本文来自微信公众号： 出海同学会 ，作者：出海同学会，原文标题：《干货｜拆解 Token 经济的商业逻辑与创业机会》
在上篇，我们讨论了中美Token需求的差异，以及Coding、Agent、视频生成、互动娱乐等场景的实际消耗情况。但Token消耗量大，是否意味着商业价值也高？企业愿意为什么样的AI结果付费？当Token越来越便宜，哪些过去成本太高的应用有机会成立？
在这场讨论中，一个逐渐清晰的判断是：Token正在成为AI应用的一项重要成本，价格下降会带来更多使用场景，也可能进一步改变模型、应用与基础设施之间的价值分配。
[一页精华].
[本期课代表].
SEAMATE
一些同学因公司PR保密不能公开
或有部分内容需要删节
我们同样感谢他们的精彩输出
如出现链接或企业名为嘉宾引用第三方，侵删。
Alibaba｜Director｜Davy Chen
Blink｜Founder｜杨攀
DeepChatBI｜Founder｜Alex
Jobright｜Co-Founder｜Ethan Zheng
试玩互动｜CEO｜胡健Tony
森炎智能｜CEO｜李玫
某互联网头部企业｜资深产品架构师｜Zoe
某互联网头部企业｜AI Sales Specialist｜Rock Shi
某视频模型｜战略专家｜Cici
💡阅读小Tips：因原文逐字稿巨长
部分内容由ChatGPT精炼
以下为精彩节选
Part.02 Token经济的商业逻辑
从消耗到交付：哪些场景已经产生真实价值？
Alex｜DeepChatBI
我觉得真正做到Vertical，并且已经开始带来价值的还是前面大家提到的几个方向。现在有一个基本共识，就是如果要真正落地最后一定还是要交付结果。大家从一开始做这件事情的时候，底层其实已经在往这个方向走了。我们这个行业就是一个比较直接的例子。我们做的是电商，Agent去交付整个广告投放，现在已经开始能够替代一部分原来的人工投手工作，而且客户也已经开始buy in了。
举个我们自己的场景。客户只需要告诉我他要卖什么、预算是多少、最终希望达到怎样的ROI、希望买到多少客户，AI就可以开始帮助他完成后面的工作。包括整个投放结构怎么搭、预算怎么分、素材怎么做、人群怎么圈，这些现在都可以往端到端的方向去做。这里面素材生成非常关键。因为文生视频和文生图现在已经是比较成熟的方向，所以从素材生成，到人群圈选，再到投放结构，整个链路其实已经可以串起来了。所以这件事情已经能够带来比较真实的商业价值，也确实能够节省很多时间。这是我在我们这个领域观察到的一个情况。其他行业肯定也有，只不过可能需要其他同学再补充。
我最核心的判断还是中美两边确实要分开来看。既然我们今天是出海同学会，从出海的角度来说，如果真的要做Token消耗比较大的To B生意，我觉得一定还是要往北美做。国内可以作为早期团队沉淀产品、打磨产品的地方，但真正做到To B商业化，我觉得还是应该往北美走。To C的话，两边都会有机会。但To B目前在国内确实非常难，尤其是在当前人力成本还比较低的情况下。
李玫｜森炎智能
举个例子，我们现在在给国内一些比较大型的电商做服务。以前他们可能需要大量约拍模特、租用摄影棚、聘请摄影师，而且模特本身也特别难找。比如一个做瑜伽服出海的品牌，他得找一个脸长得好看、身材健美，同时还会做各种瑜伽动作的模特，这件事情本身就有难度。现在有了AI模特，包括各种图像生成能力之后就可以解决其中很大一部分问题。但对这种大型电商品牌来说，还有一个很重要的要求，就是一致性。因为他们对品牌的要求很高，必须保证模特和商品在物理结构上的一致性，包括商品本身、品牌露出，以及复杂背景里的品牌露出，都要尽可能保持一致。在这种高保真的要求下，他们需要生产大量商品上架图，以前这一块会花非常多的钱。
现在有了AI以后，降本增效的效果其实蛮明显的。我们现在服务的电商客户，在营销素材这一块，降本增效可能已经超过80%。所以我觉得国内To B其实还是有需求的。只不过它不像美国那样直接用AI把一个人的工作全部替代掉。国内现阶段更多还是把AI嵌入Workflow里面，把其中一些环节的效率提高同时把成本降下来。提高效率这一点，AI肯定是能做到的。但怎么进一步降低成本，我们现在其实也一直在思考和做一些探索。因为模型越来越聪明，但说实话越聪明的模型就越贵，确实是这样。可一旦真正进入产业，它一定会追求性价比。
胡健Tony｜试玩互动
抛开蒸馏不谈，游戏是目前一个比较大的、而且是真实存在的生产级应用场景。再说到行业，一个是游戏。一个是刚才说的AI应用套壳，这里面目前图像、视频类比较多。还有一个就是社交。
社交现在大概分两类。一类是AI陪聊，这里面有一些产品可能会带一点擦边内容。还有一类是我们最近看到的一个新产品叫Tipsy Chat，它做的是虚拟人物加剧情，里面有比较深的内容互动和剧情设计。它现在做得还不错，我们看到它的月流水应该已经在千万美金以上了。它做得比较深，里面会大量使用AI来生产剧情和剧本。可能人工先写一个大概的框架，再用AI去生成具体内容，同时用户和角色之间也会有大量互动，可能还会涉及图片生成。所以这类产品的AI用量其实也不小。不过这个方向目前还比较早，真正跑出来的还是少数个例。大多数社交产品现在还是以聊天为主。聊天这类产品，我们看到很多也不一定会用ChatGPT，可能会用DeepSeek、千问这类开源模型，因为它们通常还需要自己做一些微调或者训练。
其他还有一些中小型的To B Agent产品。特别头部的比如Manus这种，我们目前没有直接接触到。另外也有一些AI生产力工具。这些公司虽然本身很依赖AI，也是比较典型的AI Native组织，但实际Token用量并不一定特别大。这当然也跟市场规模有关。底层得先有足够多的用户在用，Token消耗量才能真正起来。
Zoe｜某互联网头部企业
再说漫剧。漫剧从年初开始，尤其春节前后，整个推广策略跑得非常好，ROI也很高，所以催生了大量漫剧工作室。当时一分钟的剧大概能收回来1000多块钱。但这个产业迭代得非常快。上周我刚跟漫剧客户聊完，现在一分钟已经掉到30块钱了。漫剧这一块我也可以多分享一点。大概从年初到今年三四月份整个生意还是非常好做的，后面也经历了一轮洗牌。现在很多项目的ROI已经不高了，有些甚至连正都打不回来，靠广告营收或者红果那边的一些分成，也未必能把账算正。
所以现在很多团队的出路，就是从国内转到海外。转到海外以后，目前用得比较多的模型，还是以Seedance 2.0和2.5为主。当然，也有一些做海外剧的团队，如果更看重成本，同时对开放度要求比较高，也会自己部署MiniMax H3。海外漫剧现在大概有两个方向：
•第一种是直接把国内已经做好的剧，一键翻译、配音，然后发行到海外。
•第二种是做得比较精品的，会根据当地文化重新写剧本，再结合当地用户的喜好重新制作。这种就属于更精品化的剧。
漫剧这一块，收入主要来自两个部分。一部分是漫剧工作室本身。另一部分是漫剧制作平台，比如自己做工作流平台或者画布工具的公司。从单个大客户来看，这一块的收入增长也比较快，从几万到几百万的都有。主要的Token消耗还是集中在生视频，尤其是Seedance 2.0/2.5这一块。
另一个比较成熟的赛道，就是刚才Tony老师提到的电商。电商这一块目前用得最多的其实还是图片，尤其是Nano和Image 2、2.5这一类，用量比较大。这里我们也观察到一个可能的机会点。SOTA模型直接生成出来的电商图，跟电商客户真正想要的效果之间其实还有很大的Gap。这个Gap也许就是创业公司的机会。比如怎么样减少抽卡，或者怎么样把生成效果做得更稳定，让客户一次就能拿到自己真正想要的结果。我们自己也在做这一块的产品。比如一键生成整套电商图片，电商运营不需要自己写Prompt，直接就能拿到一整套图片然后快速发布到电商平台。这里我们其实做了很多前置处理和后训练，所以最终效果会比客户自己直接去调Nano、MJ（Midjourney）这些模型更好。这也是我们已经验证过的、未来比较可持续的一种商业价值：真正进入垂直行业以后在细分领域里把模型能力做深。
LTV、ROI与盈利难题该如何破解？
Ethan Zheng｜Jobright
我觉得前面提到的几个场景，商业价值其实都比较明显。
比如Agent场景，Manus的营收应该已经比较高了。它本质上也是一个Agent推理模型，加上一些更便宜的模型去处理简单任务。包括我们上次讨论过的Token转售，也就是所谓的“中转站”，其实现在也有不错的商业模式。只不过我觉得它的利润正在一点点被压缩。因为Token最终一定会越来越Commodity化，像水、电、煤气一样，最后很难维持特别高的利润。
聊天类场景，我觉得目前商业模式还没有完全跑通，至少赚钱能力没有那么强。因为聊天类产品主要面向比较年轻的用户，年轻用户整体付费能力会弱一些。除非它跟游戏结合，用户有很强的付费Incentive；或者是一些擦边类的内容，用户的Motivation很强。正常聊天比如Character AI这种，我觉得商业模式暂时还是要打一个问号。它的一个问题是用户聊得很多，Token消耗非常大，但你又不敢长期使用闭源模型，只能自己去SFT（监督微调）一些比较小的模型。可一旦模型做小，质量又会成为问题。所以纯聊天这件事情，我一直还是有一些问号。尤其是非常纯粹、非常“绿色”的聊天场景。情感陪伴类里，如果叠加一些游戏机制，可能会好一些，但最近我感觉也没有出现特别爆的场景。
再说应用类。应用类其实一直都挺难的。本质上的问题还是我之前说的：如果你的产品因为有了AI，要比上一个时代的产品更智能，那你就必须花足够多的Token，或者使用足够贵的Token才能真正体现出“智能”。但问题是，这个成本最后谁来付？还是得用户来付。所以你必须找到真正有付费能力的用户。比如去海外，尤其是美国市场找这类用户。但美国的获客成本又很贵，这就形成了一个非常难的Loop。最后考验的其实是整个团队的Marketing能力，以及非常极致的End-to-End产品优化能力。所以我觉得大部分做C端、高知识人群的应用其实都非常难。Manus算是一个相对特殊的例子，因为它在一个非常好的时间点发布了产品，天然获得了很强的Branding优势。后面再做各种营销就会顺很多，各种大大小小的KOL都愿意合作，因为大家会觉得这个产品本身就很好。但其他很多产品就比较难。
最后很容易变成一种Token转售。比如你的Revenue一年是1000万美金，但Token Cost可能就已经占掉八九百万美金。剩下还有各种成本，包括人员成本、云成本、Marketing成本。上一个时代需要承担的成本，这个时代一样都不会少，所以最后账其实非常难算。因此很多公司最后还是靠Revenue增长去讲一个比较大的故事，但如果真的看商业价值和盈利能力，我觉得还是要打一个问号。尤其是很多产品，本质上只是把Token外面再包装一层，然后卖给用户。
另外，我在想Anthropic的Revenue，我理解主要还是来自B端客户。但我觉得它现在还是太贵了。B端客户刚开始用的时候可能会觉得非常爽。尤其是越用最好的模型，体验越好。但问题是它是按使用量收费的，你用得越多，账单就会增长得越快。那最后真正的问题是：企业通过这些模型赚回来的钱，能不能跟得上账单增长的速度？我觉得对大部分公司来说，这其实都是一个问号。所以我觉得Anthropic后面能不能继续保持这么高的增长，企业收益与账单增长的关系，以及安全和监管风险，可能都会比较关键。
Rock Shi｜某互联网头部企业
从我现在的视角来看，我可能会从两个方面去看这个问题：一个是市场端的需求，另一个是结合我现在的职位。我目前在Google Cloud负责AI相关的业务，不管是模型还是Agent，也会接触到很多客户本身的需求。刚才听了一下大家的反馈，正好我最近也在思考这个事情。我可能会从To B和To C两个角度来看。
先说To C。我觉得To C最大的一个问题是，如果现有的产品使用AI去做，或者使用AI去研发新的产品，它的LTV到底能不能撑得住。如果LTV撑不住，那不管是什么品类，最后都是投得越多，赔得越多。这样的产品其实是没有办法真正跑通的。所以站在这个角度去看，比如做App研发，你真正需要解决的是在具体业务里，AI到底能够解决什么问题。比如社交可以解决一定的问题，陪伴可以解决问题，短剧也可以解决问题。但AI带来的生图、生视频、生语音，这些本质上都只是能力，它本身并不能直接解决问题。所以如果站在To C端来看，还是要看哪些垂直场景能够真正用这些AI能力解决用户的问题，而且这些问题是用户愿意付费的。不管是传统品类、新品类，还是AI+的品类，最终它的LTV都得足够高。如果LTV不够高，那这个生意肯定是没有办法成立的。这是我从To C端看的一个角度。
再说To B。首先你本身的业务ROI得足够好，AI可以帮助你做规模化和提效，同时也可能进一步提升ROI。所以它更多可能是一种“加AI”，或者说是整个业务的AI Transformation，也就是AI化。刚才前面提到的比如研发端的代码生成、游戏人物生成、场景生成，其实都已经是比较常见的应用。另外，刚才也有小伙伴提到广告投放。因为我自己本身就是做这块的，所以现在也接触到很多客户在做AI广告投放Agent。我们会看到广告投放Agent最终还是要看几个东西。比如你的广告素材，包括AI生成的广告素材，它的ROI是不是足够高。客户希望通过广告投放Agent去解决的，第一个事情是帮助他盯盘，做自动化的运营管理，减少一些人力。甚至当系统出现Bug的时候，也能及时做一些应急反馈。第二个就是素材。如果是AI生成的素材，那它的ROI肯定要更高。如果你能帮我把ROI提得足够高，那我甚至愿意花更多的钱去买你的素材服务。第三个可能是运营。如果运营这一块加入AI，它就可以变成一个经营Agent。我们都知道现在很多客户或者广告主都有自己的BI系统。如果把Agent加进去，原来静态的BI就可以变成动态BI。换句话说，你抓市场机会的速度会变得更快。你甚至可以进一步加一些Sub-agent，去处理各种运营业务。比如批量生成广告和视频的Agent，或者短剧自动剪辑的Agent，这些其实在真实业务里都有非常强的需求。
另外，我们也看到一些传统企业正在做AI化转型。比如一些药厂，甚至一些航运企业，他们可能最先要解决的是合规问题。这些也都是企业愿意在AI上花钱的需求点。当然，最后还是会回到刚才有一位小伙伴提到的问题：客户到底为什么付钱？站在客户的角度，我肯定希望买的是一个确定性的结果。所以我只愿意为那些真正达到交付要求的结果去支付成本。对于AI公司也好，或者中间的Partner也好，最后其实都需要往这个方向走。这就是我对于To B和To C的需求到底从哪里来的一个理解。
应用类公司应如何考量成本？
Ethan Zheng｜Jobright
如果具体到应用，每家的情况又都不太一样。但直白一点说，我目前了解到的纯应用场景里，真正大量使用深度推理Agent的，其实没有那么多。原因也很简单，本质上还是Agent太贵了。如果使用量比较大，大部分公司都会想办法压缩成本，尽量使用更便宜的模型。所以我觉得这里其实存在两个概念。一个是Token的数量，也就是Number of Tokens；另一个是每个Token对应的成本和价值。比如现在的一些模型，便宜的模型已经可以做到很低的价格，DeepSeek也属于相对便宜的这一档。还有一些最近很火的模型，价格可以做到非常低。闭源模型里也有一些价格比较低的系列，包括Flash这一类，本质上大家都在把单位Token的成本往下压。当然，比较贵的模型还是另外一档，主要用于需要更强推理能力的任务。很多应用公司都会涉及大量离线任务。比如我们自己可能会处理用户数据，或者拿到一些工作机会以后，需要做大规模批量打标。这种离线任务数据量非常大，所以任何应用公司都会优化成本。Token用量本身就很大，那自然就是能用便宜模型就尽量用便宜模型，再不断迭代。所以如果说Token消耗量比较大的产业，我觉得主要就是前面这几个，尤其是前面提到的Agent使用和基于教师模型的训练场景。还有一类是各类应用公司的批量任务，对单家公司来说Token成本占营收的比例可能很高，但全部加起来规模未必有前两个场景那么大。
回到商业经营本身，做商业的本质还是要优化现金流，这一点我觉得非常重要。至少我们自己团队创业，我现在对Token成本盯得确实比较严。因为创业任何时候都要盯着现金流。小团队最后出问题，大部分无非就是几个原因，要么现金流没有控制好，要么Co-founder之间出了问题，基本上还是内部原因，或者现金流的问题。而且Token现在已经属于一个很大的预算项了。它的预算基本上已经跟获客和人力差不多。现在对于很多团队来说，云可能反而已经不算什么特别大的预算了。我觉得大部分团队现在最大的几项预算，基本就是人力、获客和Token，这三个可能就是前三大。所以这种成本确实需要每个月，或者每一两个月就重新看一遍。我觉得最后还是要回归商业本身。往前冲当然没有错，但其实大部分人做的Business都不是那种突然一下就能做出特别大故事的生意。像Manus早期那种非常快地往上涨，毕竟还是少数。大部分创业其实都是一个5到10年的过程，而且随着时间积累，护城河会越来越多。可能增长一阵，然后平一阵，再找到一个新的突破点，又增长一阵。在这个过程中，我觉得控制成本、优化现金流，还是极其重要的。所以在这件事情上我可能会有一些不太一样的观点。
李玫｜森炎智能
有一位嘉宾提到Token per Price，我自己可能更倾向于叫Token per Value。举个例子，同样一个任务在最终交付质量差不多的情况下，到底哪种模型组合的Token消耗最有性价比？我觉得这可能会成为未来一个比较大的趋势。我们现在真实在解决的也是这类问题。B端客户，包括一些小B和大B会给我们不同的任务。我们现在的解题思路也不知道是不是完全对，因为今天也是一个交流学习的过程。我们会先把一个任务拆成很多子任务。现在有开源模型、闭源模型，有国内模型，也有国外模型。拆完以后，每个子任务会根据性价比分配给最合适的模型去做，最后再把结果组装回来。目前来看，虽然这里面还有很多问题需要解决，但如果单纯从性价比这个角度看，我们已经能看到一些提升。也就是说同样交付一个任务，可以用不同的模型去完成其中不同的部分。我觉得这可能会是未来的一个趋势。
杨攀｜Blink
还有一个是微调模型里面的一些套利空间。现在的SOTA模型，无论是Fable还是Astra，对于怎么去微调一个模型，其实已经非常熟悉了。以前微调模型是专业研究员才能做的事情，但今天你拿着Astra或者Fable，其实已经可以自己在很多领域去微调模型。包括怎么准备数据，这些SOTA模型都可以帮你完成。我以前其实长期比较反对自己去微调小模型。因为本质上我觉得你自己微调的速度很难跑得过SOTA模型能力提升的速度。但这个判断是建立在你想去对齐SOTA能力的前提下。如果现在有这么多Flash小模型，又能解锁大量以前不会拿模型去做的事情，那在某些具体场景里面自己微调一个小模型的成本已经降得非常低了。这种情况下，我觉得里面其实是存在一些套利空间的。而且Fireworks AI最近也一直在推帮客户定制自己的模型。总的来说，我个人从行业宏观的角度，还是不太赞同这个方向。我觉得Fireworks AI本身当然也是在卖自己的产品。但我并不反对大家自己去做这件事情、去找里面的套利机会。
Rock Shi｜某互联网头部企业
我们会觉得Token其实就相当于一种原材料。如果换一个视角，比如把Token看成食材，那你的业务形态可能是食堂、小吃店、大酒店，也可能是米其林餐厅。我觉得这些可能都会是未来大模型商业化的不同业务形态。比如说，如果你是一个食堂，可能提供的是相对底层、但覆盖很广泛用户需求的服务；如果是小吃店，你的溢价可能没有那么高，但可以赋能某一个地区或者某一个细分业务；如果是大酒店，你的LTV可能会更高一些，同时覆盖的人群也会更广；但如果是米其林餐厅，可能专门服务一些高价值业务，整体溢价也是最高的。如果是米其林餐厅这样的业务形态，那你采购的模型可能会更贵，甚至模型本身都是自己训练的。所以我觉得除了聚合平台或者企业大规模采购之外，这可能也是大模型真正商业化的几个不同方向。
Part.03便宜的Token会创造什么
成本下降后，哪些过去做不起的任务会被解锁？
杨攀｜Blink
一个是Flash小模型。最近出来了很多Flash小模型。虽然单价比较低，但也正因为单价低，会出现杰文斯悖论，反而带来更大的使用量。原来很多我们舍不得用Token、舍不得用模型去处理的任务，现在用便宜的小模型就可以做了。比如我最近就用很多小模型去做大量的数据处理，这些任务用小模型完成已经非常轻松了。
还有一种模式，就是用一个SOTA模型带着一堆小模型去干活。我觉得这种模式也会进一步解锁Token的消耗量。
Jev会如何影响模型成本和行业格局？它是否会进一步加速底层模型降本？
杨攀｜Blink
我觉得不要把Jev单纯跟原来的大模型放在一起比较。虽然可以比，比如Jev的引入确实降低了我们原来处理一些任务的成本，但我觉得这样比其实不太对，应该换一个角度来看。
原来我们用程序去做很多事情，但程序很难解决泛化问题。因为所有程序本质上都是一个函数，就是确定的输入，对应确定的输出。有了大模型以后，我们发现它能解决泛化问题，但效率其实非常差。很多任务本身并不需要用大模型去解决，只是一些很简单的泛化判断。比如说几种很典型的模式：Yes/No、概率判断，还有枚举选择。我特别喜欢一个比喻，就是把Jev理解成一种“关节模型”。如果把程序比喻成刚性的结构，那其实我们大量业务处理中，很多地方都需要一个“关节”。这个环节需要有一定的泛化能力去做判断，而不是完全靠If-Else。如果把这些位置替换成Jev，原来的程序能力其实就会变得很强。所以我觉得如果只是拿Jev去替换大模型，其实是没有找准它真正的优势场景。
Davy Chen｜Alibaba
我想说两个事情：一个是大模型会更大，另一个是小模型会更小。
先说大模型会更大。大家可以看到前两年的开源模型，大概还是200B、300B这个量级。现在已经开始出现2T，甚至10T级别的模型。模型能力里面其实有很大一部分来自于它有多少数据、多少Active Parameters。所以未来几年，前沿模型如果还要继续提升能力，基础还是更多算力、更多数据、更多权重。在这种情况下，它能够去解决一些科研问题。比如科研领域现在还有很多问题没有解决。如果一个新药真的被开发出来，它有可能带来几十亿甚至上百亿的新市场。但另一方面，我觉得小模型也会变得更小。我们现在已经看到在一些企业工作流里，包括我接触的一些AI Native企业，他们其实并不会直接用Anthropic或者OpenAI的模型，而是会做自己的Model。他们可能会Fine-tune几个小模型分别去完成不同的事情。
同样，在企业内部，如果本身就是一个非常固定的Workflow，其实并不需要一个前沿大模型去做特别General的事情。一个大模型可能有上百亿Parameters在Active，那么，这种计算方式是否足够高效？这个其实要重新去看。最后还是要回到你的工作流本身：它到底需要多少Parameters，需要什么样的模型？所以我觉得像Fireworks AI走的这条路，包括Fine-tuning Service，可能会更面向企业客户。这是我看到未来Token增长的两个方向。一方面，模型会越来越大，Active Parameters越来越多；另一方面，小模型也会覆盖一个很大的市场。
Rock Shi｜某互联网头部企业
假如Token真的便宜到了一定程度，从C端来看，其实平台上流量非常大的一个市场就是IAA广告业务。这类产品本身的LTV实在太低了，所以现在可能没有办法直接大量调用AI。但如果AI的成本真的像刚才richer说的，便宜得像水一样，那其实就有可能覆盖到这一部分开发者或者广告主。即便每一个产品、每一个用户调用API的量都不大，甚至很低，但如果背后是一个非常大的盘子，最后依然会带来很可观的增长。因为现在已经有很多IAA开发者会问：“你们能不能分享一下，有没有什么业务是IAA可以做的？”我就会说：“兄弟，你要不先试试看，你们现在的API Token成本扛得住吗？”所以大家最后可能还是觉得这件事情还得再等一等。
Agent、实时交互与企业解决方案将如何演进？
杨攀｜Blink
前面有人提到Coding。我理解大家前面说的Coding，其实已经包含了整个Agentic的消费，因为Coding和Agentic基本上已经是一体的。而且现在Agentic消费里面，已经很难再区分到底是在Coding，还是在做别的事情。比如从Astra开始，包括GPT-5.6、GPT-6 Astra，OpenAI的Computer Use能力已经非常强，在整个行业里包括相对Anthropic都有比较明显的领先。我最近开始用Astra以后，最大的感受就是，Computer Use一旦真正解锁以后，Agent能做的事情会再上一个台阶。换一个角度说，这也意味着从这个方向消费的Token数量会再出现一次阶梯式提升。Coding和Computer Use其实都包含在Agentic这个范畴里。
比如我最近刚做了一个播客，基本上就是我一个人再加上Astra的Computer Use，帮我把全平台发布、剪辑这些事情都做完了。这个在以前其实很难想象。我觉得很多行业可能还没有意识到这一点。之前大家更多是通过CLI、MCP去做各种操作，Computer Use和Browser Use也不是特别好用。但从Astra开始，以我个人的体验来看这件事情已经进入了一个新的阶段，很多任务做出来的质量甚至比人更好，而且速度非常快。所以我觉得这一块通用Agent的消耗，后面会解锁一个很大的场景，进而带来Token使用量的提升。
还有一个趋势，我觉得是模型应用一体化。这个跟今天的话题稍微偏得有点远，我就不展开了，但我觉得这也是一个比较明确的趋势。然后回应一下Richer前面提到的一点，关于Muse，还有我自己看得比较多的Grok Bot。我认为这个方向一定是一个确定性的趋势。最开始是Chatbot，后来走到Agent。现在无论是Codex，还是其他很多Agent，本质上都需要运行在一个具体的计算环境里面。Manus之前其实给用户提供过云端机器，但那个机器会回收。我觉得接下来每一个前沿Agent都必须给每个账户提供一台云端主机。提供和不提供云端主机，我觉得这不是一个小功能差异，而是产品差了一代。两种产品最后能解锁的能力、能够完成的任务是完全不一样的。当然，这反过来也会带来一个问题，就是每个Agent的成本会比原来高很多，因为你相当于要长期给用户配一套计算资源。不过产业肯定还是会继续往前走。从这个角度来看，它其实也会带动大量云计算和机器资源的消耗，这倒也是一件好事。
Davy Chen｜Alibaba
再往上一层就是Agent。Agent这一块刚才大家其实也讲得比较多。比如Coding，本身也可以看作Agent的一种应用。我现在更关注的是Agent这一块能不能出现更大规模、甚至几何级的增长。比如Agent Swarm，或者Digital Employee，也就是数字员工。当这些Agent不再只是单线程运行，而是变成多线程、多个Agent同时跑的时候，Token的增长量可能就是几何级往上走。
再往底层看Inference。现在已经有一些Infrastructure，可以提供高速Throughput的Token-to-Token能力。在一些对即时性要求很高，或者需要快速、大量地产生高频Token的场景里，比如金融，我觉得其实还有很大的潜力。
Cici｜某视频模型
我们还在看一个比较有意思的问题。因为提到B端企业客户，他们未来肯定还是长期贡献Token消耗的大头。在这种情况下，不管是安全问题，还是后训练优化、性能优化，最后其实都会回到一个问题：怎么让企业客户不是短期刷量，也不是单纯把“让员工多消耗Token”当成一个目标，而是真正解决企业的问题。也就是说怎么让企业的Token消耗变成一个长期稳定、而且能够持续增长的事情。
最近大家如果看新闻，应该也能看到越来越多的模型公司、同时有模型和云能力的公司，甚至包括一些像Newcode这样的公司，都开始关注解决方案和FDE相关的话题。我记得之前咱们这边也有类似的Meeting专门讨论过这个事情。所以我觉得这也是一个很有意思的方向。至少在“企业级Token消耗能不能真正、可验证地提升企业业务表现或者办公效率”这件事情上，解决方案和FDE到底应该怎么做，其实还有很多不同的路径。比如说，是企业自己建设，还是模型公司或者云厂商去构建一套生态？是大家一起合作还是未来这件事情会越来越内化，成为模型公司或者云厂商自身的一项能力？甚至市场上会不会出现很多独立团队，专门提供这样的服务？我觉得这些都会直接影响Token的增长方式。甚至我觉得“爆发”未必一定是最健康的形式。反而可能是先跑通一套稳定的SOP，然后企业持续、稳定地提高Token使用量，这样可能才是更可行的路径。另外一个点是不管是Coding、Agent，还是大家都在讨论的办公场景，本质上目前还是以语言模型作为主要入口和工作承载形式。但其实多模态Token也越来越依赖Agentic化的能力，去进一步提升使用量。因为我们实际接触到的客户和用户也会提到，一个统一的C端平台，并不一定是最有效或者最方便的使用形式，尤其是对企业客户来说更是这样。在这种情况下，Agent的使用门槛持续降低，其实也会帮助企业客户提高Token的使用效率，同时降低他们真正使用这些能力的门槛。
所以我自己在想除了现在这种比较简单的转售或者中转模式以外，不管是往解决方案走、往FDE走，还是更底层地去看Agent本身怎么直接降低成本，这里面其实都有很多事情可以做。我觉得这是一个非常宏大的话题，但里面可以做的事情，以及大家现在正在研究的方向确实都很多。包括我印象中上周Google还有Kimi，应该也都有一些跟FDE相关的合作披露出来。
Zoe｜某互联网头部企业
刚才Ethan和杨攀也有补充，就是Real-time模型。我们现在其实也在探索，比如直播加Real-time模型之后，能不能做更多实时互动。目前已经有一些头部漫剧客户在试水，而且他们是有可能把ROI打正的。所以这一块我也挺想听听大家的看法。不管是国内还是国外，比如美国和国内，Real-time模型接下来可能会出现哪些新的商业模式？哪些场景是真正能够成立的？我觉得这个方向还是挺值得继续看的。
最终价值将由谁获得：模型公司、应用层还是开源生态？
杨攀｜Blink
我说说我的信仰吧。我很早就有一个判断：最后全球软件市场里绝大多数价值可能都会被大模型公司吃掉。所以刚才Richer提到Salesforce的收入，我觉得其实也能放到这个逻辑里来看。最近我也聊了很多AI创业者。大家现在慢慢开始意识到一件事情：很多上下游公司，本质上都是在给大模型打工，或者说是在给Token打工。你做的事情其实就是在卖Token。只不过用户为什么愿意从你这里买Token？是因为你在外面做了一层东西。你做的这层东西是什么，可能反而没有以前想象中那么重要。我说得比较极端，这个判断也不一定对，只是提供一个完全不同的视角。
我看到下一层更有意思的变化是，一旦有些应用开发者意识到自己在生态里的位置，意识到自己本质上是在给卖Token的公司打工之后，后面很多行为就开始变得自洽了。举个例子，既然我是在给卖Token的人打工，那我是不是应该往上游走去拿更多利润？有些人一旦真正想明白这个问题之后就会开始做一些具体动作。我觉得这个时候才有价值，因为他会开始做一些更正确的方向判断。另外一个我想说的是这几年大家一直在讨论开源模型把价格打下来了，后面开源模型的能力也越来越强，那是不是SOTA模型的收入会被打掉？是不是我们整体付出的Token成本会越来越低？我觉得从微观上可以这么考虑。比如我自己负责某一个任务，我当然可以想办法把这个任务的成本降下来。这个没有问题。但从宏观上，我觉得千万不要认为SOTA模型的收入会被打掉，或者整个行业为Token支付的费用会持续下降。这个方向我觉得是逆潮流而动的。因为你不是在跟自己竞争，你是在跟所有人一起竞争。你降低Token消耗，只是在优化你自己的效率；但与此同时，所有人都在拼命想办法用更多Token给自己的业务加杠杆，或者去探索新的东西。我觉得这才是更大的方向。
所以总有人提Token付费会不会越来越低，我觉得本质上还是杰文斯悖论。单价下降，不代表总支出会下降。反而因为越来越便宜，会有越来越多原来舍不得用Token的场景开始使用，最后总消耗可能还会继续往上走。这就是我在这一块比较想表达的观点。如果总结一下，就是细节层面做成本优化当然没问题。针对单个任务、单个场景、单个Business，大家都应该持续优化。但如果我们作为这个产业的从业者，从宏观上来看，我们到底相信什么，我觉得这个判断还是要坚定。
Ethan Zheng｜Jobright
我倒是有一些不同的观点。“大家都是为Token打工”这个说法我觉得还是要看你怎么理解。你也可以说中国大部分企业都是在为字节打工，因为很多公司的获客主要都在字节、在抖音上。那海外的公司也可以说是在为Google和Meta打工，因为大部分获客渠道都在那里。所以我觉得Token这件事情，某种程度上其实也类似于一个渠道。到最后你能选择的模型和供应商其实很多，也不是只有一家。本质上还是跟获客差不多，最后看你选哪个渠道，以及怎么把成本降下来。
比较实际、也比较值得聊的一个问题，就是OpenAI和Anthropic什么时候上市，以及他们到时候会怎么讲这个故事。这其实是一个很现实的问题。包括他们现在在市场上的体量，基本都已经到了1～2T这个级别。Anthropic最近的估值应该也已经很高了，他们上市可能会想按2T去走。Anthropic应该会更近一些，虽然推迟了，但之前说的是11月。OpenAI最近的消息是可能明年再考虑这件事情。所以我觉得对整个市场来说这两家公司其实影响非常大。包括很多VC的钱、很多投资人的钱，其实都锁在这两家公司里面。整个市场被这两家公司带动得也非常明显。因为现在AI里面我们刚才讲的这些，不管是Token、Agent，还是Coding，其实很大一部分能力和市场，还是握在这两家公司手里。所以我也挺想听一些更犀利的观点。比如有人会不会觉得这两家公司其实不值现在这个价格？或者上市以后会不会直接崩？又或者他们现在到底在等什么？如果Anthropic认为自己的收入体量还能在一年内增长10倍，那确实是一个非常大的预期。但我其实觉得这里面有两个比较不可控的因素：一个是政府、监管与安全风险，另一个是企业收益能否跟上模型账单的增长。
先说政府和监管层面。现在模型能力已经很强了，但安全性其实还比较不可控。动不动可能就会黑进去这个、黑进去那个，包括一些很私密、很Confidential的信息，都可能发生泄露。前段时间其实也经常能看到各家之间类似的事情。比如模型被用来攻击别家的系统，甚至进入对方内部。到底是Anthropic的模型被拿去攻击OpenAI，还是反过来，这些具体情况先不说，但安全本身确实是一个很不可控的因素。所以我会担心会不会有某个吹哨人，或者某一次比较严重的安全事件，让整个行业的发展暂时停滞一段时间。这个是一个风险。
Davy Chen｜Alibaba
往后看，我觉得可能有一种方式，比如像Kimi、GLM，包括我们现在也在做的一些License服务。如果Infrastructure可以部署在本地云或者主权云上，同时模型又能够使用我们自己的开源模型，这样可能会更有利于中国模型进入一些发展中国家的市场。现在像Seedance、Wan这些模型，其实已经开始进入娱乐等相对非敏感的行业。这些行业会更容易进去。接下来一些没有那么容易进入的行业，可能就要通过刚才说的这些方式去做。
最后再补充一点。我们谈未来的时候其实可以回头看一下历史。可以拿Operating System，也就是操作系统来做一个类比。差不多三四十年前，Unix是绝对主流。在Unix全盛的时期，全世界很多大公司都在用Unix。但后来Linux出现以后，整个OS的生态都被重新改变了。
这其实告诉我们一点：闭源模型可能在某一个阶段占据非常大的Market Share，但随着技术不断细化、不断渗透，开源模型未来一定也会有很大的空间。不过另外一点是，闭源肯定还是一种更容易收敛价值、Capture Value的方式。因为模型公司把生态做大以后，总会有一部分价值是自身无法完全获取的，会流向生态中的其他参与者。今天大家做开源，说得直接一点，很多时候也是先把人气做起来。往后看，我觉得也会出现更多垂直整合的情况。但同样，如果看今天的OS，Mac也好，Microsoft也好，依然占据着很大的Market Share。在一些特定Device领域它们还是非常强。后来Android出现以后，又把整个市场重新洗了一遍。所以我觉得并不是说Anthropic或者OpenAI未来一定会变差，也不是说开源模型就一定会成功。更可能的情况是，不同的历史阶段会有不同的主导者。有些阶段可能是闭源模型拿到更多Revenue，有些阶段可能是Open Model拿到更多Market Share。我觉得最后大概率会是这样一种长期并存、不断变化的格局。
