由白惠天、袁晓辉、司晓合著的《Token经济》一书，提出了一个很有吸引力的判断：Token（词元）正在成为AI时代度量智力的标准计量单位。人类曾用蒲式耳计量粮食，用桶计量石油，用千瓦时（kWh）计量

　　但细读之下，我心里一直有一个疑问：Token真的有资格承担这么大的意义吗？《Token经济》最大的潜在风险，是把今天大模型产业的“水表”，当成了未来智能经济的“货币”。

　　严格说来，计量单位与货币原本就是两个层次的概念。但一旦一个技术指标被视为未来智能经济最核心的价值尺度，产业的注意力、资本与话语体系便会不自觉地向它聚拢，真正决定价值创造的因素反而可能被遮蔽。

　　今天，我们如此关注Token，很大程度上源于大模型产业当前的技术结构和商业模式。用户输入一句话，模型把语言切分成Token，再根据输入、输出和推理消耗计算成本，平台最后按照Token数量收费。对于开发者来说，Token直接决定API调用成本。对于模型公司来说，Token也很重要，因为它连接着算力消耗、模型效率和营收。

　　但重要性不等于本质性。Token首先是一种技术计量和商业计费机制。我们不妨作几个类比：出租车按里程收费，但没有人认为“公里”是出租车行业的核心资产。律师按小时收费，法律服务行业也从未因此成为“小时经济”。云计算曾经按CPU小时、存储容量和流量收费，但企业真正关心的，是一套业务系统能不能稳定运行，很少有人会把CPU时钟周期看成数字经济的基本单位。

　　电信行业也走过类似路径。上世纪的长途电话按分钟计费，后来的移动数据业务按MB（兆字节）计费，而今天大量用户购买的都是“不限量套餐”。运营商真正出售的，早已不是通话时长或流量本身，而是“随时在线”的连接能力和使用体验。

　　Token很可能重复同样的命运。它可以精确记录模型工作了多少，却未必能够告诉我们模型创造了多少价值。企业花费1000万个Token，最终看重的是它能带来什么：一段可运行的代码、一份可靠的合同审查、一张可用的设计图、或者一个能独立完成任务的智能体。

　　同样是1000个Token，有时只是写一封普通邮件，有时却可能帮助程序员找到一个严重的软件漏洞。一个模型用5000个Token得出了正确结论，另一个模型用5万个Token绕了一大圈仍然答错。倘若我们坚持说Token衡量的是智力，就会遇到一个无法回避的问题：消耗更多Token，究竟意味着智力更强，还是意味着模型效率更低？

　　这也是Token和千瓦时的本质分野。一千瓦时是一种稳定的物理量，无论来自煤电、核电还是光伏，在物理意义上都可以比较。Token则高度依赖模型架构、分词算法（tokenizer）、推理策略和任务类型。同一句话，在不同模型里可以被切成不同数量的Token；同样数量的Token，在不同模型里也可能对应完全不同的能力。一个计量单位如果连“一份”的定义都无法在不同厂商间统一，就很难承担跨平台的统一价值尺度，更谈不上真正意义上的“货币”。

　　所以，Token更像一块“水表”，记录管道中流过了多少水，却无法告诉我们这些水最终灌溉了一片农田，还是白白流进了下水道。与此同时，AI产业正在迅速驶离“按Token理解智能”的阶段。今天多数人使用大模型，仍习惯提出一个问题，等待一个回答。但智能体的兴起正在改写这套交互逻辑。未来越来越多任务会变成：“帮我安排一次旅行”“帮我完成一份尽调”“帮我优化整个供应链”“帮我设计并运行一场营销活动”。

　　这类任务背后，可能包含几十次模型调用、上百次搜索、多个外部工具调用、不同模型之间的切换，甚至多个智能体之间的协作。对最终用户来说，这个过程消耗了多少Token，会越来越像汽车发动机每分钟转了多少圈，技术上重要，商业感知上却日渐模糊。

　　用户真正愿意付钱的，是结果。如果一个智能体替企业完成一份过去需要十名咨询顾问工作两周的报告，企业关心的不会是它用了2000万个还是5000万个Token，而是这份报告是否值得信任、能否直接支撑决策，以及相比过去，成本究竟降低了多少。

　　一旦AI从回答问题走向完成任务，计价方式也会随之变化。市场可能从按Token付费，走向按任务付费；从按调用次数付费，走向按结果付费；再往后，甚至可能出现按节省成本、增加收入或者成功概率付费。这种迁移已初现端倪，一些法律科技公司开始按审完一份合同收费，而非按调用次数。部分编程智能体也在尝试按“合并的代码请求”（Pull Request）而非按Token计费。计价单位，正在从底层资源悄悄爬升到交付成果。

　　这是很多产业走向成熟时反复出现的规律。技术早期，人们习惯为底层资源付费；技术成熟以后，收费逐渐向最终价值靠拢。早期卖CPU和存储，后来更多企业购买的是数据库、办公软件和完整业务能力。制造业早期购买机器，后来可以购买产能。AI也很可能沿着同样的方向演化。

　　因此，未来真正重要的经济单位，很可能不是Token，而是任务。更准确地说，是一项具有明确结果、质量标准和责任边界的智能任务。

　　今天，我们尚且难以对这样的任务做统一标准化。一份合同审核和一次客服回复的复杂程度完全不同，一个科研问题和一次酒店预订更无法放在同一把尺子上衡量。但AI经济逐渐成熟之后，市场也会逐渐形成新的任务分类、质量标准和结果定价体系。谁来为任务失败负责？是提供模型的公司，是编排流程的智能体开发者，还是最终使用结果的企业？这个问题今天几乎无解，但它终将比“用了多少Token”重要得多。

　　到那时，Token仍然存在，只是更多地退到基础设施后台。就像今天很少有人在刷短视频时关心数据包传输了多少字节，也很少有人在打车时关心发动机转速。底层计量依然存在，但已不再决定普通人如何理解一个产业。

　　从这个角度看，《Token经济》抓住了一个非常真实的现象，却也可能把一个阶段性现象，描绘成了更持久的规律。Token的重要性当然不容低估。它让AI公司第一次能够把模型推理成本精确折算为商业账单，也倒逼企业开始思考机器智力的使用效率。没有Token这样的底层计量，今天大规模的AI商业服务根本无从谈起。

　　但能够计量，只是经济活动形成的起点，不等于是价值的终点。石油按照桶计量，但石油经济真正改变世界的地方并不是“桶”本身。互联网依靠比特运行，但互联网最重要的商业模式最终也没有建立在“卖比特”之上。搜索、社交、电商、广告、云服务，最终都创造出远超底层信息单位本身的经济结构。

　　AI同样不会停留在卖Token这个阶段。可以想象，当未来大量智能体之间自动调用、协作、结算时，人类可能根本不会看到Token。一家公司的采购智能体会自动选择最合适的模型，比较不同供应商的价格和质量，然后完成结算。管理者最终看到的，可能只有两个指标：这项任务花了多少钱，完成质量是多少。

　　到那一天，我们今天津津乐道的百万Token价格，会像今天几乎无人讨论每兆字节流量单价一样，悄然沉入基础设施的底层。所以，真正值得追问的，是当Token逐渐退到后台之后，智能经济会用什么计价，又会围绕什么重新组织。

　　如果智能越来越便宜，市场真正愿意为哪些东西支付溢价？我更倾向于三个东西：任务、结果和责任。任务决定智能被用在哪里，结果决定它创造了多少价值，责任决定错误发生以后谁承担后果。这三件事，远比模型消耗了多少Token，更接近经济活动的本质。

　　Token为智能经济装上了第一块水表，但当这套体系真正成熟时，人们更关心的，将是这些智能被用在何处、创造了什么价值。