Token经济学：解锁AI应用新视角

去年5月，大模型厂商掀起价格战，"Token"一词几乎无处不在，成为热议的焦点。

简而言之，Token是大语言模型（LLM）用于切割自然语言文本的基本单位，可视为语言中的“字”或“词”。

正如工业时代用“千瓦时”衡量电力消耗，互联网时代用“GB”衡量数据流量，AI时代则用“Token”衡量模型的工作量。一个Token可代表一个词或词片段（在中文中可能是一个字或词语）。

Tokens的调用量，本质上反映了模型推理过程的计算量。计算量高低，直接揭示了模型在实际应用中的能力、成本、速度和可行性。

因此，从Token角度跟踪AI应用落地进展，是一个深刻且关键的视角。

这意味着我们将AI从“黑箱魔法”或纯技术概念，转变为可度量、可分析、可商业化的实际生产要素。

换句话说，我们不再只关注AI“能做什么”，而是开始量化分析它“做了多少”、“效率多高”、“成本多少”以及“价值多大”。

1

谁在消耗Tokens？

模型厂商以Tokens为主要定价单位，其底层逻辑是：模型调用时的Token消耗量与相应算力投入存在强关联。而另一暗线则是，算力投入链接了营收与Token调用量。

换句话说，模型厂商营收与其Token调用量呈现显著同步的高增趋势。

2024年6月至2025年6月，OpenAI大模型基础设施——微软Azure云的日均Token调用量从0.55万亿上涨至4.40万亿。与此同时，OpenAI年化营收（ARR）从2024年12月的55亿美元增长至2025年6月的突破100亿美元，并在2025年8月达到120亿-130亿美元。

也就是说，谁消耗Tokens更多，谁就是基模厂商的主流商业模式。

目前，OpenAI、Anthropic、字节跳动等基模厂商主要有C端和B端两种模式。其中C端包括原生聊天助手、工具类原生应用（影视、图片、编程等）的订阅收入、付费功能以及与内部C端产品整合后的间接收入（如Google Chrome）；B端则包含为大客户落地AI应用和企业直接API调用。

C端的Token调用量，主要贡献者有三个：

1. 大流量池产品内部的附加AI功能

谷歌搜索上线的AI Overview功能，至2025年二季度月活已超20亿。国海证券预测，AI Overview功能单日Token消耗量在1.6至9.6万亿区间内，在2025年7月Google日均Token调用量中的占比为4.9%至29.4%。

抖音、剪映、今日头条等同样为大流量池C端产品，月活量级已达到10亿（2025年3月）、7亿（2025年7月）、2.6亿（2024年下半年月均）。

百度之于搜索、美图秀秀之于图像，大流量C端应用的AI改造都遵循上述逻辑。据非凡产研，2025年7月百度AI搜索访问量居国内智慧搜索品类第一、美图秀秀的国内访问量/存量月活、新增下载量依旧居图像品类第一，且月度收入仍在环比提升。

2. 原生聊天助手

ChatGPT聊天助手拥有庞大的C端用户规模，2025年7月APP+网页端合计月活达10.15亿，是OpenAI重要Token调用量驱动因素。

3. 视频赛道拥有较大用户基础的新兴应用

除产品内置AI功能、聊天助手外，图像、视频、陪伴、办公、教育赛道内均出现了有较大潜力的C端新兴AI应用。

字节跳动进行多维度布局，推出醒图/星绘（图像）、即梦（视频）、猫箱（陪伴）、豆包爱学（教育）等AI应用。

其中醒图、即梦7月月活达到4924万（当月收入59万美元）、1393万（当月收入58万美元），已成为图像、视频赛道内拥有较大用户量级的产品；猫箱7月月活794万，当月收入达112万美元，商业转化效率较高。

B端Token调用量主要源于企业级AI应用。其所呈现出来的特征，一是渗透率较高；二是基模厂商的B端收入比例较大。

2

技术迭代解锁应用需求

越来越多的Token调用量，并非因为更大参数的大模型，而是推理增强、多模态、Agent化、长上下文转型共同作用的结果。一句话概括：技术迭代解锁应用需求。

以GPT-5和Grok4为例：

GPT-5将“更强的推理能力（通过引入test-time compute）+多模态+更长上下文+更严格的安全控制等”置于产品默认层面；Grok4核心升级则是把“原生工具调用+多代理协同推理+超长上下文等”做成一个可商用产品。

GPT-5和Grok4的目标是通过技术迭代增强AI在更复杂、更具备“生产力”的关键场景下的实用性、准确性，并加速AI应用落地。

举个例子，假设原来1轮客服对话服务消耗200tokens，升级后客服问答场景中的大模型推理过程将扩展成：客户意图澄清+内部知识库检索+逻辑校验+答案润色4个环节，即4轮内部推理，每轮150～200tokens，最终消耗600至800tokens。

类似的案例在对应的推理增强、多模态、Agent化、长上下文转型中都能找到。其最终结果是双向增强：存量AI应用场景的解决方案更好，对应的Token调用量也倍数增长。

随着技术趋势的不断推进，大量原本因“不准、不全、不落地”而被搁置的需求将被解锁。当准确率、可控性跨过可行性线后，用户特别是B端企业（有生产力场景需求）或将从观望转为批量采购。

3

尾声

如果把AI大模型想象成一个“知识电厂”，Token就是它发出的“度电”，你的提示词就是“合上电闸”的指令，AI应用开发者就像是“家电制造商”。

从Token角度跟踪进展，就相当于电力公司和社会在跟踪：

• 全社会总用电量（AI应用的总规模）增长了多少？
• 哪种家电（哪种AI应用）最耗电（消耗Token最多）？
• 发电技术是否进步了（模型效率）？每度电的成本是否下降？
• 新的高能效家电（高效的AI应用）是否被开发出来？

从Token角度跟踪AI应用落地进展，意味着AI行业正在走向成熟、务实和工业化。它摒弃了早期对参数规模和技术炫技的过度关注，转而聚焦于一个更根本的问题：如何以可承受的成本，可靠地利用AI能力来解决实际问题并创造商业价值。

这标志着AI不再是实验室里的玩具，而是真正成为了驱动下一代技术和商业创新的基础效用。作为从业者、投资者或观察者，理解Token经济学至关重要。