文 | 盤古智庫

當(dāng)前，市場上流行一種極度簡化的商業(yè)敘事：將中國豐富的綠電資源視為人工智能時代的“新煤礦”。其基本邏輯可以表述為：利用西部低至 0.3 元每度的電力優(yōu)勢驅(qū)動大規(guī)模智算中心，通過算力芯片將電力轉(zhuǎn)化為可交易的詞元，再利用互聯(lián)網(wǎng)的零物流成本特征，將這些“數(shù)字產(chǎn)品”賣向全球。這一過程被形象地稱為“電力變算力，算力變詞元，詞元換美金”。但是，這個敘事在現(xiàn)實(shí)中是不是真的成立，還需要進(jìn)一步探討的。

讓我們從最基礎(chǔ)的概念開始復(fù)盤，什么是詞元？詞元是大語言模型（LLM）處理信息的最小神經(jīng)元輸入單位。在物理層面，大模型無法直接讀懂自然語言的文本流，必須通過分詞器（Tokenizer）將文本映射為離散的數(shù)字序列。每一個詞元在模型內(nèi)部都對應(yīng)一個高維空間中的向量（Embedding）。通俗的說，詞元不是字，也不是詞，而是模型進(jìn)行矩陣運(yùn)算時的“最小步長”。所以，他可以作為計算任務(wù)的計量單位，也就會被進(jìn)一步的當(dāng)成消耗算力的計價單位。

但是，詞元的切分，是非?！耙蛉硕悺钡氖虑?，每個模型會有自己的切分算法。處理同樣的 1000 字中文報告，有些模型可能只需要 1200 個詞元，而有些可能需要 1800 個。這種切分方式的差異，直接導(dǎo)致了下游計算量的基數(shù)不同。所以不同模型的詞元的“含金量”在分詞階段就已經(jīng)產(chǎn)生了分化。

進(jìn)一步看，模型處理詞元的過程是一個復(fù)雜的“自回歸”推理。當(dāng)用戶輸入一個詞元序列時，模型會將其映射到多層 Transformer架構(gòu)中。每一層都包含多頭注意力機(jī)制（Multi-Head Attention）和前饋神經(jīng)網(wǎng)絡(luò)（FFN）。詞元向量都要與巨大的權(quán)重矩陣進(jìn)行點(diǎn)積運(yùn)算。在生成階段，每產(chǎn)生一個新的詞元，模型都要對之前所有的上下文詞元進(jìn)行一次完整的前向傳播計算。

這意味著，隨著對話長度的增加，計算壓力不是線性增加的，而是呈現(xiàn)出明顯的資源占用波動。這種“邏輯推演”的本質(zhì)決定了，詞元的產(chǎn)出不是流水線上的物理組裝，而是一種高強(qiáng)度的數(shù)學(xué)模擬。在學(xué)術(shù)界和工程界，有一個公認(rèn)的近似估算：生成（或處理） 1 個 詞元所需的浮點(diǎn)運(yùn)算次數(shù)約是2 倍的模型參數(shù)量。以一個 70B 參數(shù)的模型為例，每處理一個詞元需要硬件執(zhí)行1400 億次浮點(diǎn)運(yùn)算。一次1000個詞元的典型對話，背后是 140 萬億次的物理計算。

在 Transformer 架構(gòu)中，注意力機(jī)制的計算量與上下文長度的平方成正比（雖然 2026 年已有大量線性注意力技術(shù)的應(yīng)用，但資源占用依然顯著）。這意味著處理“長文本”中的 1000 個 詞元，其成本遠(yuǎn)高于處理“短文本”中的 1000 個詞元。太復(fù)雜的原理不是本文要探討的內(nèi)容，但是核心是模型對詞元的處理“辦法”，和不同任務(wù)類型，都決定了不同的計算次數(shù)要求，也決定著后期的實(shí)際消耗。

那么，詞元的成本應(yīng)該怎么進(jìn)行估計呢？在不考慮：第一、基建成本；第二、模型能力冗余的情況下，我們將單位詞元的基礎(chǔ)價格拆解為一個完整數(shù)據(jù)推導(dǎo)機(jī)制：

從上述推導(dǎo)中可以看出，詞元（Token）的實(shí)際成本是高度依賴于模型能力和硬件成本的。一個高效率的模型，不但會讓用戶覺得“更聰明”，同時也能極大的節(jié)約處理任務(wù)的時長。對于采用 MoE（混合專家模型）架構(gòu)的模型，其單位詞元能耗得到了革命性的下降。因為在推理時，模型僅激活 5%-10% 的專家參數(shù)。這意味著，算法的進(jìn)步直接導(dǎo)致了“電→詞元”轉(zhuǎn)化率的 5-10 倍提升。這種軟件側(cè)的效率提升，其影響力遠(yuǎn)大于電價的降低。同樣的變化，還在硬件中，不考慮硬件進(jìn)步對模型支撐能力的飛躍，單獨(dú)計算單位價格實(shí)際算力的提升，也將極大的降低硬件折舊成本，效果大于電費(fèi)的降低。還有一個潛在的“金礦”，就是對于并行算力服務(wù)的協(xié)同管理優(yōu)化，也將降低詞元的成本。

按照一些智算中心的實(shí)際運(yùn)行數(shù)據(jù)顯示，全生命周期的電費(fèi)成本大約占到20%左右，而隨著技術(shù)的進(jìn)步，全系統(tǒng)PUE系數(shù)會降低，單位硬件成本升高但是算力提升更快，所以這一比例還是在逐步降低的，按照上述公式折合到詞元的成本中，電價占比會進(jìn)一步降低。所以，本質(zhì)上低電價的敘事是在一個占比不到五分之一的成本項上進(jìn)行優(yōu)化，但是如果算法架構(gòu)落后或者芯片效率偏低，乃至并行優(yōu)化不到位，電價優(yōu)勢會被瞬間抹平。綜合來看，詞元經(jīng)濟(jì)絕不是電力的直接產(chǎn)物，它是由模型、芯片、集群工程、以及能源稟賦共同作用下的復(fù)雜結(jié)果。甚至，電價的權(quán)重在先進(jìn)模型架構(gòu)中正不斷被算法優(yōu)化和硬件折舊所稀釋。

詞元作為一個非標(biāo)品，在商業(yè)競爭中的銷售定價邏輯應(yīng)該遵循的是“效果導(dǎo)向定價”而非“成本加成定價”。在未來，一個“好用的”模型的詞元價格完全可能是一個邏輯混亂的模型或者難以處理復(fù)雜問題模型的價格的十倍。而這個價格差異的核心是模型自身的“智力溢價”，是對研發(fā)成本的回收和合理利潤的賺取。

但是，電價的優(yōu)勢就那么不重要嗎？當(dāng)然不是?，F(xiàn)在整個人工智能的生態(tài)系統(tǒng)的進(jìn)步速度都很快，技術(shù)的擴(kuò)算也不慢。通過上文對于詞元定價的推導(dǎo)分析，可以看出除了電力系統(tǒng)的建設(shè)或者說電價的變化，其他要素都是相對的“快變量”，而電價是相對的“慢變量”。同樣的市場競爭者，如果模型研發(fā)水平差異不大，都能夠買到（或生產(chǎn)）水平差不多的芯片呢？從成本的角度來說，電價就會成為一個最重要的可變因素，而低電價背后的系統(tǒng)性優(yōu)勢不是一些競爭者短期內(nèi)能夠趕超的。這個應(yīng)該說是算力出海的核心優(yōu)勢，不過要明確的概念是，算力出海其實(shí)是“境外數(shù)據(jù)入關(guān)”，是境外數(shù)據(jù)進(jìn)入中國進(jìn)行“加工”之后再出國，還需要相關(guān)的政策配合。綜合來看，詞元出海的優(yōu)勢還是明顯的，但是需要的整個軟件、硬件的系統(tǒng)性進(jìn)步，是整個服務(wù)能力和政策開放程度的提升，而不是單純的強(qiáng)調(diào)電價方面的優(yōu)勢。

（本文作者系盤古智庫高級研究員周濟(jì)、盤古智庫高級研究員牛站奎。）