中美Token经济学
调用量不等于收入
中国市场的日均 Token 调用量，从2024年初约1000亿次增长到2025年底约100万亿次，但2025年公有云 MaaS 市场规模只有30.7亿元。
这组反差说明，AI产业目前最容易制造的是使用量，最难形成的是可交易收入。
大量 Token 消耗发生在大厂内部，没有进入外部市场；真正交易的部分又在激烈降价；应用层也尚未普遍转向按 Token 或业务结果收费。因此，调用量增长与账面收入之间存在巨大落差。
与此同时，算力投入已经逼近现金流承受边界。截至2026年二季度，美国四大云厂商滚动十二个月资本开支与经营现金流之比达到0.63至1.05。Alphabet首次出现单季负自由现金流，Meta自由现金流同比下降91%。
这意味着，大模型产业仍处在重资产建设期。需求已经爆发，商业闭环却远未成熟。
利润先在上游兑现
当前最确定的利润仍在上游。
算力供给不足带来的稀缺溢价，让英伟达FY2026财年数据中心收入达到1937亿美元。只要算力仍是瓶颈，最先进入报表的就不是模型和应用的想象空间，而是芯片、机房和基础设施的现实收入。
但中美两国的瓶颈并不相同。
美国缺的是电力接入。得州等待批准的接入项目超过1800个，其中约九成是数据中心，对应约474GW电力需求。审批和接入周期拉长，进一步压低了北美数据中心空置率。美国主要通过价格完成稀缺资源出清，溢价因此集中到头部供应商。
中国更直接的瓶颈是算力芯片。出口管制把市场推向配给和国产替代，2025年本土厂商在AI加速卡市场的份额已超过四成。新增算力还在向“东数西算”枢纽集聚，公共部门、运营商和私人资本共同参与，形成了与美国不同的供给体系。
同样是算力稀缺，美国表现为电力与价格问题，中国表现为芯片与供给结构问题。两种瓶颈会塑造不同的产业链利润分配方式。
模型正在变成标准化产能
中游模型层面对的现实更残酷。
同一能力档位的 Token 很容易替代，采购方更换供应商的成本并不高。开放权重模型不断追平领先能力，竞争最终落到价格上。达到GPT-4同等能力的调用价格，测算显示每年可降至原来的约四十分之一。
一旦能力差距被追平，Token就会迅速商品化。此时品牌故事和短期领先都难以维持高溢价，价格主要由成本和用量决定。
中游还受到两端挤压：实际成交价往往远低于挂牌价，而单位推理成本中七成以上来自折旧摊销，电费占比不足一成。
所以，降成本的关键并不只是寻找更便宜的电，而是延长设备的有效折旧周期，提高算力利用率。模型厂商如果没有规模、调度和工程效率，仅靠模型能力很难留下持续利润。
中国市场又在通过算力券和统一计量比价平台，把 Token 进一步推向基础设施化。流通环节可能快速放量，却很难保留厚利润。
中美红利流向不同
Token持续降价，真正受益的是下游。但红利最终落在哪里，中美市场存在明显差异。
美国用户已经习惯为软件订阅支付较高价格。模型能力可以被打包进原有软件，成为提高订阅价格或维持客户续费的理由。AI创造的增量价值，因而更容易沉淀在成熟的软件订阅体系中。
中国的软件订阅付费意愿较低。同一款基础办公软件，中国市场定价通常只有美国的五分之一甚至更低。中游厂商更容易按照算力成本定价，低价 Token 释放出的价值便继续向应用层外溢。
对中国应用公司来说，首先要回答的是如何计价。
如果继续按订阅收费，Token降价主要体现为成本下降、毛利率提高和经营杠杆改善；如果转向按Token消耗或业务结果收费，红利就可能直接进入收入端。
但改变计价方式，只是重新划分收入和成本，并不会自动创造利润。
最终护城河是迁移成本
我认为，决定下游能否留住AI红利的，不是调用了哪个模型，而是客户离开的代价有多高。
这种迁移成本主要来自三类资产：监管和采购制度形成的准入门槛；长期数据对接、口径整理和业务磨合形成的场景沉淀；系统级集成带来的重置成本。
政务和受监管行业依赖资质，金融数据治理和智能运维依赖长期积累，深度嵌入业务流程的系统则依赖复杂集成。它们的共同点是，客户无法因为另一家模型便宜一点，就轻易完成替换。
按席位收费时，客户黏性通常要等到年度续约才能验证。转向按Token或效果收费后，客户的真实使用情况会更快暴露，逐季用量就能显示产品是否进入了核心业务。
因此，Token经济的利润正在按顺序兑现：上游先收取稀缺溢价，中游在能力商品化中承受通缩，下游再尝试把成本红利转化为场景利润。
短期看，赢家是掌握稀缺算力的人；长期看，真正能沉淀利润的，还是那些进入客户业务流程、积累场景资产并建立高迁移成本的公司。