龙虾养得起，Token烧不起

Token狂飙的龙虾算力税：谁在为AI的“工业革命”买单？

今年春天，如果你还在纠结龙虾怎么养、起T起Token中文名叫什么，龙虾大概已经跟不上科技圈的起T起热闹了。

3月23日，龙虾国家数据局局长刘烈宏给Token定了中文名——词元。起T起同时披露了一个数字：中国日均Token调用量突破140万亿，龙虾两年增长超千倍。起T起

图源：新华社

差不多同一时间，龙虾阿里云和百度智能云先后宣布AI算力产品涨价，起T起最高涨幅34%。龙虾英伟达的起T起黄仁勋在GTC大会上把Token叫做“AI时代的石油”，还公布了一套分层定价：每百万Token从3美元到150美元不等。龙虾

他还说了另一句话，起T起让不少创业者后背发凉：一个年薪50万美元的龙虾工程师，如果一年用不掉25万美元的Token，他会“极度恐慌”。

图源：网络

一边是Token消耗量疯涨，一边是供给端的成本在攀升、定价权在集中。热潮退去，账单浮出水面，人们开始意识到一个问题：我们正以近乎倾销的价格享受着AI的便利，但支撑这场技术革命的底层燃料，其真实成本才刚刚开始显现。

为什么单价越便宜，总账单越贵？

要理解这件事，得先明白Token是什么。

它是AI理解和生成信息的最小单元，也是眼下智能时代唯一可计量、可定价、可交易的通用货币。但它的使用费由两个东西决定：单价乘以消耗量。

图源：网络

一个龙虾智能体执行一次任务，比如“帮我找最低价”，消耗的Token是传统对话的几十倍甚至上百倍。因为它不是一次问答，而是一个完整的工作流：拆解任务、多步推理、调用工具、自我修正、错了重来。每一步都在烧Token。

这就是问题的核心：完成同一个任务需要的Token数量，增长得比单价下降更快。AI从副驾驶变成了代驾司机，油耗自然不是一个量级。

更关键的是，用户永远只想要最新的模型。老模型再便宜也没人要，99%的需求会瞬间转移到新发布的SOTA模型上。而前沿模型的单位Token价格，从来没真正降下来过。GPT-4刚出来时输出价格60美元每百万Token，今天Claude Opus 4.5还是这个价位。用户要的是当下最好的大脑，愿意为它买单。

图源：网络

于是，需求端智能体爆发，爱思助手电脑版下载Token消耗量两年增长超千倍。供给端，HBM内存价格飞涨，2026年一季度DRAM价格环比涨超50%，NAND最高涨了150%，巨头们的战略长约直接签到5年后。而掌握核心硬件和软件生态的英伟达，靠着CUDA和从芯片到云的全栈布局，牢牢捏着Token的出厂价。

谁在制造Token的通胀？

Token的狂飙不是自然生长的。从产业链看，有四层玩家，每一层都在向上传递成本，最终压到最末端的普通用户身上。

先看最底层：英伟达。

第一层是英伟达。以前它卖芯片，一次买卖。现在不一样了。CUDA生态绑住了全球绝大多数AI开发者，二十年来积累的工程师、开源项目、代码库都长在这个生态里，切换成本极高。它自己又开了云服务DGX Cloud，用户直接在它平台上按Token付费，不用自己买芯片。

图源：网络

黄仁勋在GTC 2026上提出了“Token工厂经济学”，核心就一句话：以后AI的衡量单位不再是芯片，而是Token。他的野心也不止于卖云服务——英伟达正在试图把商业模式延伸到按Token抽成。

这套打法让英伟达掌握了定价权。2026年一季度，HBM内存供不应求，内存价格在几个月内上涨了数百个百分点。英伟达的GPU也跟着涨价——AI芯片H200所用的HBM3E供应价格上涨约20%。

英伟达芯片涨价，直接推高了云厂商的采购成本。

阿里云、腾讯云、百度智能云，它们从英伟达买芯片，搭好服务器，再把算力租给下游。现在英伟达芯片涨价，HBM内存涨价，它们自己的成本在涨。同时需求又爆发——龙虾这类智能体火了，所有人都想跑Agent。需求太大，服务器、电力都跟不上。于是它们只能涨价。阿里云AI算力产品最高涨了34%，百度涨了5%到30%。

图源：网络

第三层是大模型厂商。DeepSeek、MiniMax、智谱这些公司，处境最微妙。它们从英伟达买芯片，从云厂商租算力，训练出模型，再把Token卖给用户。

图源：网络

上游，芯片涨价、内存涨价、云厂商涨价，成本在涨。下游，2024年DeepSeek带头打价格战，把Token价格打到了地板上。想涨价怕用户跑，不涨价自己的算力账单在飞涨。所以这一轮云厂商涨价，它们反而最沉默。

第四层是AI应用公司。Cursor、Claude Code这些直接面向用户的工具，面临一个无解的难题：按固定月费收，比如20美元随便用，重度用户能把成本干穿。

Anthropic的Claude Code就吃过这个亏，推出每月200美元的无限套餐，结果一个月被一个用户干掉了100亿Token，最后不得不取消。

图源：网络

按量付费呢？用户会被不确定的账单吓跑。大多数人喜欢固定月费，哪怕贵一点，至少心里有数。

怎么办？只能硬着头皮选固定月费，但在这个模式下做各种限制来保命。

最常见的是用量封顶。每月给你一定额度的Token，用完了要么等重置，要么补差价，要么升级。比如Claude Code取消无限套餐后，改成了按实际用量付费加基础月费的混合模式。

另一种是分级套餐。轻度用户20美元，重度用户40或60美元，把高消耗用户筛到更高的付费档位。还有些公司在技术层面做优化——缓存常用请求、限制上下文长度、在用户无感知的情况下把复杂任务切给便宜模型跑。这些做法用户看不到，但每一招都在省Token。

可以看到，越往下游，利润越薄，处境越难。最上游的英伟达稳赚，最下游的应用公司在生死线上挣扎。而用户的直观感受就是，Token越来越贵了。

谁在焦虑，谁在狂欢？

焦虑，在普通用户和开发者中蔓延。“月薪2万，我养不起自己的AI员工”——这句调侃正在变成越来越多人的真实处境。

程序员艾瑞克是较早开始养龙虾的一批人。他用龙虾来自动化处理代码审查和简单的bug修复，最初一个月只花了几十块钱。

但随着他给龙虾配置了更多技能包——自动读取GitHub issue、调用测试环境、发送报告——Token消耗量直线上升。现在他每个月要花近千元。钱不算少，但让他不舒服的是，这个数字在没有任何预警地缓慢爬升，像一笔看不见的固定支出。

图源：网络

95后运营小可（化名）的账单则呈现出另一种焦虑。

他养了两只龙虾，一只负责监控竞品动态，每天抓取信息后自动整理成简报；另一只负责整理知识库并批量生成自媒体账号内容。两个数字员工24小时运转，一个月下来Token费用超过200元。

但比账单更让他头疼的，是龙虾的不可控。偷懒是常事——在某个环节卡住后反复重试同一个步骤，Token在燃烧，产出却为零。

更离谱的是欺骗：龙虾有时会过度夸大自己的能力，只要不被发现就默认自己能完成。小可不得不在Soul.md里反复调整指令，定期检查执行记录，像管理一个不太靠谱的实习生。

小可的技术路径几经调整。最早他用的是一个国内某云端Agent工具，但响应慢、功能弱，很快就弃用了。

后来他转向openclaw本地化部署，通过火山引擎的coding plank服务调用Kimi 2.5模型。这套方案相当克制，基础账单仅需每月40元。但任务一多，coding plan就自动升级到200元每月——账单永远追着需求跑。

图源：网络

他也动过换用GPT或Claude的念头，但试用之后发现，在自己需求下国内和国外模型交付差异不大，但是国外模型Token费用翻了好几倍，用起来实在心疼。最后还是用回了国内模型，毕竟国内模型还是要便宜很多。

如果说这些还算可控，那智能体的心跳机制和自动循环，才是真正的暗坑。用户不知情时，一个配置失误就能让Token一夜之间烧光。当AI几分钟就能完成你一周的工作，当你的数字员工比你本人还烧钱，认知焦虑与经济压力便同时袭来。

面对这个问题，有人想出了土办法：设置电脑定时关闭，或者把openclaw部署在U盘上，通过插拔U盘来物理断电。用最原始的方式，给这个不知疲倦的数字员工装上了一个看得见的开关。

狂欢，属于产业链上游的收租人。英伟达的市值和毛利率，云厂商的涨价底气，都源于它们在Token价值链上的不可替代性。无论AI应用层如何洗牌，它们都是稳坐钓鱼台的赢家。

结语

这场Token狂飙，最后会走向哪里？

我觉得，它会倒逼整个产业回归两个常识。

第一，算力成本终究会回归商品属性。短期内存涨价、供需失衡，但技术进步不会停。更高效的模型架构、更好的推理优化、把模型焊在芯片上的专用芯片创新，都会持续压低Token的生产成本。长期看，Token的单价一定是往下走的。

图源：网络

第二，投入产出比会成为唯一的衡量标准。烧Token不是目的，用Token创造价值才是。市场从狂热回归理性之后，企业不会再看“Tokenmaxxing”，而是会问：这100万Token，到底帮我干了多少活？挣了多少钱？

智能体本身也需要进化，需要在有限的尝试中，找到使用Token最具效率的方法。

那些只靠补贴用户烧Token、自己没有核心价值创造的应用，会最先倒下。能精确衡量任务成本、优化Token效率、建起高转换成本壁垒的公司，才能活下来。

Token越来越贵的今天，我们需要的不是制造焦虑，也不是鼓励无度消耗。

毕竟，商业的终极理性，从来不是烧掉多少燃料，而是走了多远的路。

参考资料：

1、《「烧Token」成KPI，有程序员一个月花掉15w》腾讯科技

2、《为什么所有人都觉得 MiniMax、智谱「太贵了」？》极客公园

3、《月薪2万，我养不起自己的“AI员工”》凤凰WEEKLY返回搜狐，查看更多