Token 面前，经济学的哪个假设不再成立

大数据文摘出品

经济学从稀缺开始。

土地、资本、劳动和时间因为稀缺，才需要被计量、定价和分配。

当智能被拆解为 Token，可以按量购买、随时调用，一种新的生产要素似乎出现了。它没有消除稀缺，却让稀缺换了位置：内容可以不断生成，判断内容的人仍然只有一天二十四小时；模型可以同时处理许多任务，人的注意力却不能同步扩张。

Token 的数量可以被精确统计，Token 创造了多少价值，却没有因此变得容易衡量。它能被定价，也不意味着价格已经覆盖了全部成本：反复带入上下文的消耗、上游算力投资的风险、下游尚未形成的现金流，以及人花在验收和纠错上的时间，未必都出现在同一张账单里。

这正是《Token 经济》新书发布会圆桌讨论反复回到的问题。著名经济学家香帅、《Token 经济》作者袁晓辉和白惠天，以及腾讯研究院副院长、首席分析师李刚，从“Token 经济”与“Token 不经济”的分歧谈起，谈到了三个更基础的问题：智能应该如何计量，应该按照什么定价，它带来的收益与风险又由谁分配？

过去，劳动时间、人的技能与产出之间，存在相对稳定的对应关系；企业通过组织人来完成协作，工作则同时提供收入、社会身份与意义感。现在，一个人可以调用多种模型，小团队可以完成过去需要更大组织才能完成的任务，智能也可能沉淀为可被反复调用的能力。

这些变化并不意味着某一条经济学假设已经彻底失效。但一些过去被视为前提的条件，开始需要重新检验：产出还能否用投入的时间来衡量？价格能否完整表达价值与成本？公司的边界会不会改变？当必要劳动减少，收入、机会和意义又该怎样分配？

讨论从 Token 的成本开始，最后落到孩子、工作、公司与人的生活。技术问题由此变成了分配问题，也变成了人的问题。

以下为圆桌讨论内容，经编辑整理。

它工作越快、写得越像样，我反而越有压力

白惠天：香帅老师刚才说，学 AI 像学跳绳，要先跳起来。你在哪个时刻觉得自己真的“跳起来了”，感到这次和以前不一样？

李刚：我现在工作、生活中都习惯先问 AI。连吃饭拍一张照片，也会问这餐有多少蛋白质、多少脂肪。它确实常给我没有想到的启发，工作中也有“原来可以这样”的时刻。

但挫折更多：给出的东西常常不是我要的。现在我会让 AI 等我，可它半小时写出一篇长文，过一两个小时给我两三万字，我反而要花一两天读完、判断有没有用。它工作越快、写得越像样，有时越让我感到压力。

另一种挫折来自现实产品。我们说 AI 已经很能干了，可微信里打开 Word 文档、表格格式显示之类的问题，为什么还会反复困扰用户？一方面，我看到了它很大的潜力；另一方面，日常使用中仍有很多没有解决的细节。

白惠天：这种感觉很真实。AI 生成的东西，至少已经值得我们花两三个小时去读、去消化了。晓辉刚才讲到“让 AI 等你”，你是怎么做到的？

袁晓辉：首先是意识转变。以前我可能同时开几个任务，在几个智能体窗口之间来回切换，总想看它做完没有。这样会留下“注意力残余”：人虽然切换到下个任务，上一件事还占着脑力，所以一天结束会特别累。

现在我尽量少同时开任务，把工作交代清楚，去喝水、洗澡、做一件不用脑力紧盯的事，过一会儿再回来验收。不是每隔几分钟看一次结果，而是把 AI 的响应时间也放进自己的日程规划里，保护注意力。

白惠天：AI 干活更快了，人的认知带宽却没有同步扩大。香帅老师，你有过这样的兴奋和挫折吗？

香帅：都有。我真正的“原来不一样了”的时刻，是开始大量使用编程智能体之后。我原来想法很多，但总受一天只有二十四小时的限制；突然有一种很多项目都能自己做出来的感觉。我也尝试做小程序、做视频，觉得好像什么都能“手搓”。

可是做完演示版、要让真实用户使用时，我立刻遇到专业门槛：一百个人试用就会冒出很多细节问题，更不用说一万人。AI 帮你补短板、打破进入新领域的第一层壁垒，行业里的经验和实际交付仍要有人来负责。

我把其中一种协作叫作“人—AI—AI—人”。人和人直接沟通，语言和立场之间常有摩擦；各自借助 AI 理解、整理信息，能降低一部分沟通成本，但不能替代人和人的关系。

对我自己来说，AI 最适合帮我补不擅长的部分，让我把有限的时间继续投入最有兴趣、最擅长的表达和研究。

Token 经济，也可能 Token 不经济

白惠天：我们谈一个更有争议的问题。“Token 经济”里的“经济”，也可以理解为是否划算、是否有效率。书还没印出来时，研究院就发表过一篇《Token 不经济》。当时为什么这样提？

李刚：两篇文章问的不是同一个问题。《Token 经济》讨论 Token 怎样产生价值、在什么场景实现价值；我说的“不经济”，是在当时观察到几类成本和风险。

第一，我原以为轻量模型的 API 价格会一路下降，统计时却看到一些价格不降反升。这里当然还要注意，模型能力本身也在提升，不能简单拿不同代的产品当作同等质量比较。

第二，智能体之间沟通、反复带入上下文，会消耗很多并未创造新价值的 Token。

第三，利润和议价能力偏向芯片、算力等上游，产业链各环节承担的风险并不均匀。

第四，下游还没有充分找到能持续带来现金流的主场景，而基础设施投资已经发生。把这些放在一起，才有“Token 不经济”的判断。

现在一些低价模型确实在降价，市场还在快速变化；但风险集中、下游收入如何形成，仍要持续观察。经济与不经济会同时存在，需要具体分析场景。

白惠天：这里既有商业上的不经济，也有模型处理信息方式带来的技术成本。后者有没有改进空间？

袁晓辉：有。比如重复提问、重复传入同一份材料，模型可以通过缓存区分已经计算过的内容和新的内容。推理框架、注意力机制、芯片之间的调度，也都能提高效率。

成本高不是一个静止的问题，工程方法会不断改进。不同任务共享上下文，也可能比每个任务从头处理更省资源。所以我倾向于在规划应用时，考虑未来成本继续下降、能力继续提高的可能。

高端模型和普通用户所需的模型会分层，绝大多数日常需求未必需要最贵的能力。

香帅：我最近自己在团队里试用不同模型，感到这很像一个管理问题。公司不会让每件事都由最贵、最资深的人做，也不会把复杂决策都交给实习生。不同任务该调用什么模型，怎样组合，才是关键。

做金融的人会把它看作资产组合：在预算和风险的约束下，怎样把能力组合起来，得到合适的结果？

现场嘉宾：产品领域把这叫作“模型路由”。从技术上说是路由，从企业里看就是任务、人才和成本怎样匹配。先鼓励大家使用，再衡量 Token 究竟带来了多少产出。管理者也会比较：一件事是买更多 Token 合适，还是雇人合适？这会逐渐成为新的预算问题。

香帅：它还必须和行业知识结合。服务业、制造业面对的任务完全不同。技术人员要理解行业积累的经验，行业也要主动使用新工具；各说各话，便很难形成真正的新产品和新经济活动。

需求一直在，只是供给方式和成本不匹配

香帅：我们常说需求不足，可我问自己：人真的没有需求了吗？

健康管理、养老、家庭财富管理、孩子的教育、日常照护，这些高人力资本的服务，很多家庭想要却负担不起。一个中产家庭也许需要更好的理财建议、父母照护，甚至一位合适的家庭厨师，但过去很难以可接受的价格获得。

需求一直在，只是供给方式和成本不匹配。

想想汽车。它原本是少数人才买得起的商品，价格下降后，受众扩大；更重要的是，人们的活动范围和生活方式改变，连带出现加油站、酒店、跨城旅行等一系列新市场。

智能服务如果降低成本，也可能把尚未打开的服务市场带出来。这需要人的创造力和想象力；还需要宏观层面的总需求，使人有能力为服务付费。

白惠天：我自己就有一个小需求。父亲文笔很好，常给我发很长的微信。如果我正在开会，只回“好的，知道了”，他会不高兴。

我希望有个智能体先告诉他我在忙，回应得亲切一些，等我空下来再认真交流。它解决的是及时回应，不意味着我不愿意和父亲沟通。

现场嘉宾：母亲也写诗，有时发来作品，自己得费心想怎么评论。如果有一种服务，能在她愿意的时候陪她讨论诗歌，自己愿意付费。

可这也带来另一个问题：让 AI 帮忙加工一句祝福，与让 AI 代替自己维系一段关系，边界在哪里？

社交媒体上越来越多的回复像是 AI 自动写的。它们可能提高回应速度，却也让人花精力辨认“是谁在和我说话”。真人之间的时间和注意力，会因此更珍贵。

李刚：我担心的是，如果把本应由自己投入的时间完全转交给机器，等于在告诉对方：我的时间不愿给你，你去和 AI 聊。

大语言模型能生成很多语言，但人和人之间的交流不只是文本交换。尤其孩子若主要通过与机器互动建立认知习惯，我们应认真想它对语言、关系和人的能力会有什么影响。

香帅：我同意人与人的交流会更珍贵，但对“控制孩子与 AI 交互”有不同看法。上一代人可能觉得打算盘是学数学的必经之路，我不会打算盘，并不妨碍我学数学。每代人都有自己的工具。

对我家孩子，我会区分两种情况：学校作业该靠他自己动手、思考，不能让 AI 代写；如果是他主动想做一个游戏、剪一段视频、把脑子里的故事变成作品，我鼓励他用 AI 去实现。

重要的是保持亲自练习的能力，也让新工具拓展创造力。

袁晓辉：这就涉及 AI 素养。孩子问一个很笼统的问题，模型可能给出一个平常的答案；如果他有更好的问题、能辨认哪里不够好，再追问、验证，就可能学到更多。

大人可以陪他理解模型是怎样工作的，教他换角度提问。但这也取决于家庭有没有时间和资源陪伴。对一些地区的孩子，一个可以随时使用的 AI 助手，也可能比原来能得到的帮助更多。

白惠天：技术扩大了我们的时间和表达方式的选择。我仍会手写、画画，也愿意亲自做一些事；但我不懂乐理，想用音乐表达时，AI 可能帮我跨过原来很高的门槛。

它也许能让我及时回应父亲，把深入聊天留到线下。我们既要想办法把自己和孩子从屏幕里拉出来，也可以使用技术争取更多可支配的时间。

真给我一段空闲的假期，我反而不知道做什么

白惠天：如果 AI 真能减少完成必要工作的时间，社会是否可以把更多时间留给创造、照护和人际交往？

这会需要制度设计，过程也不可能每个人都同样顺利；处在被替代岗位上的人，痛感会最强。

未来的匹配单位也许会更像“任务与技能”，而不是“人和固定岗位”。一个人不只有一个岗位身份，还可能懂地方美食、工厂流程、航天工程，或者擅长陪伴和沟通。但社保、稳定收入与社交关系不会随技术自动解决，转型可能比想象中慢。

李刚之前谈过 AI 的政治经济学。当机器的认知能力越来越强，人该怎样看待工作和自身的价值？

李刚：就业和分配是很大的问题，我更想问的是“意义”。

工业革命之后，工作承载了人的收入、社会身份和成就感。如果就业结构明显改变，我们熟悉的“我靠什么证明自己有价值”也可能动摇。

说实话，我忙起来时很多时间都给了别人；真给我一段完全空闲的假期，我有时反而不知道做什么。这是我自己也在面对的问题。

袁晓辉：我现在主动选择没有固定工作的状态，并不觉得会无事可做。运动、陪孩子、读书、看剧、和人聊天，都可以由自己决定。

过去当好学生、好员工，脑子里有很多“应该”；当生活不再完全照着一套外在目标走，确实需要重新练习自主安排。

香帅：代际差异也在这里。我们这一代多少带着物质目标长大：考好学校、进好单位、向上走。更年轻的人可能更早面对“这些都满足以后，我为什么而活”。

每代人有自己的难题，不能简单羡慕谁。AI 让效率越来越高，但人也要重新思考意义感的来源。

现场嘉宾：有些工作单用效率衡量，似乎并不处在技术前沿；它们仍可能因为培养学生、服务身边的人而有价值。

许多事情的意义也未必在事后留下了多少成果。今天在现场交谈、让不同经历发生碰撞，这个过程本身就可能有意义。效率之外的价值，需要被看见。

不是有 AI，就自然有了共同目标

白惠天：最后谈谈组织。AI 这么强，是不是一个人就够了？还需不需要公司？如果仍需要公司，又怎样让年轻同事在里面工作得有价值、有兴趣？

香帅：经济学解释公司的一个重要原因是节约交易成本。数字化工具一直在降低协作成本，组织因此可以更扁平、更小。智能也成为可调用的能力后，一人公司和小团队能完成更多事。

但这不只是“少招人”：公司的经验、部门的经验、人的经验，能否沉淀成可调用的能力？前端团队能否利用这些能力，继续到真实场景里服务客户、打磨产品？

我想象的组织更像一个网络：核心有共享的智能和经验，前端有灵活的小队，彼此不断反馈。组织的力量不只取决于人数，还取决于能力有多强、能否被调用。

从更大的社会网络看，企业也在被客户、合作方反复调用。平台为什么有力量？因为它能够被很多人使用。未来一家公司的价值，除了拥有多少资产，也许还要看它能在多大程度上提供可被使用的能力。这会挑战我们熟悉的组织设计和所有权观念。

袁晓辉：转型的阻力也是真实的。高层也许很想推动，某些中层管理者却担心自己的位置被取代。背后常是恐惧：不知道自己还能不能使用 AI、还有没有价值。

我的经验是，先帮助他们理解工具并亲自用起来。管理经验、理解老板和团队的需求、组织人协作，仍然是优势。

也有企业在尝试更像蜂群或网络的协作方式，让使命、文化和共同目标发挥更大作用。

李刚：我会对“所有公司都变成蜂群或一人公司”保留意见。一个组织要先知道自己想完成什么；并不是有 AI，就自然有了共同目标。

公司还有分担风险的功能：法人和有限责任使人可以共同承担大型项目的损失，不必由某一个人押上全部身家。还有，发射火箭这类事，不适合只靠一个人完成。

公司也提供社会身份和归属感。讨论 AI 会改变什么时，要同时看哪些组织功能仍然存在，也要说清楚我们谈的 AI 具体能做什么。

白惠天：今天从 Token 的成本谈到孩子、工作意义和组织，答案不会对每个人都一样。