【经管讲堂·经济统计】AI模型Token价格30个月暴跌超90%——技术成本曲线与产业经济学分析

案例背景

2026年7月19日，风险投资机构Andreessen Horowitz援引高盛研究数据表示，主流大语言模型每百万Token价格指数在过去约30个月内较2022年初下降超过90%，经质量调整后的价格降幅更大。这一数据意味着，AI模型在不到三年时间内经历了类似半导体行业「摩尔定律」式的成本崩塌，但降价速度远超硬件领域的传统节奏。与此同时，高盛预计全球超大规模云服务商2026年AI资本支出将达7570亿美元，到2030年累计投资规模或达5.5万亿美元。成本端急剧下降与资本端巨额投入并行，构成了AI产业最核心的经济学悖论。

价格暴跌的直接驱动力来自供给侧的激烈竞争。2026年6月，DeepSeek正式执行V4系列模型调价，Token价格下调至原标价的1/4，V4-Flash输入缓存命中价格每百万Token仅0.02元；小米MiMo-V2.5部分版本降幅高达99%；字节跳动火山引擎Seedance 2.0 mini定价也大幅下调。据行业数据，Token单价在三年内大约跌了300倍。与此同时，需求侧的爆发同样惊人——中国AI大模型7月第二周总调用量达27.58万亿Token，连续七周全球第一；OpenRouter平台中国模型已拿下Agent类任务85%的Token流量。然而，需求暴涨并未阻止价格下行，反映出AI模型市场正经历典型的「学习曲线效应」与「规模经济」叠加作用。这一案例为研究技术成本曲线、市场结构演化与产业经济学的交互提供了极佳样本。

核心分析

一、Token价格暴跌的学习曲线与规模经济分析

从产业经济学的「学习曲线」理论分析，单位产品成本随累计产量增加而呈对数下降，即成本每下降一定比例，累计产量需翻倍。传统半导体行业的摩尔定律约每18至24个月性能翻倍、成本减半，而AI模型Token价格在30个月内下降超90%，等效「半衰期」不足10个月，远快于硬件节奏。这一差异的核心原因在于AI模型同时受惠于三条成本下降曲线：第一，算法效率提升——模型架构优化（如MoE混合专家模型）使同等性能所需的计算量大幅降低；第二，算力硬件成本下降——国产GPU推理吞吐提升35%至60%，电力成本占智算中心运营成本六成以上，中国西部低电价提供了结构性成本优势；第三，规模经济效应——中国日均词元调用量突破数百万亿，海量调用摊薄了固定成本。高盛报告显示，经质量调整后的价格降幅更大，说明模型性能在提升的同时价格在下降，即「性价比」改善速度超过了名义价格降幅。这种「质量调整价格指数」的统计方法与经济学中「享乐定价法」一致，通过控制产品质量变量来测量真实价格变化，避免了名义价格低估实际福利改善的偏差。

二、算力需求与供给的动态平衡分析

Token价格下降90%而资本支出却飙升的悖论，需从供需动态平衡角度理解。从需求侧看，Agent类应用让AI自主执行复杂长链路任务，单次消耗可能是传统对话的几十倍。Mavvrik与Benchmarkit对372家企业的调查显示，84%的企业报告AI成本对毛利率的侵蚀超出预期，仅15%能将预算误差控制在10%以内——这说明「单位度量失灵」现象严重，单价下降但用量暴涨更快。从供给侧看，全球云服务商2026年AI资本支出7570亿美元，但供给扩张面临三重约束：其一，能源约束——美国至少125个地点爆发反对AI数据中心建设的抗议，75个项目延期或取消，涉及投资超1300亿美元；其二，审批约束——甲骨文165亿美元项目因环保审批被迫改用燃料电池供电，增加数十亿美元成本；其三，芯片供给约束——海外高端GPU交付周期长达12至15个月。从经济学的「均衡价格」模型看，短期供需失衡使价格下行与资本支出上行可以并存：价格下降刺激需求，需求增长拉动资本支出，资本支出扩大产能进一步压低价格，形成正反馈循环。但这一循环的持续性取决于供给端能否持续跟上需求增长，一旦能源、审批或芯片供给出现硬约束，价格曲线可能反转。OpenAI 2026年推理成本预计141亿美元，全年现金消耗约170亿美元，已签下超5000亿美元云基础设施合同——这种重资产模式使行业进入「资本壁垒」竞争阶段。

三、市场结构演化与定价权争夺

Token价格的崩塌正在重塑AI产业的市场结构。高盛报告揭示了一个「双层市场结构」：高端梯队如智谱GLM5.2依靠性能优势维持约1美元/百万Token定价，低端赛道价格已内卷至0.06至0.2美元/百万Token。市场预判字节跳动与DeepSeek有望包揽全网80%的Token流量份额。从产业组织理论的「SCP范式」（结构-行为-绩效）分析，市场正从「寡头垄断」向「垄断竞争」演化：头部企业通过低价策略抢占市场份额，形成「以量补价」的商业模式；中小玩家面临巨大生存压力，独立模型企业资金实力薄弱者将被淘汰。Kimi K3发布后，市场对Anthropic年底估值达1.5万亿美元的预测概率从78%降至67%，反映出高性能开源模型对闭源模型估值逻辑的冲击。从博弈论角度，中国厂商的低价策略类似「伯特兰竞争」——在产品同质性较高时，价格竞争成为主要博弈维度，最终均衡价格趋向边际成本。但与经典伯特兰模型不同的是，AI模型的差异化（性能、场景适配、生态绑定）仍在，因此市场不会完全收敛于单一价格。中国厂商的核心目标已从「性能王座之争」转向「定价话语权之争」，即争夺全球范围内「每百万Token价值多少」的规则制定权。

管理启示

第一，技术成本曲线的下降速度往往超出线性预期，管理者在做技术投资决策时应采用「对数预测模型」而非线性外推，避免高估短期成本、低估长期普及速度。第二，在「单价下降但总量暴涨」的市场中，企业需建立「用量治理体系」，设定Token配额和预算管控机制，防止成本失控——84%的企业AI成本侵蚀超出预期，说明这已成为普遍性管理短板。第三，定价权之争是产业竞争的制高点，企业在技术追赶的同时应重视标准制定和生态构建，通过「规模优势+成本优势+生态锁定」的三位一体策略建立可持续竞争壁垒。

其他思考

1. Token价格的「单位度量失灵」问题如何解决？是否需要建立类似CPI的「Token价格指数」来更准确地度量AI服务的真实成本变化？
2. 全球云服务商2030年累计5.5万亿美元AI资本支出的假设是否合理？当能源、审批等外部约束收紧时，这一投资规模能否如期兑现？
3. 中国厂商「以短期亏损换取市场规模」的策略能否在2030年实现盈利？「Token用量增长25倍」的核心假设面临哪些上行和下行风险？

关键词：Token价格学习曲线、算力供需动态平衡、伯特兰竞争与定价权
来源：高盛研究、Andreessen Horowitz、东方财富网、腾讯新闻 | 整理：经管讲堂