AI 的成本账：令牌定价为何无法精确预测
导读
本文探讨了当前AI模型推理（token）定价的状况与未来。作者认为，当前市场处于供应紧张状态，但这一局面是不稳定的。
文章分析了供应和需求两端的不确定性：供应方面，未来数年将有巨额数据中心资本投入，且推理效率持续提升；
背景
AI 大模型的推理服务按“令牌”计费，但它的定价目前处于供应紧张且不稳定的过渡期。供应端受三股力量拉扯：高昂的数据中心资本支出、快速提升的推理效率、以及新兴模型之间巨大的效率差异；需求端则主要靠软件开发这一个突然爆发的场景，而不是更广泛的消费者应用。作者提醒：推理业务的毛利率（40-50%）计算复杂，还没有计入高昂的模型训练成本；需求的 ROI 也尚不明确。因此，试图精确建模预测未来定价是困难的——最终定价将由卖家的边际成本和买家的 ROI 之间的供需关系决定。
从近期库中选取六篇从未发布过的材料，围绕“技术超前、框架滞后”这一中心问题组成单中心解释路径：喜马拉雅黑莓展示育种技术与进步主义观念缠绕的生态遗产，互联网骗局史展示旧骗局搭上新媒介，AI 界面设计展示能力与界面的错位，令牌定价展示新经济的定价难题，大陆起源展示新证据与旧范式的拉锯，乌贼剧场收束人类中心框架的边界。
价值
这篇的价值是给“AI 很贵”这个笼统感受装上机制。读完你会明白：AI 定价不是技术问题，而是市场问题——资本支出、推理效率、需求场景、训练成本四股力量互相拉扯，连业内人士都无法精确建模。它让你在讨论 AI 商业时不再复述“贵”或“便宜”，而是能说出矛盾在哪：成本怎么算、需求从哪里来、ROI 有没有被验证。这也是本期“框架滞后”最硬的一块证据：新经济的成本结构，旧式定价逻辑根本接不住。
帮助读者理解AI服务（如API调用）定价背后的市场动态、核心变量与根本不确定性，超越简单的成本计算，思考其商业模式的长期可持续性。