最近，AI研究员Aran Komatsuzaki发了一条推特：The non-English tax is real.
然后附上了一张图。
他做了什么测试？
把Sutton的《Bitter Lesson》这篇文章，翻译成多种语言，统计各大模型处理不同语言时，token消耗量相对英文的倍数。
英文基准是1.0x，数字越高，同样内容花的钱越多。
现在最火的Anthropic（也就是Claude）：中文1.65x，日文1.94x，韩文2.59x，阿拉伯文2.74x，印地语3.11x。
也就是说：一个印度用户用Claude处理同等信息量，花的钱是美国用户的三倍多。
OpenAI（ChatGPT）相对克制：中文1.15x，韩文1.40x，印地语1.37x。
贵，但没贵到离谱。
国内模型呢？Qwen 0.85x，DeepSeek V4 0.87x，Kimi 0.81x——全部小于1，处理中文比处理英文还省。
同一套内容，美国模型和中国模型的计费结果，可以差出一倍。
为什么会有这个差距？
现在表面上，各家模型的定价是完全一样的——每百万token多少钱，全球统一，没有任何显性价格歧视，无论你在北京买和在纽约买token，单价都是相同的。
差距藏在分词逻辑里。
大模型处理文本，靠的是tokenizer把文字切成碎片。
英文和这些模型的词表高度匹配，一个词往往就是一个token。
中文、阿拉伯文、hindi得切更多碎片才能表达同样的意思。
价格没变，但你买到的有效内容量，天然少一截。这不是bug，是tokenizer设计本身的结构性结果——谁训练的模型，词表就向谁的语言倾斜。
这笔钱，现在还不起眼。
现在大多数人把AI当搜索引擎用，偶尔问几个问题，多花几个token无所谓。
但再往后走——AI全面嵌入现有工作流程，token消耗会变成企业的常规运营成本，就像电费、水费、燃气费，每个月都要付的那种。
到那时，哪个国家的企业能用更低的token成本跑AI，哪个国家就在这场产业浪潮里拿到了系统性的成本优势。
这不是一笔小钱，是整个产业层面的竞争力差距。
说到这里，不得不和懂王的关税比一下。
关税是明牌博弈：每加一轮，全球媒体炸锅，受影响品类全部曝光，各国政府表态，企业有反制，WTO有框架，至少大家都知道发生了什么，还能上桌谈。
token税完全不同。没有公告，没有谈判，用户只看到账单上的token单价，压根不知道自己消耗的token数量从一开始就比别人多。
鹅不叫，毛照拔。
掌握大模型的国家，等于掌握了一种新型征税权——征的不是货物，是算力使用权，而且没有国界，只要你用这个模型，税就一直在收。
这比懂王的关税，不知道高明到哪里去了。
所以LLM的卡位，不只是面子问题。
当token消费变成水电一样的基础设施账单，这个流量怎么计算，由谁制定规则，就直接决定了非英语国家企业的AI成本底线。
DeepSeek V4把中文token消耗压到0.87x，Qwen压到0.85x，是在这套定价结构里，给中文用户留出来的成本空间。
今天寒武纪和芯原双双20cm涨停，表面是AI芯片国产化的逻辑。
但底下那层更具体：算力、模型、分词，三件事缺一件，隐形税就断不了根。
关税战打的是货物流动。token战打的是信息流动的定价权。
后者更深，更久，也更难察觉。
热门跟贴