AI Token 定價的迷霧：從供需缺口看基礎模型的未來
科技分析師 Benedict Evans 在文章《Ways to think about token pricing》裡談的不是「AI 貴不貴」這種表面問題，而是一個更根本的提問：AI 基礎模型（foundation model）最終會不會有定價權，還是終將淪為低毛利的商品化基礎設施？他的結論很誠實——沒有人真的知道，因為決定答案的每一個變數，此刻都還在浮動。
供給端：一兆美元的賭注，追不上效率的進化速度
文章指出，未來將有一兆美元以上的資料中心資本支出湧入，加上半導體端的龐大投資，理論上這應該能大幅紓解算力荒。但問題在於，推論（inference，模型實際運算輸出的過程）效率的進步速度太快、太不可預測：新一代模型在「每個詞元（token，模型讀寫的最小文字單位）消耗多少算力」上差異極大，今天算出的容量規劃，可能半年後就因為某個效率突破而整個過時。
更值得注意的是一個容易被忽略的事實：算力吃緊的狀況其實從 2022 年就存在，但眼下這一波特別緊繃的供給缺口，主要是被單一應用場景撐起來的——軟體開發（也就是 AI coding agent 的爆發式使用）。換句話說，目前的產能規劃，某種程度上是在為「一個用例」量身打造，這本身就是一種風險集中。
需求端：用量暴增，但沒人確定這些用量有沒有 ROI
Evans 提出一個很扎實的觀察：現在的基礎設施，連讓「一個」擁有數億日活躍用戶的消費級應用，以任何價格全面上線，都撐不住。這代表整個產業對「下一個會規模化的應用是什麼、它需要多少算力」幾乎一無所知。
財務數字上，推論本身的毛利率號稱有 40–50%，聽起來健康，但這個數字刻意排除了訓練成本——而訓練成本目前遠大於營收。更關鍵的一句話是：沒人清楚這波用量暴增中，有多少真的產生了投資報酬率。也就是說，現在看到的成長曲線，可能有相當比例是補貼出來的、或是還在摸索階段、尚未證明商業價值的用量。
決定市場結構的四個關鍵問題
Evans 把「基礎模型未來會不會賺錢」拆解成四個變數，這也是整篇文章最適合拿來當框架使用的部分：
| 問題 | 核心張力 |
|---|---|
| 前沿模型的採用率 | 有多少應用場景「必須」用最貴、最頂尖的模型，而不是用便宜的替代方案就夠了？ |
| 創新速度 | 前沿模型的進步，是否持續跑贏效率提升與產能擴張的速度？ |
| 競爭強度 | 市場會收斂成少數幾家玩家壟斷，還是會有一堆能力相當、彼此可替代的供應商？ |
| 價值捕獲位置 | 價值究竟留在模型本身，還是被「幾百家」把模型包裝成專屬產品的下游公司拿走？ |
這四個問題彼此牽動——例如，如果前沿模型的採用率低（多數應用用便宜模型就夠），那競爭強度自然會升高，價值也會往下游應用層流動，模型公司就更難維持定價權。
三個歷史類比，以及它們為什麼靠不住
為了幫助讀者建立直覺，Evans 舉了三個基礎設施擴張的歷史案例，但他同時提醒：類比本身沒有預測力。
行動數據：十五年前用量暴增之後，行動數據流量已經成長了好幾個數量級，但相關電信股票幾乎原地踏步，所有的價值都被更上層的公司（App、平台）拿走了。這是最貼近「基礎設施沒有定價權」的警世案例。
半導體製造：產業高度收斂到台積電（TSMC）一家獨大，反映的是製造成本不斷攀升的現實。但即使幾近壟斷，整個產業能捕獲的價值依然有限——規模不等於獲利能力。
光纖寬頻：這個類比其實方向相反——光纖的建設遠遠領先實際需求，而且成本結構以固定成本為主、邊際成本很低。這跟今天 AI 算力「產能追不上需求」的處境完全相反，所以不能直接套用。
Evans 特別提醒，過度依賴類比是常見的認知陷阱——他舉例，過去在討論 Android 與 iOS 誰會勝出時，大家也犯過同樣的錯誤：套用錯的歷史模板，得出錯的結論。
這次真的不一樣：我們連「為什麼有效」都不知道
這是全文最深刻的一段。Evans 指出，AI 這次面對的不確定性，跟過去的技術轉型在認識論層次上不同：我們沒有一套好的理論，能解釋為什麼這些模型效果這麼好——所以我們也就不知道它們還能變得多強。
對比 1990 年代的網路（物理極限是已知的——頻寬、延遲有明確天花板）、2000 年代的行動通訊（裝置物理限制清楚可見），AI 模型的能力邊界完全是一片空白。這意味著任何「三年後會怎樣」的預測，底層假設都比過去脆弱得多。
別忽略的政治變數
除了技術與市場，Evans 也點出幾個可能改寫賽局的政策力量：中國據傳正考慮限制開源模型的取得；美國可能擴大出口管制範圍；而 Anthropic、OpenAI 等公司對監管的遊說，本身也帶有利己動機，不能照單全收。這些都是外生變數，隨時可能讓原本的供需分析整個失效。
結論：預設劇本是商品化，例外才需要「新東西發生」
Evans 的收尾論點乾脆俐落：每一條「基礎模型維持市場主導地位」的路徑，都需要某件事情改變。目前市場動態的預設方向，是走向商品化（commoditization）——效率提升、產能擴大、玩家增多、下游應用瓜分價值。如果最終要走向另一種結局——可持續的定價權、贏家通吃的收斂、或是長期的高毛利位置——那麼必須發生一件現在還看不到的事。
這種誠實承認不可知的態度，反而是這篇文章最有價值的地方——它拒絕給出一個假裝篤定的預測。
對正在規劃 AI 應用的人，這篇文章值得帶走什麼
這篇文章雖然是從投資人視角切入，但對正在設計 AI 應用架構的人也有直接啟示：
- 不要把架構綁死在單一模型供應商的成本結構上。 如果基礎模型最終走向商品化，今天精心優化的「單一模型」方案，可能很快被更便宜的替代品淘汰——模型層的可替換性，本身就是一種風險管理。
- 把「這個用例真的需要前沿模型嗎」當成第一個決策點。 這正好對應 Evans 的第一個問題（前沿採用率）——多數企業應用場景，用中階模型加上好的資料設計就夠了，把預算留給真正需要頂尖推理能力的少數場景。
- 價值捕獲會往應用層走，不是模型層。 Evans 明確指出「幾百家公司把模型包裝成專屬產品」正是價值流向的地方，而不是重新造一個基礎模型——這對想切入 AI 導入與應用開發的人是個提醒：真正的機會通常在「怎麼把模型包裝成解決方案」，不在追逐更強的模型本身。
本文方法與案例為本人實作，草稿由 AI 協助整理。