權，文件只有分發。 一旦權重公開，定價權就從"模型的作者"手裏，轉移到了"誰能最便宜地把它跑起來"。閉源 API 那道估計 80% 以上的毛利，落到開源加託管的路徑上只剩 40–45%。

溢價的半衰期因此在急劇縮短。 上一個開源迭代週期在三個月內追平了 13 個指數分，只剩 2.8 分的差距；有測算認為最好的開源模型距離前沿只落後約四個月。前沿溢價過去按年折舊，現在按發佈週期折舊。

用量數據也在同向移動：OpenRouter 上單價低於 1 美元/百萬 token 的調用佔比五個月從 18% 漲到 41%；中國開源模型的 token 份額 18 個月從不到 2% 漲到約 61%，全部開源權重模型合計約 69%；美國實驗室的 token 份額一年從約 70% 掉到約 30%。

這才是這一輪和過去幾輪循環的真正區別，也是市場不再為好財報買單的深層原因：如果每一次抬高天花板的動作，都會在幾個月內被一個免費文件追平，那麼"更強的模型 → 更高的單價 → 更多的模型層收入 → 支撐上游資本開支"這條鏈的可信度，就會每一輪都被削一層。空頭質疑的從來不是這個季度的需求，而是這條鏈還能重複幾次。

但是：開源封的是能力溢價的天花板，不是全部

第一，錢仍然坐在前沿。 Anthropic 處理約 11% 的 token，卻拿走平台約 42% 的估計支出。25 倍的價差照樣在被支付。因為企業不為 benchmark 分數付錢——它們付的是"一個在五十步任務中途不崩的 agent"，是失敗代價高昂之處的可靠性，是不必拿全部負載在新模型上重新驗證一遍。

第二，最強的開源模型還不夠精煉。 K3 跑完整評測燒了 1.32 億輸出 token，是中位數的兩倍多，因為它自帶 always-on 最大推理、還沒有推理力度控制；結果單任務成本 0.94 美元——比 Opus 便宜，但比 GPT-5.6 Terra（0.55）貴 71%、是 Grok 4.5（0.31）的三倍；幻覺率還從上一代的 39% 惡化到 51%。所以它是一個價格拐點，不是一個真正的臨界時刻——真正的臨界點，是一個既開源、又 token 高效的前沿模型，它還沒出現。

第三，中美之間是一條鋸齒線，不是一條替代曲線。 美國出新模型，差距拉開；中國實驗室在隨後幾個月追上，差距收窄；下一個美國模型再來。可投資的落點因此很簡單：中國和開源模型能給"近前沿智能"封一個價格天花板，即使美國保住絕對前沿。 因為大多數商業工作流需要的是"夠好且價格合適"，很少需要地球上最強的那一個。

所以開源真正壓縮的，不是前沿實驗室的毛利率，而是它們的中段成交量。 需求明確的活——文檔分類、抽取、摘要、簡單代碼——先走；留下的是最難、能力差值值錢的活。前沿的價格在守，但中段在抽乾。

把這兩股力量放在一起，指數的形態就出來了：它仍然會隨着新模型發佈而向上，但上行段會越來越短、越來越陡，回落來得越來越快。 波動不會停，但頂部那一截的持續時間在被壓縮——而資本開支要的恰恰是"持續時間"。

五、這一年的牛市，本質是 AI coding 的自循環

要判斷這輪調整跌到何時，得先搞清楚這一年漲的到底是什麼。

2026 上半年真正的變化，不是某個模型的原始能力又上了一個台階，而是agent 系統開始進入自我迭代階段。

從"到底在 scale 什麼"這個角度看，AI 的進展是四次遷移：第一次 scale 預訓練數據、參數和訓練算力；第二次是強化學習與可驗證獎勵；第三次是推理時算力；而正在發生的第四次，scale 的是 agent 所處的任務環境、工具鏈和反饋閉環。

這就是 Agent Scaling Law。它不是對舊範式的否定，而是自然延伸——scaling 的對象從模型本身，轉移到了模型所處的系統。

支撐它的工程前提叫 harness engineering：給模型搭一個真能幹活的環境，做三件事——構建任務環境、設計反饋機制、形成數據閉環，讓 agent 能在試錯中迭代、積累經驗。沒有環境，模型最多隻能聊天；有了環境，它才開始工作。

決定一個領域能力提升快慢的有四個因素：任務能否被自動驗證、實驗室有沒有做專門的訓練投入、訓練數據夠不夠、用户願不願意為這類能力付錢。四條全中的領域，能力跳躍最大最快——而 coding 是天生的教科書案例：獎勵直接、目標清晰、可自動測試、結果可驗證、環境可模擬、數據可生成。

這就是為什麼 coding 是第一個端到端跑通的場景，也是為什麼這一年的行情本質上是"AI coding 自循環"驅動的。然後才有年初的硬件設施，到三四月份以 “瓶頸” 命名的各類硬件，光、800v 電源、PCB、封裝測試、玻璃橋等等等。其實沒有 coding 帶來的 token 用量及信心狂漲，不可能有今年上半年這一波，去年底已經在質疑 AI 資本開支的問題了。

六、所以，要跌到何時

這一輪跌的不是需求，是對"這筆錢值不值、什麼時候回本"的重新定價。 而它之所以格外頑固，是因為第四節裏那個新變化：抬天花板和拆地板現在是同時發生的，前沿溢價的半衰期從"按年"縮到了"按發佈週期"。 在這個背景下，每一次積極的財報數據都變成了空頭重估估值的機會——不是數據不好，而是市場已經從交易增長，轉向交易可持續性。

在這個語境下，再多的資本開支計劃都不構成催化劑。多花兩千億，只會把"回本要多久"這個問題問得更響。

真正能終結這輪調整的，是對新需求曲線的驗證，而最直接的形式是爆款產品的出現。

如果"Coding 1.0"證明了 AI 可以提升開發者的生產力，那麼"Coding 2.0"必須展示 AI 代理能真正取代軟件開發過程中的一部分。

這兩件事的差別是本質性的。前者的天花板是人的數量——工具變好、人效提升，對應的是軟件預算；後者的天花板是工作本身的總量——一部分工作不再需要人，對應的是人力預算。這是兩個數量級完全不同的池子。

而且它恰好繞開了開源封住的那道天花板。 開源壓制的是"能力溢價"——同樣一個任務，開源模型也能做個八九不離十，所以你不該多付錢。但 Coding 2.0 要賣的不是能力，是可靠性和替代：一個能在五十步任務中途不崩、可以真正交出去、失敗代價由它承擔的 agent。這正是前沿模型今天用 11% 的 token 拿走 42% 支出的那個理由，也是開源迄今最沒有追平的地方——K3 那 51% 的幻覺率和兩倍的 token 消耗，説明的正是這件事。

所以開源封的是能力的天花板，封不住可靠性的天花板；而 Coding 2.0 恰恰是把付費理由從"能力"換成"替代"的那一步。

沿着這個思路，能終結這輪調整的出路，其實不止一條。

第一條，是下一個自循環的跑通。 coding 之所以第一個成，是因為它天生滿足可驗證獎勵、可合成數據、自迭代系統三個條件。下一個候選在哪？coding agent 的反饋飛輪已經在向更廣的白領工作外溢，Codex 從程序員工具變成知識工作入口就是徵兆；再往外一圈是物理 AI——機器人、自動駕駛、具身智能，一旦哪個場景把"環境 + 反饋 + 數據閉環"這三件套搭起來，就是第二個 coding。市場等的是這個信號。

第二條出路更近，而且已經在發生：雲廠商的盈利模式本身，可能先看到希望。

這條賬值得算細。超大雲廠商賣開源模型的 token，和過去兩種生意都不一樣。

比轉賣前沿模型的 token，少了一大塊分成支出——過去那條路上，客户付的錢大頭都被前沿模型廠商拿走了，雲廠商只吃到底下那層算力租金。開源權重免費，這道分成直接消失。

比單純出租 GPU，又多了一層溢價。裸租 GPU 是最沒有差異化的生意；而圍繞開源模型轉售 token，雲廠商能把一整套東西疊上去收錢：自研 ASIC 的算力成本優勢、託管推理服務、數據庫和向量檢索、對象存儲、網絡和數據傳輸、Agent 運行時、安全和身份、評估日誌監控、企業支持服務。

本質上，這是把模型層商品化之後，雲廠商把價值轉移到了基礎設施加平台服務層——託管、優化、路由、治理、安全。毛利自然會大幅度提升。 開源模型對雲廠商不是威脅，是它 AI 業務利潤率最有效的提升路徑之一。

時間上的一個關鍵事實：超大雲廠商是六月中下旬才開始大規模部署開源模型的，數據還沒那麼充分。 所以這條邏輯現在還是推論，不是驗證。但驗證點很明確——如果之後幾個季度的財報能確認，部署開源模型的毛利更好、回本週期更快，那麼"資本開支到底值不值"這個空頭最重的質疑，就會從雲廠商自己的利潤表上得到回答。

這很可能是下一波行情的主驅動邏輯。

在那之前，指數還會在"強模型溢價"的週期裏上下襬動，而且上行段會一次比一次短；好財報還會繼續變成空頭的機會。這輪跌的終點，不在下一份財報的資本開支數字裏——要麼在下一個跑通自循環的場景裏，要麼在雲廠商賣開源 token 的毛利率裏。現在的市場情緒差到必須從這兩個源頭能找到新希望才行了。