投资者可用于评估公司人工智能效率的 AI 代币经济框架

一套新框架为我们提供了更清晰的视角。在 2026 年 6 月的一篇论文中，纽约大学的 Quanyan Zhu 系统阐述了其称为”AI 代币经济学”的理论：研究代币如何在人工智能系统中生成、消耗、定价、分配和优化的学科。其核心观点看似简单，却对任何在公开市场评估 AI 投资敞口的人具有实质性的澄清意义——代币已不再是 Transformer 架构内部的技术账目标记，而成为了智能经济中的微观经济货币，计算、存储、能耗、延迟、定价乃至最终毛利润，均以此为计量单位。

投资逻辑由此直接展开：代币消耗与经济价值并非同一概念。一家公司可能烧掉海量代币却几乎不创造价值，也可能仅消耗少量代币便占据企业工作流中的超额份额。若想在市场下一阶段挖掘赢家，就应停止核算 API 支出，转而评估代币生产力、边际价值及结构性代币经济学。

代币供应链贯穿您的投资组合。

朱教授的第一步是将代币与现实物理世界联系起来。每一个被处理的代币都承载着可量化的成本：浮点运算次数、键值缓存内存、能源消耗（每代币焦耳值）以及延迟时间（每代币毫秒值）。输出代币需要按顺序生成，因此其生产成本远高于输入代币，这正是供应商将输出定价定为输入的约四至六倍的原因。这种不对称性并非计费上的偶然现象，而是推理过程中的热力学特性在账单上的体现。

对公开市场投资者而言，这是连接英伟达与 AMD 芯片、超大规模数据中心、以及当前正被重新定价为 AI 基础设施的电网运营商和独立电力生产商的产业链，并最终影响每一家转售智能能力的软件公司的毛利率。基础设施层——包括微软、Alphabet、亚马逊、Meta，以及商用芯片和电力板块——并非单纯依靠拥有最多算力或最大数据集而获胜，而是在单位经济性上取胜：谁能以最低的边际成本，将每千瓦时电力和每个 GPU 秒的算力转化为高利润率的代币。

在这一层需要警惕的风险是代币稀释：某些模型架构为了得出简单答案，需要生成大量代币。推理模型为了回答基础问题，通过成千上万个隐藏代币进行”思考”，这会抬高销货成本，并悄然压缩叠加在其上的软件利润。评估模型体系时，关键不在于演示中的能力表现，而在于创造单位企业价值需消耗多少代币——以及谁来承担这一成本。

为什么花费一个代币不等于创造价值

这是该框架的核心，也是华尔街持续定价错误的部分。朱教授认为，代币的经济价值取决于五个维度，每个维度都对应着你在评估所持有的每一只人工智能股票时，应当提出的问题。

边际生产力。每增加一个代币能带来多少收入或成本节约？一个促成销售或避免合规失败的代币，其价值要比一个总结无人问津的会议纪要的代币高出几个数量级。

工作流位置。在关键的确定性执行步骤——如诊断病情、执行交易、敲定合同——上消耗的代币，其价值远超用于漏斗顶部摘要的代币。论文中的案例研究尖锐地指出：在多代理工作流中，规划阶段消耗的代币不足总量的 5%，但对最终输出质量的后续影响却大于吞噬了近一半预算的执行阶段。最具价值的代币往往并非数量最多的那些。

隐藏推理活动。现代推理模型在给出答案前会消耗大量不可见的内部代币。在朱的案例分析中，即使可见输出仅为 1000 代币的备忘录，隐藏推理仍占总代币消耗量的约三分之一至近 60%。这对投资者而言构成测量陷阱：企业对外展示的代币数量看似可控，但其真实成本基数可能极为庞大。隐藏代币的账单由谁承担——是应用供应商还是客户——将决定谁实际承担着利润率风险。

下游传播与风险。在智能体工作流中，早期出现的一个坏代币可能引发连锁反应，导致数千个代币被浪费，更糟糕的是，可能引发带来实际责任的错误行动。随着人工智能进入安全关键、收入关键领域，这种传播风险已成为资产负债表上的项目，而不是一个脚注。

对公募股权投资组合而言，应用层启示在于：优先选择那些定位高价值、高边际生产力工作流环节的公司，而非追求高流量、低价值代币吞吐量的企业。流量徒具虚荣，定位方显利润。

企业现在运行代币预算——这将重塑 SaaS 格局

对公开软件投资者而言，最具深远影响的转变正发生在需求端。企业开始将代币视为原材料级生产投入，而非 SaaS 席位，并建立代币预算进行管理。Zhu 将其形式化为代币生产函数：通过数学优化工作流，在精度（更多代币、更多推理）与速度及预算之间寻求平衡。

这是对整个基于座席的软件模式的无声威胁。十五年来，SaaS 的溢价倍数建立在 75–85% 的毛利率和近乎为零的每用户边际成本之上。若将前沿模型强行接入固定费率订阅模式，这种经济逻辑便会逆转：每个重度用户现在都背负着供应商无法控制的、变动且波动的代币可变成本。那些下调估值的公司，将是那些对 AI 功能采取统一定价，却发现自己最好的客户同时是最不盈利的那些客户。

能够维持利润率——进而维持估值倍数的公司，将是代币高效的：它们能够创造卓越的企业价值，同时最大限度地减少对底层基础 API 的代币消耗。这种效率来自于缓存、针对常规步骤的较小精调模型、规范化的上下文管理，以及只在边际效益证明合理时才投入推理代币的架构。当你阅读 10-K 年报或参加管理层电话会议时，“AI 驱动的毛利率扩张”这句话理应引出一个追问：相对于怎样的代币成本轨迹实现扩张？

新兴市场：动态定价与 AI 版 ERP

定价模式正从静态、统一的每代币费率向动态结构演变——基于计算需求和能源成本的拥堵型即期定价，以及按结果收费而非按代币数量收费的结果导向定价。结果导向定价既威胁着席位制的现有厂商，也为那些对自身代币生产力足够自信、敢于以利润作担保的供应商提供了机遇。

这种波动性创造了一个全新的可投资类别：代币化工具与中间件，也就是朱教授的框架所暗示的“AI 领域的 ERP”。能够衡量隐性代币消耗、校准真实成本、审计并对冲代币波动性、跨模型注册表动态路由请求以优化成本的软件，将变得像云成本管理一样标准化。多模型路由层不再只是一个功能——它是抵御单一供应商定价风险的结构性防御，也是筛选哪些应用公司能在供应商下一次涨价中存活下来的标准。

公开市场尽职调查清单

在下一次投资委员会会议上，针对任何涉及人工智能的公司，请以此展开讨论：

• 代币生产效率。这家公司是在推动每个代币产生高商业价值，还是仅仅为了展示能力而塞满上下文窗口？

• 工作流定位。其 AI 系统是在回答低风险查询，还是执行客户愿意付费保护的高价值、高风险、确定性操作？

• 隐式推理成本。若系统依赖推理模型，那隐形的代币账单将由谁承担——是供应商的利润空间，还是客户的预算？

• 边际架构：定价是将代币波动传导给客户，还是由供应商在固定订阅制中自行消化？

• 代币波动防御。是否具备多模型路由层，还是业务受制于单一供应商的定价波动？

宏观经济展望

这与早期互联网的情况如出一辙。当时执着于分析原始服务器带宽的投资者，错过了那些学会将用户互动和单位经济变现的企业。当前人工智能时代同样需要这种转变——从关注原始算力和显性 API 支出，转向真正的 AI 代币经济学。参数规模只是准入门槛，经济价值将流向那些掌握代币效率、占据高价值工作流环节、并将代币转化为可持续利润而非商品化成本的公司和产业链层级。

代币已成为记账单位。优先投资那些比市场更深刻理解这一点的企业。

当然，如果你需要最大化代币经济学的效益，我在 Neurometric.ai 联合创立了全球首个代币工程平台。

感谢阅读。