01

數(shù)據(jù)洪流：

7萬億Token背后的歷史回響

3月16日至22日，全球最大AI模型API聚合平臺OpenRouter記錄下一組令人側目的數(shù)據(jù)：全球AI大模型總調用量20.4萬億Token，其中超過三分之一流向了中國模型。

連續(xù)三周，中國AI大模型的周調用量碾壓美國同行——7.359萬億對3.536萬億，漲幅56.9%對7.35%。排行榜前四席，中國模型包攬全部：小米MiMo V2 Pro、階躍星辰Step 3.5 Flash、MiniMax M2.5、DeepSeek-V3.2。

但比排名更值得關注的是這個被頻繁提及卻鮮被理解的詞——Token（詞元）。

1000年前，北宋工匠畢昇在膠泥上刻下一個個反體字，用火焙硬，制成可以反復排列的"活字"，改寫了人類知識傳播的歷史。今天，工程師們將文本切割成名為"Token"的最小單元，用向量和矩陣重新定義智能生產的邏輯。

從泥活字到數(shù)字Token，從物理排版到神經網絡計算，一場關于"最小單元"的革命，似乎正在以驚人的相似性重演。

但相似不等于相同。本文將借用活字印刷的歷史意象，同時嚴格劃定類比的邊界——因為技術史的精確性，比敘事的流暢性更重要。

02

Token是什么？AI的“文字食材”

——以及它和活字的“表親”關系

"Token是大語言模型處理文本的基本單元，可理解為'AI眼中的字塊'。"

深圳理工大學算力微電子學院助理教授馬智恒這樣解釋。在輸入模型前，文本會被切分成Token并轉換為向量。中文通常每個字對應1至2個Token，英文則約0.75個Token per word。

想象你向AI提問："人工智能會取代人類嗎？"

在人類眼中，這是一句話。在AI眼中，這是若干Token的序列——可能是"人工"+"智能"+"會"+"取代"+"人類"+"嗎"，或者更細粒度的切分。每個Token都被編碼成一個高維向量，在神經網絡的層間通過矩陣運算和注意力機制進行處理，最終生成回答。

深圳計算科學研究院崖山LAB負責人歐偉杰打了個比方：如果將"算力"視為"電力"，那么Token就是消耗的"電量"，是衡量AI活躍度與處理規(guī)模的核心指標。

綜合開發(fā)研究院通證數(shù)字經濟研究中心執(zhí)行主任馬朝良看得更遠："Token背后反映的是一個更大的趨勢——人類正在把世界'拆解'成可以被機器理解和處理的最小單位。"

至此，"Token=數(shù)字活字"的類比似乎成立。但這里必須插入一個關鍵的澄清——

活字印刷的"最小單元"（泥活字）是生產工具，可物理復用；Token的"最小單元"是計算過程中的臨時數(shù)據(jù)，每次調用都在消耗算力資源。 換句話說，活字越用越?。ㄟ呺H成本遞減），Token越用越費（邊際成本基本線性增長）。二者在成本邏輯上是反向的。

那么，真正的類比對象是什么？

不是Token本身，而是預訓練模型的權重參數(shù)——那些在海量數(shù)據(jù)中訓練得到的、可以被無數(shù)應用共享調用的"知識結晶"。這些參數(shù)才是更接近"數(shù)字活字"概念的對象：刻制一次（訓練），復用無限（推理）。（注：這是本文提出的類比，非學術界標準術語）

而Token，更像是印刷過程中的"紙張和油墨"——是消耗品，而非生產工具。

但為何Token的調用量如此重要？因為它衡量的是"數(shù)字活字"被激活的頻率——是技術民主化的溫度計，而非技術本身。

03

歷史的回響：活字印刷的啟示與錯位

1040年代，北宋慶歷年間，布衣畢昇發(fā)明了膠泥活字印刷術。

這比古騰堡的鉛活字印刷機早了整整400年。沈括在《夢溪筆談》中詳細記錄了這項技術：用膠泥刻字，薄如錢唇，火燒令堅，然后密布字印，滿鐵范為一板。

但歷史開了一個殘酷的玩笑。

明清時期，活字印刷在中國未能完全取代雕版。原因復雜：漢字數(shù)量龐大，常用字就需數(shù)萬枚字模；泥活字易損，金屬活字成本高昂；科舉制度下的書籍需求結構，未能形成足夠的商業(yè)驅動力。直到19世紀西方鉛活字印刷機傳入，中國才真正進入活字印刷的大規(guī)模應用時代。

發(fā)明在先，規(guī)?；诤蟆@是中國古代技術史的常見敘事。

但今天，當Token成為智能生產的"消耗單元"，中國似乎正在走出不同的軌跡。這里的關鍵差異在于：我們并非Token機制（Transformer架構、注意力機制均源于美國）的"原創(chuàng)發(fā)明者"，但正在成為Token規(guī)?；鲃拥闹鲗д?。

這是一種不同的歷史角色——不是畢昇式的"技術首創(chuàng)者"，也不是古騰堡式的"技術整合者"，而是"技術采納者+規(guī)?；瘧谜?的新角色。

04

霸榜背后：中國Token經濟的三大支點

OpenRouter的數(shù)據(jù)揭示了一個清晰的格局：中國模型不僅調用量大，而且增長迅猛。這背后是三個相互強化的支點。

第一支點：

價格革命——讓"紙張油墨"便宜到可以揮霍

以DeepSeek、MiniMax M2.5為代表的國產模型，大幅降低了API使用成本。

"國產模型以較低的訓練成本將AI變?yōu)槿缤衩子望}一樣的生活必需品。"粵港灣控股有限公司執(zhí)行董事羅介平如此評價。

這里需要再次厘清類比：如果說模型權重更接近"數(shù)字活字"（一次性投入，無限復用），那么推理成本就是"印刷耗材"（每次調用，持續(xù)消耗）。中國模型的真正突破，在于讓"耗材"便宜到可以大規(guī)模揮霍——這降低了技術應用的門檻，而非技術生產的門檻。

活字印刷的核心價值，是讓知識復制的邊際成本斷崖式下跌；今天中國AI的核心價值，是讓智能服務的邊際成本趨近于零。效果相似，機制不同。

第二支點：

開源生態(tài)——讓"字模"可以被自由復制

中國公司在開源模型領域占據(jù)主導地位，與全球頂尖閉源模型的技術代差已縮短至約三個月。

開源意味著什么？意味著"數(shù)字活字"（模型權重）可以被全球開發(fā)者自由獲取、改進、再分發(fā)。畢昇的活字技術受限于時代，未能形成持續(xù)迭代的社區(qū)；今天的開源模型生態(tài)，正在以互聯(lián)網的速度自我強化。

第三支點：

場景紅利——讓"印刷機"遍布每個角落

這是最具中國特色的變量。

微信月活13億，釘釘7億，飛書2億。這些超級應用構成了AI觸達用戶的"自來水管網"。

"我國開發(fā)者貢獻了大量的Token消耗，"羅介平指出，"這些用戶只需輕輕一點即可調用AI能力，這無疑帶來了海量的模型調用需求。"

歐偉杰稱之為"長尾效應"：隨著國內大模型在推理成本、響應速度、API成本等方面的持續(xù)優(yōu)化，大量中小企業(yè)和開發(fā)者開始將AI接入業(yè)務流程，觸發(fā)了調用量的指數(shù)級增長。

十億級用戶入口 + 極低調用成本 + 開源技術生態(tài)，這三者的乘積效應，構成了中國Token經濟的基本盤。

但請注意：這里的競爭優(yōu)勢不在于Token本身，而在于Token的流動效率——是基礎設施、成本控制、場景滲透的綜合結果。

05

冷思考：Token洪流中的真問題

繁榮的表象下，需要保持清醒。

首先是"量"與"質"的落差。

馬智恒提醒："我們也必須清醒認識到，美國在原始模型創(chuàng)新、高端芯片與算力基礎設施等領域，仍保持著顯著優(yōu)勢。"

調用量領先不等于技術領先。中國模型在應用層的Token消耗上占據(jù)優(yōu)勢，但在基礎層的模型架構創(chuàng)新、硬件層的算力自主性上，短板依然存在。

其次是"消耗"與"沉淀"的錯位。

歐偉杰指出了更隱蔽的挑戰(zhàn)："海量Token的背后，是更大規(guī)模的數(shù)據(jù)吞吐與更復雜的數(shù)據(jù)治理挑戰(zhàn)。大模型的每一次調用，都依賴底層數(shù)據(jù)庫系統(tǒng)對實時數(shù)據(jù)、歷史知識、用戶交互的精準管理與毫秒級響應。"

這里有一個反諷：Token調用量越大，意味著"數(shù)字活字"（模型權重）被使用得越頻繁，但同時也意味著系統(tǒng)脆弱性越高——數(shù)據(jù)治理、實時響應、安全合規(guī)的壓力呈指數(shù)級增長。

活字印刷不僅要有字塊，還要有精良的排版工藝、優(yōu)質的紙張墨水、高效的發(fā)行網絡。Token經濟同樣需要完整的"排版生態(tài)"。

最后是"薄利"與"溢價"的困境。

中國模型以價格優(yōu)勢收獲全球開發(fā)者青睞，但這是否意味著我們只能做"薄利多銷"的生意？如何在Token調用量的基礎上，構建更高附加值的服務和品牌？

這是從"制造大國"到"品牌強國"的老命題，在AI時代的新投射。

06

未來誰將成為"智能排版大師"？

3月，阿里巴巴正式成立Alibaba Token Hub事業(yè)群，旨在圍繞"創(chuàng)造Token、輸送Token、應用Token"構建完整的AI生態(tài)體系。

幾乎同時，英偉達CEO黃仁勛在GTC 2026上提出"Token經濟學"，將數(shù)據(jù)中心定義為生產AI智能Token的工廠，強調"算力即收入"。

兩種視角，兩種邏輯。

美國視角：數(shù)據(jù)中心是Token工廠，算力即收入，核心是生產能力的壟斷。

中國實踐：Token Hub是生態(tài)樞紐，創(chuàng)造-輸送-應用全鏈條打通，核心是網絡效應的捕獲。

哪種路徑更具可持續(xù)性？歷史或許能提供參照。

古騰堡的真正突破，不在于發(fā)明了活字（金屬活字早已存在），而在于整合了活字鑄造、印刷機、油墨配方、紙張供應、商業(yè)出版的全鏈條。技術的發(fā)明重要，但技術的"排版"——即如何將其嵌入社會經濟系統(tǒng)的復雜網絡——可能更重要。

今天，中國擁有最豐富的應用場景、最龐大的用戶基數(shù)、最活躍的開發(fā)生態(tài)。這些條件使得中國有機會成為AI時代的"排版大師"——不僅生產Token，更定義Token流動的方式、規(guī)則和價值分配機制。

尾聲：

劃定邊界后的回望

回到1000年前的開封府，畢昇在膠泥上刻下最后一個反體字，火光照亮了他布滿老繭的雙手。

他不知道，這項技術將在400年后才在異國他鄉(xiāng)真正綻放。他更不知道，1000年后，另一群工程師正在服務器機房中，以每秒萬億次的速度切割、編碼、重組著名為"Token"的數(shù)字單元。

從泥活字到數(shù)字Token，從物理排版到神經網絡，人類對技術民主化的追求從未停止。但本文必須以一個嚴格的限定作結：

Token不是數(shù)字活字。模型權重才是。Token只是這些"數(shù)字活字"被激活時產生的漣漪。

中國AI的7萬億Token周調用量，衡量的不是技術原創(chuàng)性，而是技術擴散的速度和廣度。這不是畢昇式的"發(fā)明者敘事"，也不是古騰堡式的"整合者敘事"，而是一種新的"規(guī)?；瘮⑹?——同樣偉大，但性質不同。

這一次，歷史沒有完全重演。中國正在書寫新的劇本。