■陈波 元宝
2026年3月23日，国家数据局局长刘烈宏在中国发展高层论坛2026年年会上公布，Token的中文译名为“词元”。“词元”这一中文定名的公布，标志着以Token为价值载体的智能经济，已从技术领域进入国家视野。这背后的原因是Token调用量的惊人增长，其在不到1年的时间里特别是近几个月以来爆发式增长，体现了“人工智能+”行动正在快速全面落地，智能体正在快速规模化应用。这里面蕴含着生产要素的深刻变革，也蕴含着价值创造逻辑的根本性重构，由此催生了词元经济这一新的经济形态。对词元独特经济属性的剖析，不仅关乎对当前增长动能的解读，更关系到对智能时代经济规律的前瞻性把握。系统研究词元经济，探索其带来的理论挑战与治理新命题，对于我国抢占智能经济发展制高点、引领新质生产力跃迁，具有至关重要的战略意义。
一、词元调用量真实反映人工智能应用程度
Token（词元）之所以受关注，是因为其调用量以超快速度增长。据国家数据局的监测，我国日均Token调用量从2024年初的约1000亿激增至2026年3月的140万亿，26个月的时间增长1400倍；相比2025年底的100万亿，短短三个月又增长了40%以上。在世界范围内看，中国是Token调用量最大的国家，调用量是排名第二的美国的近2倍。全球最大AI模型API（应用程序接口）聚合平台OpenRouter数据显示，2026年3月16日至22日，全球AI大模型总调用量为20.4万亿Token，其中中国AI大模型的调用量为7.359万亿To?ken，占全球的36%，连续三周超过美国的3.536万亿Token调用量。摩根大通甚至预测，2025年至2030年，中国To?ken消耗量年复合增长率将高达330%，5年增长400倍。中国的AI推理Token消耗量预计将从2025年的约10千万亿增长至2030年的约3900千万亿。
Token的重要性更体现在它是数智服务的产出单元和计价基准。过去信息服务的产出单元和计价基准是字节，有了人工智能大模型以后，Token（词元）成了人工智能大模型提供服务的产出单元，随之发展成为计价基准。词元调用量的快速增长是智能体快速发展的结果。2026年被产业界普遍视为“智能体（AI Agent）规模化应用元年”。因大语言模型（LLM）的技术突破，智能体实现了深度语言理解、知识推理与代码生成的能力跃升，由此带来在各种应用场景中的规模化落地，创造出了显著经济价值，甚至还发展出具备自主规划、工具调用与持续学习能力的“数字员工”。智能体技术的快速发展使得各种智能体产品如雨后春笋一般冒出，并且在短短的几个月时间内就呈现百家争鸣局面。有结论认为，智能体已经从一个前沿技术概念，迅速演变为结构清晰、生态活跃的千亿级新兴产业。
词元的调用量可以用来体现人工智能应用程度，对落实“十五五”规划具有重要作用。智能化和人工智能技术的发展和应用在国家“十五五”规划纲要中得到了高度重视。在纲要第二篇“建设现代化产业体系，巩固壮大实体经济根基”中，开篇即提出“坚持把发展经济的着力点放在实体经济上，坚持智能化、绿色化、融合化方向”。在第三篇“加快高水平科技自立自强，引领发展新质生产力”中，将人工智能技术列为前沿科技攻关首要技术，其中还明确要深化可解释、可决策等关键算法研究。第四篇即“深入推进数字中国建设，提升数智化发展水平”，深刻表明数智化在整个规划纲要中的基础性重要作用。其中明确提出，加快数智技术创新，深化拓展“人工智能+”。还提出，全面实施“人工智能+”行动，加强人工智能同科技创新、产业发展、文化建设、民生保障、社会治理相结合，抢占人工智能产业应用制高点，全方位赋能千行百业。
词元的超快速增长是一种特殊的经济现象，其快速增长突显了对词元经济进行深入研究的必要性和迫切性。
二、词元具有独特的经济属性
词元具有与传统经济要素不一样的经济属性。词元本质上是一种数据类型，数据相对于劳动力、资本、管理、技术等生产要素，已经是一种独特的生产要素。词元作为一种数据类型具有数据生产要素的固有属性，同时又有自身的独特性。深入研究分析词元的特殊经济属性，就是探求智能经济与众不同之处，可能意味着对经典经济理论的范式革命。了解和掌握词元的特殊经济属性，政策制定者将能够更加准确地判断形势并做出决策。
（一）词元经历了从技术参数到经济基本单元的发展过程
词元在技术上原本是一种标准化的数据类型，是自然语言处理（NLP）过程中将连续文本离散化、结构化的基本单位。这种技术定义看似简单，却蕴含着深刻的经济学意义。在传统信息处理中，数据多以非结构化形式存在，需要经过复杂的人工处理与解读转化为结构化数据，才能够产生和实现经济价值。词元的产生也经历了这样一个过程，各种非结构化的语言通过处理转化为可计量、可交换的标准化单元，实现了信息价值的可度量性与可交易性，这是数据要素市场化的关键前提。
词元这种数据类型的经济属性体现在三个维度上。首先，词元实现了信息的标准化封装。无论是文本、代码还是多模态信息，最终都被转化为统一的词元序列，这使得不同来源、不同格式的智能服务具备了可比性与可替代性。其次，词元建立了精确的计量体系。国家数据局之所以能够监测我国日均词元调用量，就是各个大模型平台已经将词元作为标准计量单位进行了统计，不仅给用户显示大模型使用量，还是向使用者收费的准确依据。最后，基于词元形成了透明的定价机制。目前，主流大模型对调用量普遍采用“每百万词元”方式计价，这种价格透明化是传统数据交易难以实现的。
词元这种数据类型的经济属性体现在它的产品属性和商品属性是同时产生的。与传统数据产品需要先生产后消费不同，词元是在用户调用模型的瞬间“生产”出来的，是典型的“按需生成”数据。这种特性使得词元经济具有极致的需求响应能力与资源利用效率。当用户提出问题时，模型并非从预存答案库中检索，而是动态生成符合语境的词元序列。这意味着词元的价值不仅取决于其包含的信息内容，更取决于生成时的具体场景与用户需求，呈现出高度的情境依赖性与价值不确定性。
从产业实践看，词元这种数据类型已经形成了完整的技术栈与生态体系。体系底层是Transformer等神经网络架构，中层是GPT、Deep?Seek、文心一言等大模型，上层则是基于应用程序接口（API）调用的各类应用。这种分层架构使得词元的生产（模型训练）与消费（API调用）实现了专业化分工，训练阶段投入的巨额固定成本（如GPT-4训练成本超1亿美元）通过海量调用被摊薄，最终实现边际成本趋近于零（生成百万词元成本不足1美元）。正是这种独特的数据生产消费模式，使得词元经济具有“高固定成本、趋零边际成本”的特殊结构性特征。
（二）词元具有数据这种非传统生产要素所有的特点
当我们将视角从“数据类型”提升到“生产要素”时，数据（包括其具体形态“词元”）展现出了与传统生产要素（土地、劳动、资本）根本性的经济学差异。这些差异构成了理解词元经济的理论基石。
一是数据这种生产要素具有非竞争性与无限复用性。传统生产要素具有竞争性，一人使用则他人无法同时使用。而数据要素具有非竞争性，即一人使用不影响他人使用。在词元经济中，同一个训练好的大模型可以同时服务数百万用户，每个用户获得的词元序列都是模型根据其具体查询“实时生成”的专属输出，但模型的知识与能力并未被消耗。这种非竞争性使得数据要素的边际成本在达到一定规模后可以无限趋近于零，彻底颠覆了基于稀缺性的传统价值理论。这就解释了为何头部大模型厂商能持续实施大幅降价策略，其本质是通过极致的规模效应，将天价的固定训练成本（数亿至数十亿美元）摊薄至海量的调用中。
二是数据这种生产要素具有正外部性与强化型网络效应。传统生产要素的投入产出关系通常遵循边际报酬递减规律。而数据要素具有强烈的正外部性，其价值随使用规模和应用场景的扩大呈指数级增长，形成“数据飞轮效应”。在词元经济中，这一特性表现为：更多用户调用-产生更多高质量交互数据-用于优化模型-模型性能提升吸引更多用户，这是一个不断强化的循环过程，是一种自我强化的正反馈机制。这使得市场难以收敛于静态均衡，而更容易形成“赢家通吃”或寡头垄断的动态非均衡结构。
三是数据这种生产要素价值实现具有强场景依赖性与非标准化特点。土地、资本的价值相对稳定，劳动的价值也主要由市场工资率决定。而数据要素的价值高度依赖于具体应用场景，同一组数据在不同场景下可能产生数量级差异的经济价值。对于词元经济，这意味着完全相同的百万词元的输出，若用于娱乐闲聊、辅助编程或医疗诊断，其创造的经济价值和社会效用天差地别。这种价值的极端不确定性，使得传统基于“生产成本”的定价理论完全失效。因此，我们看到词元市场的定价普遍抛弃了边际成本定价法，转而采用“价值定价”（基于产出的效用）、二部定价（订阅费+使用费）等策略。
四是数据这种生产要素具有投入产出的非线性与阈值效应。传统生产要素的投入与产出通常呈连续、平滑的变化关系。而数据要素，特别是用于训练大模型的数据，其投入与产出之间存在显著的非线性关系和阈值效应。在模型训练中，数据量、算法复杂度与算力投入需要同时达到某个临界点，模型能力才会发生质的飞跃（如从GPT-3到GPT-4的跃迁）。这种“涌现”能力无法用简单的边际增量来解释。这给宏观经济分析带来挑战，传统生产函数（如柯布-道格拉斯函数）无法刻画“智能资本”的独立贡献，如果在生产函数中引入“智能资本”这种要素，则要考虑和处理其中的非线性动力学特征。
（三）词元作为一种独特的数据要素在数据普遍性中还有其特殊性
词元是数据要素中一种具有主导性、标准化的计价数据类型。其在具备数据要素普遍属性的同时，更表现出诸多极端化、显性化的特殊经济属性。正是这些特殊性，使得词元经济对现实市场和传统理论构成了最为直接的冲击。
一是词元成本结构极端“L型”化，具有规模经济的终极形态特点。数据要素的非竞争性，在词元经济中具象化为极度夸张的“L型”成本曲线。这是对传统“U型”成本曲线的根本性颠覆。模型训练阶段是一次性的、天文数字级的固定成本投入（涵盖算力租赁、数据采购、算法研发）。然而，一旦模型训练完成，进入推理服务阶段，生成每一个额外词元的边际成本（主要为电力和设备折旧）极低且基本恒定。这导致了人类经济史上可能最极致的规模经济，即用户和调用量越大，单位词元分摊的巨额固定成本就越低，平均成本曲线持续下行，且看不到传统制造业中因管理复杂度上升而带来的规模不经济拐点。这完美解释了2024年-2026年间主流模型API价格暴跌60%-80%而市场总收入却翻倍增长的现象--本质是规模扩张摊薄固定成本后的必然降价与市场扩容。
二是词元市场是动态非均衡的，具有“赢家通吃”的锁定效应。数据的网络效应，在词元经济中表现为强大的市场锁定效应和路径依赖。由于数据飞轮（更多使用到更好模型）和开发生态依赖（更多应用基于某API构建），市场一旦形成领先者，其优势就可能不断自我强化，难以收敛于静态竞争均衡，而是处于动态非均衡状态。当前，基础模型层已形成极高的算力、数据、人才壁垒，全球核心玩家不足10家，呈现寡头格局；而应用层则得益于开源模型和微调技术，呈现充分竞争的长尾市场。竞争范式已从价格战彻底转向“智能性价比”之战。用户决策函数改变，愿意为性能提升支付溢价，这迫使厂商竞争焦点从成本控制转向持续的技术“军备竞赛”。控制底层模型API的巨头，实质上把持了智能经济的“入口”，其盈利模式从出售产品变为收取具有溢价权的“智能税”。
三是词元价值实现产生“通缩-通胀”分裂，导致宏观经济政策困境。数据的场景依赖性，在宏观层面外化为一种史无前例的价格水平结构性分裂，即“成本通缩-资源通胀”二元悖论。一方面是服务端通缩。AI（通过词元调用）极大地降低了知识密集型服务的生产成本。机器翻译、代码生成、文案撰写等价格断崖式下降，为全社会带来巨大的“技术红利”和隐性消费者福利提升。一方面是资源端通胀。支撑AI运行的物理基础资源--高端图像处理器GPU（如H100）、高带宽存储器HBM、数据中心电力--需求爆发式增长，驱动其价格持续上涨。2025年，我国AI算力需求增速（约150%）远超高端GPU供给增速（约40%），供需缺口推动成本上升。这种分裂使得传统通胀指标（如CPI）可能严重“失真”，难以反映真实经济成本结构。货币政策因此陷入两难，如果为抑制资源通胀而收紧货币，可能阻碍或迟滞正在蓬勃发展的AI服务创新与通缩红利；若放任不管，算力成本压力在一段时间内可能传导至整个经济体系。
四是词元这种要素在核算与统计上存在“三重失灵”问题。首先是核算失灵。企业购买API服务（形成“智能资本”）在财务报表中常被记为费用而非资产，导致企业真实价值和宏观投资数据被扭曲。其次是统计失灵。大量零边际成本的AI服务（如免费API额度、开源模型）创造的巨大消费者剩余，因无法定价而完全未被计入GDP，导致数字时代真实社会福利被系统性低估。再次是监管失灵。传统反垄断工具，如基于市场份额和价格歧视，难以应对“算法权力”垄断，如控制关键API接口和生态锁定。另外，基于实体商品成本加成逻辑的监管，在边际成本趋零的数字服务市场几乎失效。
三、词元独特经济属性带来的挑战及建议
词元独特的经济属性对现有经济治理体系构成了系统性挑战，亟须在统计监测、竞争政策与理论范式三个维度进行创新，建立更适应发展需要的治理体系。
一是完善统计监测体系。现行国民经济核算体系（SNA）难以捕捉词元经济的真实价值。企业API调用被记为中间消耗而非资本形成，导致“智能资本”投资被低估；大量零价格AI服务创造的巨大消费者剩余完全游离于GDP统计之外，造成数字经济时代真实福利被系统性低估。词元调用量月均两位数的增长速度，现有统计体系无法准确反映这一增长的经济意义。应该构建与之相适应的统计制度，涵盖词元调用量、算力利用率、模型性能价格比等核心指标的月度统计发布制度。
二是健全相关竞争政策。传统反垄断理论关注市场份额与价格歧视，而词元经济的垄断可能表现为对关键模型API接口的排他性控制；基于实体商品“成本-利润”逻辑的监管工具，也不适用于边际成本趋近于零、具有强网络效应的数字服务市场。监管重点需从分拆企业的“结构救济”，转向保障公平接入、要求算法透明与可解释的“行为救济”与“算法治理”，建立与词元经济和智能经济相适应的竞争政策范式。
三是创新经济学理论研究。词元经济暴露了经典经济学范式的多重局限，例如：生产函数无法刻画智能资本的贡献；均衡理论难以解释动态非均衡状态；边际成本定价法在边际成本趋零时失效；科斯的企业边界理论受到智能体降低交易成本的挑战。理论是服务于实践的，经济学要建立能够处理非竞争性商品（模型）、竞争性资源（算力）、正外部性（数据网络效应）和动态规模报酬递增的新分析框架。
词元经济是新事物，我们应以科学统计准确观测真实经济运行状况，弥补传统核算盲区；应由国家统筹布局夯实算力基础设施底座，防止关键资源垄断抑制创新；应建立适应性监管框架驾驭新型风险，更好平衡规范与发展；要鼓励基础理论创新，并积极参与国际规则塑造，争夺智能经济时代的国际话语权。唯有通过系统性、前瞻性的制度创新，才能将我国超大规模市场、丰富应用场景与海量数据（603138）资源的优势，切实转化为在人工智能时代的技术优势、产业优势与规则优势。
（作者单位：中国经济时报社，腾讯旗下AI助手）
主 编丨毛晶慧 编 辑丨蒋 帅
扬帆配资提示：文章来自网络，不代表本站观点。
