一句话看懂：亚马逊、谷歌、Meta、微软等巨头今年将在AI基础设施上合计投入超过5000亿美元，但真正的成本大头可能不是训练模型，而是模型日常运行时的“推理”开销。业界正在用“Tokenomics”（代币经济）重新审视AI的真实账单。
事件核心：发生了什么
TechRadar援引行业观察指出，2025年超大规模云厂商在AI数据中心的资本支出将超过5000亿美元，反映出企业对AI能力的需求依然旺盛。但文章认为，过去讨论AI成本时过度聚焦在训练阶段——例如训练GPT-4传闻花费超过1亿美元——而对推理成本的关注远远不够。
推理是将模型应用于实际业务场景、生成推荐或执行决策的过程。与训练的一次性投入不同，推理是持续发生的：企业一旦把AI部署到生产线、物流网络或运营流程中，每一次调用都在消耗算力、存储、电力和网络资源。行业为此提出了“Tokenomics”的概念——把Token视为AI的“千瓦时”，像电费一样按用量计费。
为什么重要
推理成本正在成为企业AI支出的主战场。随着企业从试验转向规模化部署，推理在IT预算中的占比会快速攀升。尤其值得警惕的是Agentic系统（智能体工作流）：每个任务需要多次模型调用、大上下文窗口和多轮推理，其计算密集度可能是传统生成式AI工具的数倍。
文章指出了一个反直觉的趋势：Token单价虽然在下降——开源框架、定制芯片和国内模型的竞争都在拉低单位成本——但绝对消耗量的增长速度远远超过单价的降幅。这与2010年代云计算扩张的路径高度相似：单位成本降低，但总支出反而大幅增加，最终受益的是超大规模云厂商，而未能准确预测用量的企业则被打了个措手不及。
对用户/开发者/创作者的影响
对企业决策者而言，这篇文章的核心提醒是：预算模型需要从“一次性训练投入”转向“持续性推理支出”。像当年学习云计算成本管理一样，CFO和技术负责人需要建立对Token消耗量的监控与优化机制，否则规模化部署AI后账单可能失控。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者和技术采购方来说，选型时不应只看API的单次调用价格或模型的基准得分，更要评估实际工作流中的Token消耗模式——不同框架、不同提示词策略、是否使用缓存和蒸馏模型，都会让最终成本产生数量级差异。
值得关注的后续
其一，推理成本是否会倒逼更多企业采用开源模型或本地化部署，以摆脱按Token计费的云厂商锁定；其二，Agentic应用的Token消耗曲线是否会让云厂商推出更复杂的计费层级，类似当年云计算从按需到预留实例的演进；其三，国内模型厂商的低价策略是否会进一步压缩全球Token单价，但与此同时，总用量增长是否会抵消价格战带来的“省钱”效应——这才是Tokenomics真正要回答的问题。
来源：TechRadar
