联想阿木：企业想用AI赚钱，得先挺过“奇点”前夜

撰文 | 雁秋

编辑 | 李信马

题图 | Lenovo

ChatGPT火爆后的很长一段时间，没人在乎Token，甚至就在一年前，Token还是AI圈内少数人挂在嘴边的技术名词。今年它突然破圈，一度被奉为新生产力时代的“水电煤”，似乎谁消耗得越多，谁就离AGI越近。

国家数据局信息显示，截至3月，我国日均Token调用量已超过140万亿，相比2024年初的1000亿增长了1000多倍。

这一数字看起来非常“庞大”，但DoNews在5月发布的一篇文章（《买得起Token，买得到“靠谱”吗？》）中曾提出几个疑问，这些庞大的Token到底用在了哪儿？它们真的解决问题了吗？以及，当用户的每一次调用都被记录、每一笔消耗都变成数据，这张看不见的“网”，到底攥在谁手里？

图源：国家数据网

同一时期，市场对Token的狂热崇拜逐渐转向克制，高昂的成本让不少大公司都有些吃不消。亚马逊、Uber、Meta，包括国内的腾讯，这些曾经最热情的“算力消耗大户”纷纷调转船头，他们不再鼓励盲目消耗，而是精打细算，希望每一次的Token调用都能带来可量化的价值。

为什么会出现这种近乎一致、大规模的收敛？企业期待看到的实实在在的价值增长又会在何时出现？

在7月初的一场沙龙上，联想集团副总裁、中国首席战略官、中国技术管理委员会执行主席阿不力克木（阿木）抛出了一张他称之为“奇点曲线”的图表。阿木指出：“企业级Token需求量急速增长，Token的成本效率与价值效益将遵循惯性定律、加速定律和奇点定律‘三大定律’。”

这两条曲线，或许能解释为什么企业越用AI越焦虑，以及，这种焦虑什么时候才能结束。

01、Token经济的“三大定律”

今年5月底开始，全球商用大模型迎来降幅最大的一轮价格调整。DeepSeek旗舰模型V4-Pro的API价格永久降价75%，输入（缓存命中）价格低至每百万Token 0.025元，接近零毛利；小米的MiMo-V2.5系列API也宣布永久降价，最高降幅达99%。

6月节奏进一步加快，腾讯云、火山引擎、MiniMax、智谱等云厂商批量下调Token计费。6月16日，字节跳动火山引擎上线Seedance 2.0 Mini视频生成模型，生成成本较标准版降低约50%。

降价趋势还在继续。摩根大通预测，未来12个月内，Token单位价格还会再降40%以上，普通模型接近“商品化”。

Token为什么会越来越便宜？阿木提出了Token经济的“第一定律”：惯性定律。单位Token成本的持续下降几乎是必然的，这背后有三层推力：

• 第一，芯片、能源、模型本身的技术创新；
• 第二，将“模型-算力-电力”三者进行一体化组合调优，还能再省一笔；
• 第三，在实际运行中，通过运行态的Token调度，能把成本进一步压缩。

虽然Token成本的下降是大势所趋，但价值释放的速度，却未必跑得过成本的增长。问题出在“第二定律”：加速定律。

Token单位成本的下降，并不等于创造价值量的增加。阿木将AI的价值凝练为“有效Token”这一概念，认为其释放取决于三个更复杂的因素：碳硅融合密度、Harness工程深度，以及AI治理与配套到位程度。

换句话说，Token便宜只是前提，能不能用出价值，是另一回事。

中国人民大学高瓴人工智能学院副院长魏哲巍教授也从学术视角印证了这一观点。他表示，随着AI从简单的单轮问答向AI Agent多步协作演进，例如在AI辅助编程场景中，Agent执行任务的Token消耗量往往是普通对话的千倍级，企业必须精准核算不同场景下Token投入的效费比。

一个例子足以说明差距：让一个人用AI做搜索问答，和让AI替代一个流程节点完成分子筛选，同样是消耗十万Token，价值差可能在一个数量级以上。前者只是“提效”，后者才是“创造”。

但问题是，大部分企业还卡在前者。大家需要一个时机，一个总成本与总价值翻转的动态拐点。这就是“第三定律”：奇点定律。

这张奇点曲线图，纵轴是Token总成本和总价值，横轴是时间。在奇点之前，成本曲线陡峭上升，价值曲线平缓爬坡。两条线之间“落差”，就是企业焦虑的来源。

阿木认为，随着企业用量增加，Token总成本一定会上升，与此同时，AI智能体体现的价值也在上升和释放。当总Token成本与总Token价值的曲线相交之时，就是AI价值大爆发之时。

“我们现在还处于打磨石斧的阶段。石器时代的先民打磨一块石头，可能要花很长时间。但一旦这把石斧能用了，整个部落的狩猎效率会发生质变。”阿木说。

02、奇点前的“哑铃型”生存

那么，这个奇点何时才能出现？

阿木把企业AI应用分了五级阶梯：第一级验证价值，第二级AI当工具提效，第三级把AI当生产力大规模投资，第四级分域嵌入流程，第五级整个公司成为AI原生组织。

他判断，奇点发生在第三级到第四级之间。“2026年正在发生的是第三级，刚刚开始。”换句话说，现在正是最痛苦的时候，钱已经砸进去了，但创新的规模化还没起来。

且不说尚未形成规模的中小企业，连很多大厂都熬得很艰辛。

火山引擎总裁谭待此前接受媒体采访时曾指出，智能体产品Token消耗极快，核心问题不是Token贵，而是任务完成过程中大量无效探索。“如果模型能力不足，即使单Token价格低，用户依然需要消耗10倍甚至20倍的Token才能完成任务，最终造成更大浪费。”

小米集团MiMo负责人罗福莉在社交平台上进一步判断：“全球计算资源增长的脚步已跟不上Agent带来的Token需求增长。真正的出路不是提供更便宜的Token，而是让‘更高效的Agent框架’ב更强大且更高效的模型’协同演进。”

对大多数企业而言，问题不是“该不该用AI”，而是在奇点到来之前能不能健康地活下来。谁会助推这个奇点的到来？是头部大厂来领导，还是整个市场参与者的齐头并进？DoNews将这一问题抛给阿木后，他给出一个值得探究的答案。

阿木观察到，当下的AI产业呈现出明显的“哑铃状”分化。

哑铃的一端，是金融、互联网公司等数字化水平极高的头部企业。他们在过去十年砸了海量资金做信息化，有数据基础，有技术人才，AI落地相对顺畅。哑铃的另一端，是AI原生初创公司，他们一出生就在AI上构建业务，没有历史包袱。

真正焦虑的，是哑铃中间那段。阿木透露，联想的咨询项目中，约三分之一是信息化咨询，“有的企业连SCP系统都没上”；另有三分之一是数字化咨询，“能不能先帮我打通数据平台”；只有剩下的三分之一，才是AI落地咨询。

很多传统企业连“把流程变成程序化软件”这一步都没走完，就要引入AI。这种“补课”和“赶路”同步进行的窘境，让Token的消耗极易陷入投入产出的成本黑洞。

为此，联想将“三大定律”的推演转化为一套切实可行的产业落地方案。从基础设施层面的降本，到推出AI Foundry与FDE（前置的开发交付一体化）模式，将专家的现场交付经验沉淀为自动化平台，帮助企业把每一个Token的调用精准映射到可衡量的业务指标上。

奇点之后会是怎样一种情形？阿木是这样描述的，在跨越奇点之前，企业用AI主要体现在存量效率改善和降低浪费，并没有创造增量价值。奇点之后，AI开始规模化创新，比如新药发现、新材料设计、跨领域突破，“这些是净增量，是以前根本做不到的事。”

届时，企业将进入价值增量超越成本投入量的全新正循环。

03、提高需求侧的话语权

然而，在产业端形成大规模的正循环之前，有一个严重的现实情况被阿木反复提及，即目前Token的定价权完全由供给方决定。

全球巨头榜单中，供给算力、模型交互方法或大模型的企业估值极高，他们在讲一个“算力稀缺”的故事——芯片供不应求，大模型训练费钱，所以Token就应该值这个价。

阿木提出了犀利的质疑：“如果算力真的稀缺，那它应该创造了巨大的价值才对。但用的人，有谁能像供给方一样实现估值重构？”

需求侧的回答往往是沉默，原因在于太分散了，千千万万的企业和个人，没有统一的渠道，也没有统一的议价能力。

而当前Token的定价体系，远不如表面看起来那么公开。DoNews在会后交流环节提出几点疑问：所谓的中低端、泛用型的Token，与代表行业天花板、具备超级推理能力的顶级Token，是否有明确区分标准？在没有统一的标准下，Token定价逻辑是否过于简单？应基于成本还是任务完成度？若消耗Token但产出未达预期，现有定价是否合理？

对此，中国信息通信研究院信息化与工业化融合研究所副所长黄伟认为，输出质量的高低受多种因素影响，包括模型性能、数据集质量，以及用户提示词的精准度等。目前国内大多按租赁方式定价，比较粗放，难以评估质量。

他进一步表示，用户的感知是重要的评判标准，最终解决可能仍需依靠市场竞争。但有一点很明确，随着行业竞争加剧，确保高质量稳定输出、提升用户体验是大的方向。黄伟认为，深入垂直行业（如编码、金融、医疗），掌握足够行业知识和经验，结合模型训练和算力支持，才能提供真正高质量的服务。

事实上，黄伟在分享中也直击了Token计费模式的一些痛点：

第一，成本黑箱。同样是Token，GPU的型号、采购量、是否搭售软件，每一项都在影响最终的分摊。更隐蔽的是电价差异：西北部分地区电价两三毛，东部普遍六七毛——整整三倍的成本差，最终都摊进了Token定价里。

第二，计量混乱。不同模型对同一段文本的切分方式不同，同样是100万Token，在不同模型里承载的信息量可能差出不少。黄伟直言，同样的文本，计费差异可达数倍。

第三，价值脱节。缓存命中与缓存未命中之间，价格差距可达上百倍。有服务商暗中降低模型精度节约成本，用户却无感知。

Token必须拥有一把统一的“标尺”，就像工业时代的“千瓦时”统一度量电力、互联网时代的“GB”统一度量数据流量一样。

但在统一标准落地前，一个更根本的问题被阿木提了出来：“假设做出一个智能体，它的损益表能不能算出来？”这一点，目前没有企业能做到。一个员工有工资、有考核、有五险一金，但智能体的产出和成本之间没有对应关系，投入了多少Token，产出了多少业务价值，这件事多数企业说不清。

“AI原生组织需要四个配套——组织、底座、治理、投资，目前多数企业一个都没到位。”阿木总结。对于企业来说，别盯着曲线的奇点苦等，低下头把组织的“四个配套”补齐才是关键。

Token狂飙这半年，亢奋与焦虑交替主宰着市场的情绪，这条奇点定律精准地描摹了这种撕裂。

不过，奇点毕竟只是一个数学概念，真正值得追问的或许并不是“奇点什么时候来”，而是当它来临时，你的企业准备好了吗？

而这也恰恰印证了联想的做法，“有效Token”的释放，取决于“Harness工程深度”，而Harness工程的核心，不在代码，在人。

注：文内图片除特殊标注外，均由联想提供