今年，亚马逊、谷歌、Meta、微软等科技巨头，将合计拿出超过5000亿美元资本开支，投向AI基础设施。这笔钱主要用来建数据中心，支撑AI相关服务。愿意砸下如此重金，说明他们看到了足够强劲的需求，也铁了心要把这笔投资赚回来，甚至赚得更多。

资本市场也给出了回应：云服务商、前沿AI实验室和GPU厂商，成了股市里的明星。这些公司的预期收入，最终要落到实体企业的未来现金流上——包括制造业、能源、交通运输等工业领域。问题来了：这些真正付钱的企业，算得清自己的AI账吗？

打开网易新闻 查看精彩图片

训练成本很高，但跟多数企业无关

过去讨论AI成本，焦点几乎都在训练大模型上。比如OpenAI的GPT-4，据说仅训练成本就超过1亿美元。这个数字确实惊人，但对绝大多数工业企业来说，意义不大——它们永远不会自己去训练一个前沿大模型。

真正值得注意的是另一个环节：推理（inference）。也就是把已经训练好的模型，放到真实运行环境里，让它生成建议、辅助决策、甚至直接执行动作。这个过程，恰恰很少出现在董事会的讨论议程上。

训练是一次性的前置投入，推理却是持续不断的运营开销。随着企业从试点转向全链条大规模部署AI，推理在整体工作负载和IT预算里的占比会快速攀升。这笔钱，躲不掉。

Tokenomics：像看电费单一样看AI成本

大多数企业其实并不清楚，从财务角度看，AI的真实成本到底是多少。行业需要一套新的经济核算方式，有人把它叫作Tokenomics。

Token（令牌）是生成式AI系统处理和生成信息的基本单位，也是目前衡量和计费AI消耗的标准机制。打个比方：Token就像电力公司向用户收取电费时用的千瓦时。你用多少电，账单上就记多少。

一个AI智能体要在大量运营数据上执行任务，消耗的不只是算力，还包括存储、网络、电力、水等资源。用的越多，总账单越高。企业一旦大规模转向智能体（agentic）系统，成本会迅速累积——每个任务需要多次调用模型、处理超长上下文窗口、还要跑多轮推理循环。这类工作负载，天然比此前企业用的生成式AI工具要重好几倍。

正方观点：需求真实，投资回报可期

从市场信号看，超大规模云厂商和前沿实验室愿意投入数千亿美元，是基于对企业级AI需求的判断。制造业、能源、交通等行业的数字化升级，确实需要AI能力来支撑决策和运营。只要这些需求兑现，前期的资本开支就有回收的基础。

反方观点：成本失控的风险被低估

但硬币的另一面是：推理成本不像训练那样有明确的上限。训练是一次性出钱，推理是持续不断的出钱。企业如果只盯着训练成本做预算，很容易在推理上踩空。智能体系统的高消耗特性，意味着实际账单可能远比预期膨胀得快。

我的判断：算清Token账单，是企业AI落地的前置条件

这两条线并不冲突。需求真实，不代表成本天然可控；投资巨大，不代表每家企业都清楚自己在为什么买单。Tokenomics的价值，就是给企业一把尺子——像看电费单一样，看清楚每一次模型调用、每一个智能体任务到底花了多少钱。

有研究预计，未来五年AI推理市场将增长一倍以上。这个方向几乎确定。对工业企业来说，AI不是要不要用的问题，而是怎么用、花多少钱用的问题。谁先建立起Token意识，谁就能在下一轮AI投入中掌握主动权。