“現(xiàn)在還沒到為了Token省錢的時候。”

作者丨陳悅琳 王森怡

編輯丨趙之齊

想讓大模型替自己賣命，一查Token賬單，卻有一種“重生之我為大模型公司打工”的錯覺。

這樣的案例，已經(jīng)開始在不少企業(yè)內(nèi)部上演。

盡管過去一年里，每百萬Token的推理成本大約下降了75%，但成本下降的曲線遠(yuǎn)遠(yuǎn)比不過消耗量增長的斜率。

全球最大的大模型API聚合平臺OpenRouter統(tǒng)計數(shù)據(jù)顯示，截至2026年3月，其年化Token吞吐量呈現(xiàn)10倍增長。

與此同時，資本市場也用腳投票——Anthropic年化收入在短短三個月里突破300億美元大關(guān)，增幅約為233%……

面對Token消耗量至少翻了一個數(shù)量級的現(xiàn)實，“如何在高效使用Token的同時有效控制成本”的問題隨之而來。為此，雷峰網(wǎng)邀請3位來自產(chǎn)業(yè)鏈不同環(huán)節(jié)的一線大佬共同解讀Token膨脹背后的效率賬本：

• 尚明棟：九章云極聯(lián)合創(chuàng)始人兼COO ，原微軟服務(wù)器高可用集群文件系統(tǒng)核心開發(fā)工程師，曾參與發(fā)布Windows 7和Windows 8，是SMB 3.0的主要擬草人之一。

• 肖嶸：云天勵飛副總裁、首席科學(xué)家、正高級工程師，歷任微軟研究院高級研究員、微軟必應(yīng)搜索資深軟件工程師、平安產(chǎn)險人工智能部總經(jīng)理等。

• 關(guān)濤：云器科技聯(lián)合創(chuàng)始人、CTO，分布式系統(tǒng)和大數(shù)據(jù)平臺領(lǐng)域?qū)＜?，曾任職于微軟云計算和企業(yè)事業(yè)部，歷任阿里云計算平臺事業(yè)部研究員、阿里巴巴通用計算平臺MaxCompute和Dataworks負(fù)責(zé)人、阿里巴巴和螞蟻集團技術(shù)委員會計算平臺領(lǐng)域組長、阿里云架構(gòu)組大數(shù)據(jù)組組長。

在這場圓桌討論中，身處產(chǎn)業(yè)一線的大佬們達成共識：在Agent介入生產(chǎn)環(huán)節(jié)的元年，成本暫時不是企業(yè)賬單的第一位，真正值得關(guān)注的是——花在AI上的每一分錢，是否換來了足夠分量的業(yè)務(wù)價值？

順著這個共識追問，一個更實際的問題浮出水面：如何提高Token使用的性價比，讓花在AI上的錢更好變現(xiàn)為業(yè)務(wù)價值？這正是本場討論的核心所在。（關(guān)于Token消耗與成本優(yōu)化，作者持續(xù)追蹤。歡迎添加作者微信Evelynn7778交流你所在企業(yè)的Token賬單故事。）

01

Token消耗殺手：

路徑錯誤、長上下文、模型超配

如何把AI接入工作流，已是當(dāng)前許多企業(yè)都在關(guān)心的問題，然而，這背后有許多陷阱。

首先，高消耗未必等于高價值。

當(dāng)前的AI，并不能完全像人類一樣基于環(huán)境的實時狀態(tài)做出最快的選擇。得到結(jié)果看似與人工相同，但AI在不經(jīng)意間消耗的Token量卻可能令人咋舌。

尚明棟舉例，同樣面對“缺乏管理員權(quán)限”等常規(guī)運維場景，碼農(nóng)簡單輸入類似sudo（Linux/Mac系統(tǒng)中用于臨時獲取管理員權(quán)限的指令）的命令就可以馬上進入下一步。

但大模型卻易出現(xiàn)路徑冗余、方案繞遠(yuǎn)的問題，例如采用重新編譯源碼的復(fù)雜方式繞過簡單權(quán)限限制，造成大量無效Token消耗。

其次，即便讓AI做同一件事，路徑選擇也至關(guān)重要。

關(guān)濤曾經(jīng)遇到一位客戶在對話窗口里，要求大模型直接瀏覽一份一萬行的訪問日志并進行數(shù)據(jù)統(tǒng)計。他指出，這種做法不僅效率低，而且得到的結(jié)果極容易出錯。

因為大模型的本質(zhì)是概率預(yù)測，數(shù)學(xué)運算是其弱點。

面對這類計算任務(wù)，選擇直接在對話窗口輸入文本，相當(dāng)于只讓AI做文字閱讀理解；只有通過上傳文件的方式，才能調(diào)用Python等專業(yè)工具，實現(xiàn)真正有效的數(shù)據(jù)分析。

有時，為了彰顯大模型的能力，客戶會事無巨細(xì)地調(diào)用最高性能的大模型，但這是否有必要？

尚明棟的回答是否定的，因為簡單的任務(wù)交由性能一般的模型也能完成。肖嶸認(rèn)為，可以將不同性能的大模型比作不同能力的學(xué)生。復(fù)雜任務(wù)可讓能力更強的大學(xué)生拆解后交由中小學(xué)生來完成。后者如果在執(zhí)行時遇到困難或經(jīng)多次嘗試后仍無法交差，大學(xué)生再介入指導(dǎo)和兜底。

為了任務(wù)分配能符合學(xué)情，關(guān)濤還按照性價比與穩(wěn)定性兩個維度，進一步將不同場景劃分為四個象限：

SQL代碼遷移等低性價比、高穩(wěn)定性的場景不適合大模型直接下場，應(yīng)該利用大模型搭建專門的解決工具；AI Coding等高性價比、低穩(wěn)定性場景，鼓勵使用最好的模型，以效率換取價值；而“雙低”場景不宜強行用AI替代；“雙高”場景建議先用最好的模型把場景跑通，驗證效果后再逐步切換至性價比更優(yōu)的模型。

但關(guān)濤也坦言，當(dāng)前每家大模型的迭代周期基本壓縮至三個月，模型的能力和性價比因此變得難以預(yù)測。對此，云器科技通過內(nèi)部打造的可觀測系統(tǒng)，追蹤每個模型的調(diào)用成功率、Token消耗狀態(tài)、Tool Calling能力等指標(biāo)，幫助用戶找最適合特定場景的那一款模型。

此外，對長上下文的追求，也是很多用戶使用性能強大的模型的根本原因之一。但尚明棟指出，一旦內(nèi)容過度堆積，反而導(dǎo)致大模型在處理新任務(wù)時不斷重復(fù)回憶此前的對話內(nèi)容，造成Token的浪費。

關(guān)濤補充道，如果每次對話都攜帶大量歷史，尤其上下文內(nèi)容還被反復(fù)修改時，會導(dǎo)致緩存失效，對推理成本和響應(yīng)性能來說都是巨大損耗。

對此，他給出了一個簡單卻有效的原則：確保上下文內(nèi)容是圍繞同一任務(wù)的，這樣才更符合模型最初始的設(shè)定，且不僅能提升響應(yīng)速度，還能增加命中緩存的概率——而服務(wù)商針對后者所收取的輸入Token費用，一般會比標(biāo)準(zhǔn)單價低。

此外，尚明棟的團隊實測數(shù)據(jù)顯示，僅通過緩存機制這一項，就能避免至少10%的重復(fù)計算。當(dāng)前行業(yè)內(nèi)也已經(jīng)實現(xiàn)這種“外掛”，例如通義千問3.5等新一代模型，已在架構(gòu)層面自帶KV Cache壓縮機制。

02

降本的三個技術(shù)切口：

低精度、稀疏架構(gòu)、數(shù)據(jù)升維

當(dāng)用戶能夠保持高效的使用習(xí)慣，Token賬單的壓力，便傳導(dǎo)到技術(shù)層面。

從算力供給方的角度，尚明棟回憶，去年上半年自家銷售團隊還在四處兜售算力，到了今年就已經(jīng)開始抱怨“無算力可賣”。供給的短缺和需求的大幅上升，倒逼算力供給方優(yōu)化技術(shù)。

尚明棟分享了九章云極在算力云建設(shè)中的工程實踐——基于隨機算法推理等策略，實現(xiàn)PD分離、四層存儲架構(gòu)設(shè)計、將計算、存儲與管理網(wǎng)絡(luò)進行物理分離等目標(biāo)。

具體到模型架構(gòu)層面，方法之一，是尚明棟提到的MoE（混合專家）設(shè)計：當(dāng)萬億參數(shù)規(guī)模的超大模型內(nèi)置這種架構(gòu)時，每次推理實際只需觸發(fā)2至3個專家模型，這相當(dāng)于只調(diào)用了二十分之一的參數(shù)規(guī)模即可完成任務(wù)。

此外，肖嶸還提到DeepSeek下一代旗艦?zāi)Ｐ蚔4可實現(xiàn)記憶剝離的核心架構(gòu)之一Engram。

這一創(chuàng)新設(shè)計提供了一種擴展模型規(guī)模的全新思路，將大模型的參數(shù)拆分為傳統(tǒng)大模型網(wǎng)絡(luò)的參數(shù)（例如Transformer參數(shù)、嵌入層參數(shù)）和存儲“知識”的參數(shù)。前者參數(shù)規(guī)模的增大會顯著增加計算的開銷，后者則無影響。

來到硬件底層，肖嶸以英偉達Blackwell架構(gòu)B300為例，指出了一個關(guān)鍵趨勢：業(yè)界越來越傾向于使用低精度計算。一個明顯的指標(biāo)對比是，F(xiàn)P4比FP8的算力吞吐量提高了約3倍。

但肖嶸也提醒，低精度計算并非“免費的午餐”——它會引入量化和反量化等一系列額外操作。如果沒有硬件層面的專門加速支持，實際收益會大打折扣。

另一方面，Agent技術(shù)的普及對大模型的推理延遲提出極高要求。肖嶸指出，當(dāng)前大模型推理很難做到極高TPS（Token每秒處理速度）的根本原因在于：推理過程中需要高頻訪問大規(guī)模模型參數(shù)以及 KV Cache，這對內(nèi)存帶寬造成巨大壓力。

以Meta的LLaMA 70B為例，假設(shè)模型參數(shù)以FP16形式存儲在HBM中，經(jīng)粗略估算，在1000 TPS場景下，僅模型參數(shù)從HBM向計算核心供數(shù)所對應(yīng)的帶寬需求就可達到百TB/s量級，這一數(shù)量級已遠(yuǎn)超當(dāng)前主流硬件的實際帶寬能力。

正因如此，英偉達才在下一代Rubin架構(gòu)中引入了基于 Groq LPU 的 LPX 推理加速系統(tǒng)，構(gòu)建GPU與LPU協(xié)同的異構(gòu)推理架構(gòu)。

其中，GPU 主要負(fù)責(zé)高吞吐的預(yù)填充與注意力計算，而LPU則針對延遲敏感的解碼路徑進行加速。

此外，LPU還采用高帶寬、低延遲的片上 SRAM 以及數(shù)據(jù)流執(zhí)行架構(gòu)，顯著降低訪存開銷，提升單次推理響應(yīng)速度，并提高單位時間內(nèi)的Token生成密度。（更多算力與算法層面的技術(shù)優(yōu)化，歡迎添加作者微信Evelynn7778探討）

而對于不具備改造算法和算力能力的中小企業(yè)而言，數(shù)據(jù)是撬動AI能力最現(xiàn)實的支點。

關(guān)濤所在的云器科技堅持“數(shù)據(jù)——信息——知識”三級數(shù)據(jù)體系： 首先確保當(dāng)前企業(yè)的數(shù)據(jù)能夠被AI所用，再將企業(yè)的數(shù)據(jù)轉(zhuǎn)化為可共享的知識庫。在這個過程中，同時搭建好反饋鏈路，引領(lǐng)企業(yè)AI化轉(zhuǎn)型。

03

每人每月1000美元：

Token經(jīng)濟學(xué)的第一筆賬

當(dāng)Token利用率盡可能提高之后，從Token經(jīng)濟學(xué)的角度出發(fā)，企業(yè)應(yīng)該如何看待員工的“賬單”？

三位嘉賓對于在Token上的預(yù)算把握已有初步的判斷。

肖嶸透露，一旦處理稍顯復(fù)雜的項目，150美元可能瞬間見底。因此，云天勵飛給研發(fā)人員每人每月配備了一定額度的AI費用。

他認(rèn)為這筆投入極其劃算。因為相比研發(fā)人員動輒三四十萬甚至百萬年薪，Token成本只是人力成本的零頭。

關(guān)濤也印證了這一投入邏輯：當(dāng)前云器科技沒有設(shè)置Token消耗的上限，員工每月在AI輔助開發(fā)上的花銷約500至1000美元，目前已有約20%的員工能做到高效利用。

作為算力供應(yīng)商，九章云極自身的員工外部Token花費月均成本也已達到2000元。

在肖嶸看來，目前仍處于大模型使用的早期階段，遠(yuǎn)未達到理想的效率峰值，企業(yè)還沒到“卷成本”的階段，此刻應(yīng)全面、大膽地?fù)肀Т竽Ｐ汀?/strong>

當(dāng)然，這并不意味著對成本放任自流。肖嶸建議，當(dāng)大模型使用真正進入普及階段后，在面對如何攤薄時間成本的問題時，企業(yè)可利用晚間等低負(fù)載時段錯峰提交任務(wù)，或通過多Agent并行執(zhí)行任務(wù)來提升效率。

此外，訂閱制也是一種選擇。不過尚明棟提醒，有些時候訂閱制只是看起來劃算，因為一旦大模型服務(wù)負(fù)載不穩(wěn)定，性價比反而可能不如按量付費。他強調(diào)，企業(yè)一定要從業(yè)務(wù)價值反推Token消耗的性價比。

關(guān)濤指出，當(dāng)前業(yè)界主流的消耗量是此前的10倍，若沒有達到這個增長數(shù)字，企業(yè)需要反思在AI轉(zhuǎn)型上是否已經(jīng)落后；然而，如果超過了，就要認(rèn)真審視成本結(jié)構(gòu)。

他以一個極其微小的動作為例：大模型每次哪怕是對“Hello”這樣簡單的交互進行回復(fù)，背后都需要一次API調(diào)用。而單次接入成本約5毛錢，當(dāng)每個API都計費、用戶高頻調(diào)用時，這筆原本不起眼的花銷瞬間被數(shù)量級放大。

基于此，就不難理解為什么當(dāng)下“養(yǎng)龍蝦”這件事能和“破產(chǎn)”掛鉤。關(guān)濤團隊實測發(fā)現(xiàn)，按照標(biāo)準(zhǔn)OpenClaw的使用習(xí)慣，每人每月的API花費平均值高達400～500元。

這意味著，為了養(yǎng)一個數(shù)字分身，光調(diào)用API的開銷就已占據(jù)每人月可支配收入的約10%。

除了API的調(diào)用頻率，肖嶸指出，用戶具體使用的大模型也在影響Token賬單。（使用側(cè)還有哪些因素影響Token消耗，歡迎添加作者微信Evelynn7778交流）

他解釋道，參數(shù)規(guī)模越大，大模型處理復(fù)雜任務(wù)的能力越強，所能承載的上下文長度也隨之增加，因此所消耗的Token數(shù)量就越多，對應(yīng)的成本自然水漲船高。

此外，即便處理一樣的Token數(shù)量，參數(shù)越大的模型背后涉及的計算量也越大，這也是中美大模型之間價格懸殊的根源。

肖嶸指出，中國模型傾向于采用極端的稀疏化和輕量化設(shè)計，在大多走免費路線的情況下，力求用盡量少的訓(xùn)練和推理成本實現(xiàn)較強的智能；而美國企業(yè)的模型在參數(shù)規(guī)模上則要激進得多，價格自然也高出一截。

出于長期成本、低延遲或數(shù)據(jù)安全的考量，肖嶸認(rèn)為企業(yè)還可以采用本地部署。他介紹，最新的模型量化壓縮技術(shù)可以在精度無損的情況下，把模型參數(shù)和KV cache參數(shù)分別壓縮至4比特和3.5比特，從而支撐百億規(guī)模的大模型在本地運行。

而具體到硬件選擇，值得一提的是最近因OpenClaw賣爆的Mac mini。它之所以備受青睞，正是因為其統(tǒng)一內(nèi)存和高性能的M系列芯片，以及4000多塊錢的親民成本。

有了Token，單一程序員可掌控的代碼體量躍升十倍，演講者長達兩周的資料準(zhǔn)備時間被大幅壓縮，十幾歲的孩子可以超前學(xué)習(xí)競賽知識、寫程序優(yōu)化游戲代理延遲……

然而，Token賬單的高低，本質(zhì)是API調(diào)用頻次、模型選型與技術(shù)路線共同作用的結(jié)果。不過，比起省錢，現(xiàn)階段更重要的，或許是建立一條將Token變現(xiàn)為業(yè)務(wù)價值的通路。

以下是此次圓桌討論的精彩分享，雷峰網(wǎng)進行了不改原意的編輯整理：

談Token成本及消耗現(xiàn)狀：用量激增10倍，賬單燒不起

雷峰網(wǎng)·胡敏： 從去年開始研究怎么用AI，到今年用上小龍蝦，我自己最大的感受是Token消耗真的有點“燒不起”。想問問三位嘉賓，有沒有感受到Token消耗量的變化？以及讓你們比較“肉疼”的案例？

尚明棟：因為我們既是算力提供者，也是消納者，所以我從兩個視角出發(fā)來談。

從供給端看，去年上半年銷售還在愁怎么把算力賣出去，到今年年初已經(jīng)在抱怨“沒有算力可賣了”——算力消耗在飛速增長。

從消納端看，我認(rèn)為第一個Killer APP可能就是AI Coding。去年年底Claude 4.5出來后，代碼生成質(zhì)量已經(jīng)能支撐“一人公司”。一個資深程序員原來能管理的代碼上限大概2萬～3萬行，現(xiàn)在借助AI Coding可以輕松突破十幾萬行。

我們公司內(nèi)部也大量使用，比如每晚做一次全代碼審核，包括靜態(tài)代碼的掃描、端口的掃描、安全策略掃描，代碼量幾百萬行，一次掃描消耗六七千萬Token——但折算成錢，成本其實并不大。

但也有“壞例子”：比如用人工智能去做代碼生成的時候，裝Homebrew遇到權(quán)限警告，AI不懂用sudo繞過，反而建議你去下載開源代碼重新編譯，這一步可能消耗幾百萬甚至上千萬Token，而實際上人工用一個簡單命令就能跳過。這說明需要人工必要介入，不能全部交給AI決策。

關(guān)濤：我給大家分享兩個數(shù)字。第一個是我們接主流模型時做的實驗：測試API是否通暢，說一句“hello”，模型回一句“我能幫你做什么”——這一個API調(diào)用就要5毛錢。

第二，如果用標(biāo)準(zhǔn)版的OpenClaw（未經(jīng)優(yōu)化），每人每月的API消耗平均在400～500元。對比一下，我國人均月可支配收入也就4000多人民幣，養(yǎng)一個“龍蝦”要花掉十分之一，這個賬單確實夸張。

但也有兩個趨勢：一是每百萬Token成本從去年到今年大概降了75%，從10美元降到2美元左右；二是OpenRouter流量增長約10倍，Anthropic收入增長14倍。成本降了3～4倍，但用量增長了十幾倍。所以企業(yè)如果感覺AI賬單在快速增長，一點也不奇怪。

肖嶸：我們公司給研發(fā)人員每人配了每月較高額度的quota。為什么高？因為一個復(fù)雜任務(wù)跑下來，調(diào)用API搜索分析下來，150美元可能就沒了。

Token消耗未來會增加得更厲害——不只Coding，協(xié)同辦公領(lǐng)域消耗也很可怕。以前做PPT可能需要兩周，還要多人幫忙。現(xiàn)在我把框架搭好，告訴大模型我的觀點，讓它批判或接受，多個Agent同時跑，一天就能產(chǎn)出70多頁專業(yè)PPT。

再說個例子，我們董事長陳寧博士的初中生兒子，他把書丟給大模型，讓模型用更形象、交互的方式解釋，還生成動畫，兩天就學(xué)完了一本三角函數(shù)教材。他玩美國原神網(wǎng)絡(luò)延遲，找大模型聊完天，模型直接寫程序優(yōu)化掉了。所以沒有科班背景的人，借助AI能做出很多想象不到的事情。

Token成本上升的原因我總結(jié)一下：模型越大越好用，上下文越長效果越明顯，這兩個維度都讓Token成本高漲。不同上下文的成本基本呈線性增長。為了服務(wù)效率，比如寫PPT開十幾個Agent也得跑20分鐘，最舒服的是1分鐘出結(jié)果。所以另一個趨勢是：為了生產(chǎn)效率，成本加倍也愿意。

談Token降本策略：不是所有事都該AI干，分層路由+上下文精簡是關(guān)鍵

雷峰網(wǎng)·胡敏： 那么企業(yè)到底怎么省Token？先從使用側(cè)聊起，有沒有實操方法或手冊？

尚明棟：省Token首先要搞清楚Token花在哪，才能對癥下藥。從企業(yè)算賬角度，Token消耗量和效率提升、價值增值要建立映射關(guān)系。首先人群在擴大，最早從技術(shù)人員擴展到全員使用，這是正向的，但要避免浪費：

第一，模型濫用，不是所有任務(wù)都需要萬億參數(shù)的大模型，簡單查詢用小模型即可；

第二，避免上下文堆積——歷史對話和檢索結(jié)果反復(fù)投喂，每輪都在重復(fù)支付成本；

第三，優(yōu)化低效工作流，比如剛才那個Homebrew的例子，人工一個sudo命令就能解決，AI卻繞了一大圈。

從使用者角度，提示詞要短、清晰，能走規(guī)則化流程的就不讓大模型做；控制輸出長度，避免無效重試。

從技術(shù)角度，可以做模型分層路由、KV緩存（至少能避免10%以上的重復(fù)計算），以及優(yōu)化Agent結(jié)構(gòu)減少調(diào)用次數(shù)、降低失敗率。

肖嶸：我補充四個方向：使用側(cè)、平臺側(cè)、大模型側(cè)、硬件側(cè)都有優(yōu)化空間。

使用側(cè)最簡單的方法是“分層”：把模型能力分成大學(xué)生、中學(xué)生、小學(xué)生。讓最強模型（大學(xué)生）做任務(wù)拆解和規(guī)劃，中小模型（中學(xué)生和小學(xué)生）執(zhí)行具體任務(wù)，效果不好再讓大模型指導(dǎo)或親自上手。整體效果差不多，但成本大幅下降。

另外，本地部署7B～14B的小模型也是省錢路子，比如用Mac mini（4000多人民幣）就能跑不錯的模型。最新技術(shù)如Google的TurboQuant，可以把KV Cache壓縮到1/4或1/5，結(jié)合模型的低精度量化技術(shù)，本地部署越來越可行。

還有，控制上下文——不相關(guān)的歷史對話可以壓縮或另開話題。

最后，一定要有自己的提示詞模板，就像公司給新員工發(fā)員工手冊一樣，把常見場景的prompt固化下來，能省大量重復(fù)消耗。會用大模型的人一個人能干5個人的活，差別就在這。

關(guān)濤：我舉三個可避免Token浪費的例子：

第一，用法錯誤——不是所有事情都應(yīng)該交給AI，比如把一萬行訪問日志直接丟給AI做統(tǒng)計，又慢又錯。正確做法是讓AI寫Python程序來處理，或者把數(shù)據(jù)放在專業(yè)系統(tǒng)里用工具做。

第二，上下文信息不足或不準(zhǔn)確——比如問“上個月GMV增長原因”，數(shù)據(jù)庫里有幾十張表都含GMV字段，模型不知道用哪張，再貴的模型也解決不了。這是數(shù)據(jù)問題，不是模型問題。

第三，上下文過分臃腫——每次對話都攜帶大量歷史，不僅浪費Token還影響模型效果。特別是當(dāng)Context被修改過、不符合模型設(shè)計時，會導(dǎo)致緩存失效，價格和性能都受到傷害。要保證Context足夠精確，盡量在同一Session內(nèi)追加，這樣更符合模型設(shè)計，能大幅提升速度、節(jié)省Token。

談模型采購與分層：性價比不是看單價，而是看“單位業(yè)務(wù)結(jié)果成本”

雷峰網(wǎng)·胡敏：從采購側(cè)呢？模型選型、計費方式、購買渠道上，大家有什么心得或踩過什么坑？

尚明棟：采購不能只看單價，要看單位業(yè)務(wù)結(jié)果成本。便宜的模型如果效果不穩(wěn)定、需要多次重試、人工復(fù)核，總成本反而更高。要根據(jù)實際應(yīng)用場景做模型分層和動態(tài)路由，簡單任務(wù)給小模型，復(fù)雜有規(guī)劃的給大模型。

計費方式上，訂閱制看起來劃算，但如果負(fù)載不穩(wěn)定，綜合成本未必如意。還要考慮數(shù)據(jù)安全、資源穩(wěn)定等綜合因素，最終要回到業(yè)務(wù)價值來反推性價比。不同部門、不同場景差異很大，需要有專門的小團隊來賦能。

肖嶸：我完全同意，目前Token是生產(chǎn)力工具，產(chǎn)生的效益遠(yuǎn)大于成本，建議盡量采用符合需求的模型，成本不是最重要。等大家都用上大模型、效率都上來了，再考慮降本?，F(xiàn)在社會變革還沒到卷成本的時候，大家都用上大模型后，那時降本就很重要了。

降本的具體方法：一是模型分層（大學(xué)生/中學(xué)生/小學(xué)生）；二是利用波峰波谷——離線任務(wù)放在晚上提交，成本更低；三是訂閱制保證用量。

關(guān)濤：我們有個方法論：把場景分成兩個維度——高性價比/低性價比，以及穩(wěn)定確定性/探索不確定性。

• 高性價比+不確定的場景（比如核心代碼開發(fā)），直接用最好的模型，因為相比人力成本，Token成本微不足道；

• 高性價比+確定性的場景，先用好模型跑通，再逐步降低模型能力，找到性價比平衡點；

這需要兩個系統(tǒng)支持：一個AI Gateway（靈活切換模型），一個可觀測系統(tǒng)（監(jiān)控成功率、Token消耗等）。

• 低性價比+確定場景，用模型構(gòu)建工具形成流水線，而不是每次都靠模型；

• 低性價比+不確定場景：通常用不起來，需要探索其他方式或人工補位；

現(xiàn)在每家模型基本上每三個月就迭代一次，不管是美國還是中國，隔幾個月就會有一個新模型達到當(dāng)前SOTA水平。所以很難說哪個模型一定最好——有的性價比好一點，有的能力強一點?？赡艽蠹椅ㄒ坏墓沧R是從Coding視角看，Anthropic的模型更好一些。剩下的，甚至包括最新的視頻生成模型，現(xiàn)在很難講誰是第一名。

所以我們通常建議企業(yè)接一個或自己做一個AI Gateway，能夠靈活切換模型。這比現(xiàn)在死磕某一個模型更合理，畢竟整個模型迭代還處在非常高速的發(fā)展期。

談供給側(cè)優(yōu)化：從平臺、模型、硬件、數(shù)據(jù)四個層面“卷”成本

雷峰網(wǎng)·胡敏：三位都身處AI產(chǎn)業(yè)鏈，你們各自在做哪些事來幫企業(yè)降Token成本？

尚明棟：作為算力供給方，我們在工程化上做了很多：算力云建設(shè)的選型配置、PD分離架構(gòu)、四層存儲架構(gòu)、計算存儲網(wǎng)絡(luò)分離、隨機算法推理優(yōu)化等，最終提升Token產(chǎn)出率。

同時我們也在做模型動態(tài)路由，但核心觀點是：不要只關(guān)心Token貴不貴，要關(guān)心Token花得值不值。這需要把Token成本從技術(shù)問題變成產(chǎn)品、采購、財務(wù)共同管理的經(jīng)營指標(biāo)。要建立評估體系，看投入是否值得。

另外，AI能力要匹配組織管理變革，這放大了人與人之間的差距——有人效率提升3～5倍，有人只有30%，團隊里會出現(xiàn)“木桶原理”?，F(xiàn)在團隊更扁平化，開發(fā)工程師變成全棧工程師，一專多能。這不只是工具問題，更是團隊組織管理方式的變革。

肖嶸：從平臺層、模型層、硬件層三個層次來說：

• 平臺層：做模型分層調(diào)度、記憶壓縮、任務(wù)反思總結(jié)，讓“養(yǎng)龍蝦”的過程更智能。

• 模型層：通過更稀疏的架構(gòu)（如MoE）、新的注意力機制（如線性注意力、混合注意力），以及類似DeepSeek的Engram外掛記憶，讓模型更快、更聰明、知識面更廣。

• 硬件層：低精度計算（英偉達Blackwell引入FP4，精度降8倍但模型精度不跌）、協(xié)處理器（如Groq的方案，把參數(shù)直接放在芯片SRAM里，實現(xiàn)極低時延、高TPS）。這些方向都在讓Token成本持續(xù)下降。

關(guān)濤：我們更偏重數(shù)據(jù)側(cè)。AI三要素包括算法、算力、數(shù)據(jù)。對大多數(shù)企業(yè)來說，前兩者通常是買來的，數(shù)據(jù)是企業(yè)提升AI能力的關(guān)鍵。我們做三件事：

• 第一，讓企業(yè)現(xiàn)有數(shù)據(jù)平臺能被AI用好——做語義層（Semantic Layer）、MCP連接等，讓結(jié)構(gòu)化數(shù)據(jù)成為AI的Ground Truth；

• 第二，幫企業(yè)構(gòu)建統(tǒng)一、可共享的知識庫——把數(shù)據(jù)升級為信息，信息升級為知識，避免每個Agent都重復(fù)沉淀記憶和Skill；

• 第三，建立反饋鏈路——通過數(shù)據(jù)平臺采集分析，讓企業(yè)看清楚AI的投入產(chǎn)出比，并能靈活調(diào)整模型、Prompt、上下文。

作者持續(xù)關(guān)注AI算力芯片上下游，更多信息可添加作者微信Evelynn7778交流。