前 a16z 合伙人，知名分析师 Benedict Evans 发布了一篇文章，谈论了有关 token 定价问题。他认为，大模型厂商最终都会沦为低差异、低议价能力的基础设施，陷入到价格战之中。

当前大模型厂商们对外透露的推理的毛利率约为 40%—50%。这个数字通常已经扣除了服务器折旧或租赁费用，但仍有两个重大问题：

首先，AI 服务器究竟能使用多久还不确定。按五年折旧和按七年折旧，会得到明显不同的利润。其次，这个毛利率往往没有计入训练下一代模型的成本。

理论上，推理属于边际成本，训练属于固定成本：模型训练完成后，只要使用量和收入足够大，固定成本就能被摊薄，企业最终可能盈利。但现实中，各家公司每年要训练多次新模型，而目前训练费用远高于模型收入。

未来训练成本会继续暴涨、趋于稳定？还是因技术突破而下降？

—— 显然目前还没有哪家敢笃定回答这个问题。

从抽象原则上说，未来 Token 的市场价格由供求决定，大致会落在两个边界之间：

- 下限是卖方提供服务的边际成本；

- 上限是买方使用模型所获得的经济回报。

但我们眼下不知道未来的供给、需求、边际成本和客户 ROI，所以造成了无法对未来的回报作出准确的预测。

Benedict Evans 认为，我们只能自上而下思考：类似的技术浪潮通常怎样演进？AI 的成本与收益曲线将怎样变化？

这就引出了四个核心问题：

第一：到底有多少任务值得使用最昂贵的前沿模型？

随着模型能力中位数的极大提升，除了少数高价值任务，未来绝大多数任务的模型可选择面会非常广。而且，别忘了开源模型的能力也在快速提升之中。

第二：前沿模型的能力还能提高多少？

能力提升必须与效率和产能改善进行比较。如果芯片产能、算法效率和推理优化让成本下降得更快，那么即使模型更强，Token 价格也可能持续下跌。

第三：前沿模型公司能否形成持久差异？

大家都在猜测，未来市场可能收敛到两三家公司，某些模型可能在特定领域建立明显优势，模型平台也可能形成网络效应 —— 即用户越多，产品越强，进而吸引更多用户。

但目前这些趋势都还没有发生，除了 Anthropic 和 OpenAI 稳坐第一梯队外，第二梯队的模型和厂商位次甚至经常更换。比如去年的谷歌还是御三家之一，今年的 Gemini 已经掉到了第三甚至第四梯队。

第四：模型能从最终产品中拿走多少价值？

即使某些任务确实必须使用昂贵的前沿模型，也不意味着模型公司能拿走大部分利润。

所有的 AI 大厂都在招募大量的部署工程师，未来模型能力的竞争只是一个方面，各家大厂还需要比拼业务流程、专有数据、销售渠道、市场推广、客户网络和售后支持等。

这里每个环节也许都会出现新的机会，甚至最终价值可能由应用公司获取，因为它们理解客户、拥有工作流和数据，并负责把模型变成可落地的产品。

因此，即使模型在技术上非常重要，它在商业上也未必能真正控制客户关系，未必能占据价值链的核心。

从上面这些问题可以得出，『不确定』本身才是当前最重要的事实。

新技术处于 S 曲线早期时，人们通常知道它会产生巨大影响，却不知道最终产品、商业模式和赢家是谁。1990 年代中期的互联网，以及 08-09 年的移动互联网浪潮都经历过类似的迷茫阶段。

人们可以对局部问题形成判断，但这类局部判断无法解决整个产业的长期结构问题。当前能看到的十种结局，可能都不是最终结局。

而且，AI 革命的不确定性比互联网和智能手机更深。

AI 的特殊之处是：人们甚至还没有从理论上完全弄清这些模型为什么如此有效，因此也无法判断其能力上限。

过去虽然难以预测产品和市场，人们至少大致知道技术的物理边界。但 LLM 不符合这种认知方式。也许下个月、下个季度、下一年会出现新的技术方案，让同样任务所需的推理算力下降 90%，又或许供给效率提高和需求暴增会同时发生。

目前连这个领域前沿的技术大佬们都各执一词，普通人更无法搞清楚之后的发展趋势。

面对巨大不确定性，人们会寻找熟悉的历史模式。Benedict Evans 在文中引用了一种说法：所有关于 AI 的讨论，最后都会变成寻找比喻的游戏。

常见比喻包括光纤、移动网络、半导体、操作系统、电力公司和云计算。它们都能解释 AI 的某个侧面，但没有任何一个可以直接预测 AI 的结局。

比如互联网泡沫时期，市场建设了过多光纤，投资规模远超当时需求。这看起来与今天大规模建设 AI 数据中心很相似。但二者有两个重要区别：

第一，当年的光纤供给远超需求，而当前 AI 算力建设仍远远落后于需求。未来是否会转为过剩，仍不确定。

第二，光纤投资的大头是固定成本。线路建成后，新增一些流量不一定需要同比例增加成本。AI 计算则不同：需求增加通常意味着必须购买更多芯片、服务器和电力，因此具有明显的边际成本。

相比之下移动数据可能是更有参考意义的类比。移动网络扩容也需要持续投入边际成本。大约 15 年前，移动流量突然暴增，网络一度不堪重负，运营商不得不匆忙扩容并调整收费方式。

销售移动数据与销售 Token 也很相似：两者都是不透明的用量单位，普通用户无法直观理解一 bit 或一个 Token 对应什么具体任务和商业价值。

但移动浪潮给出的最大警示是：过去 20 年，蜂窝数据流量增长了几个数量级，整个行业达到约万亿美元年收入和约 2000 亿美元资本开支，但电信公司们的回报却表现不佳。

因为大量商业价值都被智能手机、应用、平台和其他技术栈上层企业获取了。

这也是为什么开头作者会认为，今天的大模型厂商们最终成为低毛利、同质化的基础设施，真正利润会由上层应用获得。

不过这也只是 Benedict Evans 个人的一种猜测，这些历史案例真正能说明的只是：技术影响力与商业利润之间没有必然对应关系。

基础模型要想避免成为同质化基础设施，并获得长期高利润和市场控制力，就必须出现某种目前尚未看到的决定性变化。