Ways to think about token pricing

关于代币定价的思考方式 — Benedict Evans

关于代币定价的思考方式

关于代币价格，我们唯一可以确定的两件事是：我们正面临供应紧张，且这种状态极不稳定。所有变量都在发挥作用，未来几年市场将经历震荡，最终达到新的平衡。目前我们看到大量关于“时间与权力关系”的分析，但最终的问题仍然是：基础模型是否具备可持续的定价能力、战略杠杆和价值捕获能力，还是最终会沦为低毛利的通用基础设施提供商？目前来看，我认为我们观察到的所有动态都指向后者。

显然，当前的状况是暂时性的。从供应端来看，未来几年将有超过1万亿美元的数据中心资本支出（以及更多半导体资本支出）陆续投入，推理效率的提升速度非常快，而新模型在代币使用效率上可能大幅提升（或显著下降）。从需求端来看，尽管自2022年以来市场一直面临产能限制，但今年上半年的供应紧张主要源于一个特定用例的突然产品市场契合——软件开发，而这个领域实际上规模非常有限（试想如果我们有一个面向数亿日活跃用户的消费级用例实现产品市场契合，今天的基础设施即使以任何价格都无法支撑）。我们尚不清楚未来将扩展的用例是什么，何时会出现，以及它们对代币的需求会有多大。

再上升一个层面，目前推理服务的毛利约为40-50%：这个数据包含了相关服务器成本的折旧（或租赁成本），但我们并不清楚这些资产的使用寿命（五年？七年？），显然这个数据也没有包含每年训练新模型几次的高昂成本，而目前这部分成本远高于收入。从理论上讲，推理属于边际成本，训练属于固定成本，因此只要收入足够高就能实现盈利，但训练成本的变化趋势尚不明确。另一方面，过去几个月使用量激增的回报率（ROI）是否能被量化（更不用说未来用例的回报率），以及用户可能愿意为此支付的价格，目前都尚不清晰。

因此，未来12个月内所有变量都可能剧烈波动，随后在接下来的三到五年内再次发生变动。我们该如何预测最终会稳定在哪个水平？供需、价格、产能和资本支出将如何重新达到平衡？

理论上，我们可以自下而上地建模分析。我们可以对上述提到的各个变量做出假设，然后尝试估算当前芯片数量、台积电及其他半导体企业未来可能交付的芯片性能、这些芯片何时能部署到数据中心、数据中心的供电速度等。接着我们可以思考价格纪律，并对用例做出一些猜测。这将得出一个数字，但这种尝试类似于1998年试图为宽带市场建立五年预测：表格看起来很漂亮，甚至可能今年的数字接近正确值，但由于存在太多未知变量，无法对长期市场结构做出有用的预测。

换句话说，我们可以认为代币价格是供需关系在卖方边际成本和买方投资回报率之间的函数，但我们实际上并不知道供需、边际成本或投资回报率的具体数值。

另一种方法是从宏观角度分析：这类情况通常会如何发展？其基本构建模块是什么，它们可能出现在哪些领域？大多数讨论都取决于这条曲线的变化。

首先，有多少人愿意成为这条曲线右上端的参与者——处于前沿位置？在极端情况下，已有用例可以依靠小型、老旧的开源模型在本地或手机上免费运行；而在另一极端，某些用户可能需要最新、最昂贵的前沿模型，为此消耗大量代币和资金；还有许多用户则处于两者之间。因此，有多少用例需要通过提升成本曲线来获得更好的效果？这些用例的投资回报率如何？又有多少用例可以通过更小、更便宜且足够好的模型来满足需求？Panglossian观点认为，随着前沿模型成本的增加，投资回报率可能也会提升，但这种观点在现实中究竟适用吗？

其次，前沿技术是否会持续显著进步？这显然是人工智能领域最基本的问题：前沿技术能持续多久保持提升？这种提升是否需要越来越多的计算资源？这种增长速度是否能持续领先于效率和容量提升带来的价格下行压力？这条曲线的高端部分是否会继续存在？

第三，前沿模型之间是否仍会存在激烈竞争？该领域是否会逐渐集中到越来越少的前沿模型，甚至出现网络效应？前沿模型是否会分化，不同模型在不同领域形成明显优势？这可能是另一种实现可持续定价能力的路径。或者，我们是否仍会维持少数几家公司的竞争格局，这些公司开发的前沿模型在能力上大致相当？目前，所有公司都主要使用相同的科学方法和相似的训练数据，产出的结果也大致相同，尚未发现能形成网络效应或其他赢家通吃效应的机制，让某家公司长期领先并实现他人无法企及的可持续优势。这种局面会发生改变吗？

第四，这些高端用例产生的价值中有多少被前沿模型本身所捕获？有多少价值需要通过工具、流程、专有数据、市场推广、网络、支持等传统软件公司的配套要素来实现，即使这些用例确实需要底层的昂贵前沿模型？该模型能否独立完成所有工作，还是说无论模型多么优秀，它始终只是用于构建实际产品的基础设施之一？在极端情况下，模型本身是否能独立发明并构建所有相关要素？如果可以，是否意味着模型可以按座位数、成果或直接获取利润？或者，即使是（尤其是）最复杂、高价值的用例，是否仍需要依赖数百家新公司，这些公司可以根据需求选择使用不同的模型？

这些都不是非此即彼的问题：它们都是程度问题，且在不同应用场景中差异可能非常大。但极端情况下，会出现两到三个巨头掌控了半数以上资源并拥有巨大定价权，而另一极端则是大语言模型（LLMs）看起来像数据库——将有数百万个模型，有的很大，有的很小，价值取决于其上层构建的内容。毕竟，每家SaaS公司本质上都是“数据库封装者”。未来可能出现Anthropic（或一家尚未出现的公司）完全主导市场并制定自身规则的情形，也可能出现数十家路由器实时拍卖任务、将工作分配给数百家低利润模型农场的场景，而某基准公司则对每笔交易收取费用。

我认为目前没有人能确切知道答案。我多次强调“我们还不知道”，这并非偶然。‘S曲线’概念的一部分就在于，任何新技术刚出现时总会有一个阶段：人们清楚这项技术将带来巨大影响，但其他一切都不确定。比如互联网在1990年代中期、移动技术在2008或2009年时的情形。虽然在某些领域可以形成判断（例如我曾多次论证聊天机器人是效率低下的界面，难以在价值链上捕获价值），但我们必须假设还有许多尚未察觉的重大问题，更不用说答案了。任何选择我们能看到的十个可能结果之一并声称“就是它”的人，其实只是在猜测。

与此同时，每项重大新技术的早期阶段都存在结构性不确定性，但当前的不确定性更为特殊，因为我们尚未建立良好的理论框架来解释为何这些模型表现如此出色，因此无法预知它们还能提升多少。1995年，我们虽然不知道互联网将如何发展，但知道地球上的个人电脑不足一亿台（且价格昂贵），电信公司也无法在次年为所有人提供光纤到户；2010年，我们虽然不知道下一代iPhone会是什么样子，但知道它不会配备视网膜投影。我们对物理极限的理解程度远超当前对大语言模型的理解。下个月，一种新方法可能将推理计算需求减少90%，或使需求翻倍，甚至两者同时发生。

所有这些现象促使人们不断寻找模式（事实上，人们观察到所有关于AI的讨论最终都会陷入寻找隐喻的追逐）。人们普遍将AI与光纤进行类比，因为光纤在互联网泡沫时期曾出现过大规模超前建设，这与当前的基础设施建设有些相似。这种类比的局限性在于，光纤建设远超需求，而AI计算建设目前远低于需求（尽管如前所述，我们尚不清楚未来的供需平衡会如何）。但更关键的反对意见是，光纤建设主要涉及固定成本（如挖沟），而非边际成本（如设备），而计算需求的增长意味着需要购买更多的计算资源。

这使得移动数据在这里成为一个更有价值的比较对象。移动网络的容量边际成本较低，且与人工智能类似，15年前曾出现过使用量的激增，导致容量被迅速耗尽，运营商不得不匆忙增加容量并重新调整定价策略。与此同时，销售比特与销售代币在表面上看似相似：它们都是对边际成本的模糊衡量方式，无法以任何透明或直观的方式映射到具体使用场景或价值，因此需要被某种形式的捆绑方案所替代。但最重要的是，过去20年间，移动数据流量增长了多个数量级，这一领域已发展成一个价值千亿美元、年资本支出达2000亿美元的巨大产业，但相关股票表现却乏善可陈，所有价值都被堆栈更高层的参与者所攫取。当然，这正是人工智能领域需要回答的核心问题之一：这是否会成为低利润的标准化基础设施，而所有价值都会被堆栈更高层的参与者所攫取？


半导体制造也与人工智能存在相似之处，因为与移动通信不同，它同样面临着基础模型所展现的不断攀升的成本和复杂性。摩尔定律指出，尖端晶圆厂的成本每四年翻一番：随着时间推移，半导体技术的前沿变得如此复杂和昂贵，以至于参与者的数量从几十家锐减到仅剩几家，如今实际上只剩下台积电一家。这同样是人工智能领域需要回答的核心问题：人工智能是否会变得如此复杂和昂贵，以至于即使没有网络效应，也仅有少数几家能够参与？同样，许多半导体应用在价格/性能曲线上所处的位置，与我刚才讨论的人工智能案例类似。尽管台积电在前沿领域拥有事实上的垄断地位并享有不错的利润率，但它实际上并未从更广泛的技术经济中攫取大量价值：去年的净利润为530亿美元，甚至不到苹果公司单独利润的一半。

这里还可以进行许多其他类比：在过去的六个月里，Sam Altman曾将OpenAI分别比作Windows（一个基于网络效应的高利润轻资产垄断企业）和电力公用事业（天然垄断但利润率低的受监管公用事业，销售纯粹的商品）。也可以参考云计算（三家领先的参与者拥有良好的利润率和明确区分的商业模式，但同样价值攫取有限）。但这些类比都没有预测价值：类比本身并不具备预测能力。你无法通过论证某事物与移动通信的相似程度来证明它是否会取得相同的结局——这是15年前许多技术界非常聪明的人所犯的错误，他们曾声称安卓会击败iOS，因为安卓是“开放”的，而当年“开放”的Wintel曾击败过“封闭”的Mac（这也是末日论者在声称人工智能“就像”核武器时所犯的同样错误）。一切都不相同：比特、代币和晶体管各不相同，这些例子彼此之间也各不相同，人工智能也将会是不同的。

然而，这些例子从经验上告诉我们，某些事物可能非常重要、代价高昂、改变世界，并且充满高度复杂的科学和工程，但其结果却可能有多种不同的可能性。这里并没有一条必然的路径：你可能在高利润率或低利润率、在市场集中或分散的情况下实现价格均衡，而谈论通用人工智能（AGI）并声称“你不懂指数增长”并不能轻易抹去这些可能性。

不过，如果我上述所有内容中的一条主线是强调我们仍知之甚少，那么另一条主线则是：基础模型要实现市场主导地位、战略杠杆、价值捕获、赢家通吃效应，或任何其他非商品化基础设施的结果，都需要某些关键因素发生变化。

也许前沿模型的竞争力会下降——但就在过去六个月里，马克·扎克伯格和埃隆·马斯克已经从零重新回到了行业领先地位。也许网络效应会显现。也许聊天机器人可以发展成独立产品，无需嵌入软件。也许某个实验室会通过产品创新速度全面超越其他所有实验室——微软、谷歌、Facebook和苹果在拥有赢家通吃效应之前，都曾依靠执行力赢得市场地位。也许还会发生其他事情。

特别是，我们目前面临两个潜在的“意外转折因素”——特朗普和中国。据报道，中国正在考虑对开源进行监管，而一些与特朗普关系密切的人士也提出过类似想法（尽管Meta已放弃Llama项目，美国已没有领先的开源模型），出口管制可能进一步扩大并形成系统性规则。许多人认为Anthropic和（有时）OpenAI呼吁监管的诉求实际上是监管俘获的前奏，但不管怎样，我们不能假设这将一直是完全自由的市场。

即便如此，我仍回到同样的观点：当前的市场动态指向一个未来，在供应短缺缓解后，前沿模型将逐渐转变为商品化基础设施，所有价值都将建立在这些基础设施之上。若要出现不同的结果，必须发生一些我们尚未看到的变化。

分类

人工智能

作者

Benedict Evans

日期

2026年7月9日