AI Token 經濟：中國如何從世界工廠走向 Token 工廠？
摘要（Summary）：
- AI Token 經濟的底層不只是晶片，而是算力、算法、數據與電力共同形成的生產系統。
- 文章用「廚師、麵粉、雲吞麵」解釋 Token：數據是材料，算法是食譜，Token 是 AI 最終吐出來的對答。
研究 AI 產業時，不應只看誰賣最便宜的 Token，也要分辨誰能把 Token 轉化為 App、效率、數據與行業價值。
很多人以為這一波 AI 競爭最底層那塊磚，是晶片。
其實不是。
是電力。
在一次 GMT 課堂上，我跟學員講了一段 Token（詞元）經濟。這幾年中國默默把電力建設拉到一個你想像不到的水平。多餘的電怎麼用？怎麼出口？最後找到一個誰也沒想到的形式： 把電力包成 Token，賣到全世界。 這篇文章想講的，不是「所有 AI 話題都是機會」。相反，越是熱鬧的題材，越需要看清楚： 哪一些是真正受惠，哪一些只是虛火。
AI Token 是什麼？先從雲吞麵講起
我們從 2022 年開始跟 ChatGPT 對話。問它一句，它答一句，中間消耗的 Token，量是有限的。
Token 這個英文字不是 AI 才有。以前去遊樂場玩，給你的代幣就是 Token；區塊鏈裡面的 Bitcoin、Ethereum 也是 Token；電腦與電腦之間打開城門的令牌，也可以叫 Token。到了 AI 的年代，根據 OpenAI Help Center 的 Token 說明，Token 是模型處理文字的基本單位，可以短至單一字元，也可以長至完整單詞；因此本文把它粗略理解為 AI 對答裡的最小處理與計費單元。
Token 分輸入和輸出。輸入通常便宜，輸出通常較貴。
我喜歡用律師來比喻：你問街口那個小律師一個問題，他幫你打電話給紐約一個更貴的律師，掛斷之後，那邊的律師費也算到你頭上。所以你以為自己在問一個簡單問題，背後其實可能是好幾個 AI 在跑，每一個都要收錢。
公園裡的老人家給你意見是免費的；剛入門的諮詢顧問，5 塊錢一個意見；麥肯錫的顧問，每個字 100 塊。Token 也是這樣分層的。
AI 三要素：算力、算法、數據
AI 有三個重要東西：算力、算法、數據。算力是 GPU、數據中心和電力；算法是 OpenAI、Anthropic、Gemini、Meta、千問、DeepSeek、豆包等不同公司的秘方；Token 則是最終吐出來的對答。 用做菜來比喻最清楚：數據就是原材料，算法就是食譜，Token 就是做出來的那碗雲吞麵。
Model Router 改變了模型競爭：用戶想換就換
以前我們是直接挑一家，用慣了 OpenAI 就一直用 OpenAI，用慣了 Anthropic 就一直用 Anthropic。但現在出現了 Model Router（模型路由系統），像 OpenRouter 這類中介平台，角色更像「AI 的 AI」。你不一定要直接挑模型，它可以幫你比較、分配、選一家適合當下任務 的模型。
根據 OpenRouter 官方 Provider Routing 文件，這類平台會在不同供應商之間做路由與備援；其 Models 官方文件亦把多模型資訊、價格欄位與支援參數標準化。這不代表 OpenRouter 或任何單一平台一定會勝出，但它揭示了一個重要趨勢：模型之間的切換成本正在下降。
這個改變很大。用戶想換就換，誰也綁不住。模型只能在價格、穩定性、品質、場景與生態上競爭。簡單的任務，用便宜的模型就可以；高價值任務，才需要更貴、更可靠的模型。
於是大家發現：要做廉價雲吞麵，中國有明顯的成本與供應鏈想像空間。
Token 是 Made in China ：中國從世界工廠到 Token 工廠
中國這次出口的不是衣服、鞋子、玩具，也不是廉價勞工。這次出口的，是廉價而充足的電力，最後被包裝成 AI Token。
為什麼我一直講電力？因為沒有電，就沒有數據中心；沒有數據中心，就沒有算力；沒有算力，Token 就吐不出來。IEA《Energy and AI》2025 摘要指出，資料中心在 2024 年約佔全球用電量 1.5%，其中美國約佔全球資料中心用電 45%，中國約佔 25%。但真正值得注意的，不只是總用電量，而是 AI 數據中心的用電方式：它們通常集中在特定地區、長時間高負載運轉，因此對當地電網造成的壓力，會比全球平均數字看起來更明顯。
再看中國自身的電力量級。中國國家能源局 2024 年全社會用電量資料顯示，2024 年中國全社會用電量為 9.85 兆千瓦時，同比增長 6.8%；中國國家統計局 2024 年規模以上工業發電量資料顯示，2024 年規模以上工業企業發電量為 9.4181 兆千瓦時，同比增長 4.6%。這組數字說明，中國不只是有模型、工程師與數據中心，它還有一個更底層的條件：龐大的電力供給。當 AI Token 變成一種可以被大量生產、分發與銷售的數位商品時，電力就不再只是能源問題，而是 AI 經濟的底層生產材料。
從全球電力結構看，IEA Global Energy Review 2025 電力章節亦指出，中國是全球最大的電力系統，2024 年中國電力結構仍以煤電為主，同時可再生能源佔比持續提高。這說明中國在 AI 時代的優勢，不能只從模型、晶片或應用端來看，也要回到更底層的能源結構。當 Token 生產變得越來越依賴數據中心與算力，電力成本、供電穩定性與能源結構，就會成為 AI 產業成本的一部分。
而且，Token 出口有幾個很特別的地方：
- 沒有傳統貨物關稅問題。
- 沒有碼頭、運河與燃油運輸問題。
- 沒有「一件貨物一個箱」的實體物流限制。
但有另一種限制：電力、算力、模型品質、數據安全與監管。 所以，我說中國從「世界工廠」走向「 Token 工廠」，不是在講口號，而是在講一個新的成本結構。過去工廠用電造衣服、造鞋、造玩具；現在數據中心用電吐出 Token，服務全球應用。
開源、低價與 API 生態：便宜 Token 的產業想像
中國不少 AI 模型和應用都在用開放權重、低價 API、場景落地或生態合作去爭取用戶。便宜不是唯一優勢，但便宜會放大使用量；使用量一大，Token 需求就會變成一條新的供應鏈。
不過，這裡也要小心：便宜不等於一定有護城河，低價競爭也可能把利潤打薄。所以看Token工廠時，不能只看「誰最便宜」，更要看「誰的 Token 能被哪些場景真正使用」。
從出海賣硬體，到出海賣 Token
這個變化，我去年拜訪雲知聲時感受很深。雲知聲是中國一家成立於 2012 年的 AI 語音技術公司，主力做醫療等專業場景。當時他們的 CEO 講了一句話，我覺得很傳神：「過去中國的廠商出海賣的是汽車、電器；現在它們賣的是 Token。」 這句話其實點出了中國 AI 出海的新方向：過去賣的是看得見的硬體，現在賣的是模型能力、API 與可被調用的 Token。中國製造沒有消失，只是從貨櫃裡的商品，變成數據中心裡吐出來的算力服務。
不要只研究賣水的人，也要研究用水的人
我有一位在 AI 行業工作的朋友，他講過一句很有見地的話：
不要只研究賣水的人，也要研究用水的人。
賣 Token 是辛苦錢。今天有新模型，明天又更新，後天又有更低價的 API，誰也守不住領先。市場可以一度搶 Token、漲價、搶市佔，但長遠不一定好賺。
真正的價值在哪裡？在用水的人，那些把水變成湯、變成飲料、變成茅台的人。
用戶不會直接調用大語言模型。大部分用戶對接的是 App。哪一個 App 最有可能把 AI 放進工作流、商業流、內容流、交易流，並且讓整間公司或整個平台效率提升？這才是更值得研究的問題。
按課堂中的行業交流觀察，中國有三類入口值得作為研究案例：
- 淘寶（阿里）代表電商入口。
- 抖音（字節跳動）代表短影片和內容入口。
- 大眾點評 / 美團代表本地生活入口。
這裡看的不是股價，而是產業位置。誰掌握入口，誰就更接近用戶；誰掌握 App 場景，誰就更容易累積數據；而數據越多，AI 服務就越有機會被持續優化。
阿里、美團：AI 時代的入口與履約能力
阿里和美團的核心，不只是規模大，而是它們各自佔住了中國人日常生活中的重要入口。阿里握有電商與雲基礎設施。從阿里巴巴 FY2025 Annual Report 可以看到，阿里的業務重心不只在電商，也包括雲智能與 AI 相關投入。這讓阿里在 AI 時代具備一個很特殊的位置：它既有消費入口，也有雲端基礎設施，還有大量可以被 AI 改造的商業場景。
美團則佔住本地生活入口。從美團投資者關係官方財務報告頁面及其年報來看，美團長期強調「零售 + 科技」策略，核心能力包括本地商業、即時配送、到店酒旅、商家服務與履約網絡。也就是說，美團的價值不只在流量，而在於它能把線上需求快速轉化成線下履約。 美團的王興有一句話很拍板：不要盲目地做 Token 工廠，而是自用增效降本。意思是，大模型不一定要對外賣 Token；它也可以服務自己的商家、外賣物流、到店酒旅、廣告、客服與資訊配發。
之前我去深圳時，當地店家跟我說：「我們每個月都要給美團賺二十幾萬。我們要把美團那個錢做高，才能排名靠前、才能得到流量。」我晚上去吃飯，掃二維碼直接進美團點餐，買單也是美團優惠券。整套系統都在裡面。
這就是「用水的人」在做的事。
不能光看誰最便宜：不同 Token 的價值完全不同
但我也要提醒一句：不能光看哪一個 AI 便宜，就以為它一定贏。
藥物研發的 AI、法律的 AI、編碼的 AI，跟陪你閒聊的 AI、翻譯的 AI，產生的價值完全不同。陪你玩的、閒聊的，胡說八道也沒關係，幻想也沒問題，當然可以便宜，甚至免費。 但藥物 AI、醫療 AI，這種是「不能出錯的 AI」。你不能說 1,000 個病人裡面有兩個我瞎說、 配錯藥就算了。這種錯誤是不允許的，所以這種 AI Token 就貴。
Token 價值光譜可以這樣理解：陪你閒聊的 AI 是廉價 Token；藥物、法律、編碼這類「不能出錯」的 AI，是高價 Token。IEA《Energy and AI》2025 摘要也提到，AI 可應用於醫藥、材料科學、製造與關鍵基礎設施等場景。這些場景的共同點是：一旦 AI 能真正提高效率、降低錯誤或縮短研發時間，它產生的就不是普通閒聊 Token，而是更接近生產力工具的高價值 Token。
剛才提到的雲知聲，做的就是醫療專業領域 AI。按課堂分享，這類公司真正的護城河，不只是模型，而是乾淨、專業、可用、可追溯的數據。外面很多模型追求考試分數，背後混了大量垃圾數據；但專業醫療數據不能亂，這就是專業領域 AI 的護城河。
乾淨數據，才是 AI 真正的護城河之一。
美股與中概股 AI ：用研究框架看，不用單一答案賭未來
講到這裡，可能有同學會問：那美股呢？我在課堂上提過兩個研究方向。
第一個是硬體。高端訓練晶片、AI 算力和 AI 數據中心硬體，是 AI 產業最明顯的基礎設施方向之一。NVIDIA 官方年度報告頁面披露其數據中心業務在近年財報中成為主要增長來源之一。這說明，在 AI 浪潮裡，硬體不是背景板，而是整個產業鏈最前端的生產工具。
第二個是 Google。Google 的優勢不只是模型，而是搜尋、Chrome、Android、YouTube、Gmail、Maps 等下游用戶端口。Alphabet 2025 年 Form 10-K 提到公司在 Google Cloud 提供 AI 基建、Vertex AI 與 Gemini 相關能力，亦持續把 AI 整合到產品與服務中。換句話說，Google 不是只在上游比模型能力，它更大的籌碼，是掌握了大量用戶每天都會接觸的入口。當搜尋、瀏覽器、手機系統、影片、郵件與地圖都在它的生態裡，AI 不一定要變成一個新的獨立 App，也可以直接變成這些產品背後的能力層。
但我一直提醒大家：不要孤注一擲放在一隻股票或一個模型上。AI 變化太快，今天領先的模型，明天可能被追上；今天便宜的 API，明天可能被更便宜的取代。
阿里、騰訊、百度、小米這些中國 AI 大廠，我都會作為研究對象持續觀察。AI 投資研究只作為教育案例分享，不構成任何買賣依據。最終仍需獨立判斷。
我能不參與嗎？不能，但也不能盲目參與
寫到這裡，我想停一下講件事。
AI 再繼續發展下去，會不會令我們美好的人類舒適圈消失？會不會令更多工作變得更拼、更殘酷？會不會令更多人變得更不快樂、更不幸福？這些問題，我沒有簡單答案。
但 AI 出現了，我能不參與嗎？
不能。
有時候糊塗是幸福的，但我真的能糊塗嗎？我跟隊友們說過一句話：「你們一定要做到 AI 做不到的。」我自己也要帶頭，跑在 AI 前面，不被 AI 淘汰。AI 像一隻獅子，我就像一隻鹿， 不斷在跑。
我是一個長線投資者，但我也清楚知道：AI 發展太快，長遠我看不到。ChatGPT 剛出來那幾年，大家都在用 OpenAI；後來 Anthropic 的 Claude 追上來；再後來不同模型不斷迭代。短線猜不到，長線也看不清，怎麼辦？
我不知道。
所以，更要用框架，不要只靠信仰。
真相錯覺效應：市場熱鬧時，更要問證據在哪裡
最後我想分享一段話。這是我在課堂上播給學員看的，一段講「真相錯覺效應」的影片：
群體往往更容易被幻象打動，而不是真理。
證據永遠優於投票。當所有人都在重複同一句話時，你要看的不是聲音，而是有沒有證據。
我把這段放在 Token 經濟這堂課最後，是有原因的。當市場熱炒 MiniMax、智譜、那些被吹上天的 Token 工廠時，真正的問題不是「我要不要追」，而是：
我看到的東西，是表象、想像、幻想，還是真相？
常見問題 FAQ
AI Token 是什麼？
AI Token 可以理解為 AI 對答的最小處理或計費單元。輸入問題會消耗輸入 Token，模型產生答案會消耗輸出 Token，而不同模型、不同任務的 Token 價值並不一樣。
為什麼文章說電力是 AI Token 經濟的底層？
因為 AI Token 背後需要 GPU、數據中心和穩定電力。沒有電力，就沒有足夠算力；沒有算力，就沒有大規模模型推理與輸出。
Model Router 對 AI 模型競爭有什麼影響？
Model Router 降低了用戶在不同模型之間切換的成本。當中介平台可以按價格、可用性、品質或任務類型分配模型，模型供應商就更難只靠品牌鎖住用戶。
什麼是「賣水的人」和「用水的人」？
「賣水的人」指直接賣算力或 Token 的供應商；「用水的人」指把 Token 放進 App、平台、商業流程和行業場景的人。文章認為，真正價值不只在賣 Token，也在誰能把Token 轉化成效率與數據。
為什麼不能只看誰的 AI Token 最便宜？
因為不同場景的容錯度和價值差異很大。聊天、翻譯、陪伴型 AI 可以較便宜；醫療、法律、編碼等「不能出錯」的 AI，對數據、可靠度和責任要求更高，Token 價值也不同。
GMT 投資研究主理人兼導師，長期研究 AI、科技股、中港美股與產業趨勢。本文根據課堂分享、公開資料、企業拜訪與個人投資研究整理而成。
審稿 / 編輯：GMT 編輯團隊
首次發佈：2026-04-30｜最後更新：2026-04-30
※ 以上為個人投資心得分享，不構成任何投資建議。
※ 投資有風險，請獨立判斷。
※ 本文提及之公司、產品、價格僅作教育與觀察用途，不代表買賣推薦。