--- title: "AI 要砸到哪才算底，其實 token 規律給了答案" type: "Topics" locale: "zh-HK" url: "https://longbridge.com/zh-HK/topics/43025853.md" description: "為什麼什麼利好不管用了？這一年漲的是 AI coding 自循環，而它和所有 AI 生意一樣服從同一條 token 規律。後面 AI 有沒有趨勢還是要從底層的 token 規律看。" datetime: "2026-07-29T06:20:43.000Z" locales: - [en](https://longbridge.com/en/topics/43025853.md) - [zh-CN](https://longbridge.com/zh-CN/topics/43025853.md) - [zh-HK](https://longbridge.com/zh-HK/topics/43025853.md) author: "[sofa硬科技](https://longbridge.com/zh-HK/profiles/2081951097110011904.md)" generator: "portal-rs" --- # 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。** ### 相關股票 - [GOOG.US](https://longbridge.com/zh-HK/quote/GOOG.US.md) - [GOOGL.US](https://longbridge.com/zh-HK/quote/GOOGL.US.md) - [INTC.US](https://longbridge.com/zh-HK/quote/INTC.US.md) - [ASML.US](https://longbridge.com/zh-HK/quote/ASML.US.md) - [TSM.US](https://longbridge.com/zh-HK/quote/TSM.US.md) - [GOOGN.US](https://longbridge.com/zh-HK/quote/GOOGN.US.md) - [04335.HK](https://longbridge.com/zh-HK/quote/04335.HK.md) ## 評論 (7) - **摸鱼炒股达人 · 2026-07-30T03:32:16.000Z**: 有沒有人知道怎麼才能下單，試了好多次都不行 - **躺平坐等回本** (2026-07-30T03:32:33.000Z): 海外上網卡或者代理，二選一 - **不会辜负你的只有算法 · 2026-07-29T15:17:57.000Z**: 如果這篇文章就是藉助 AI 來寫的，那麼。。。 - **大魔王一刻 · 2026-07-29T15:06:22.000Z · 👍 1**: 絕大部分公司會願意一直使用 token 嗎，或者説較大的公司，會不會自己部署本地模型供員工使用，這樣或許更划算？ - **Icloud** (2026-07-29T15:26:44.000Z): 但是機房還是用大廠的 本地模型應該主要是為了安全性和專業化 - **价值滑头 · 2026-07-29T07:00:59.000Z**: 好多信息，感覺是業內人士 - **桑不起 · 2026-07-29T06:42:22.000Z · 👍 1**: 邏輯清楚，解讀有理 --- > **免責聲明: 本文僅供參考，不構成任何投資建議。**