根据风险投资公司Andreessen Horowitz（通常被称为a16z）发布的数据，自2026年5月以来，人工智能代币的平均价格已下跌67%，但代币总支出却攀升超过120%。这些数据刊登于该公司定期发布的数据刊物《Charts of the Week》（10月31日发布），显示AI推理需求的扩张速度足以抵消最陡峭的价格下跌。在约五个月的时间里，代币总支出增幅的估计值介于122%至160%之间，突显出单位成本的下降与AI使用量的整体扩张同时发生。需要提醒习惯将"token"理解为加密资产的读者：在这份数据中，该词指的是AI计算单位，而非数字资产。

数据显示了什么

在此语境下，token是AI模型推理的计费单位：即模型读取或写入的一小段文本，通常为几个字符到一个完整的单词。推理是指运行已训练的AI模型以产生输出的过程，提供商按token收费。

数据中的分化十分鲜明。自5月以来，每个token的价格下跌了67%，而同期的总支出却增长了约122%至160%。单位变便宜了，但账单变长了。使用量的增长速度完全盖过了降价幅度。

最大的驱动力似乎是AI智能体。根据a16z的数据，智能体消耗的token数量接近人类用户的五倍。一个人通常是向聊天机器人提问并阅读答案；而智能体会从头到尾执行更长的任务，在步骤之间携带更多上下文，反复调用工具和模型，整体执行更多步骤——而每一步都会消耗token。

自2026年2月以来，智能体的token使用量也增长了约14倍，这表明工作重心正从一次性提问转向更大规模、更自动化的工作流。

杰文斯悖论，如今配上GPU

a16z将这一趋势与杰文斯悖论联系起来：这一观点由19世纪英国经济学家威廉·斯坦利·杰文斯提出，即当某种资源变得更高效或更便宜时，总消费量可能不降反升。19世纪60年代，杰文斯指出英国煤炭使用效率的提高伴随着煤炭消费量的上升而非下降。这一概念在现代科技辩论中获得了新生，每当效率提升似乎是在刺激而非抑制需求时，人们便会引用它。同样，更便宜的推理使新的用例变得经济可行，那些在5月价格下自动化成本过高的任务，在如今的费率下突然变得划算。

供给侧则出现了转折。在token价格持续下跌的同时，GPU租赁价格却大幅反向上涨。数据显示，自2026年7月中旬以来，Nvidia B300芯片的租赁成本上涨了106%，同期B200的租赁价格上涨了66%。B300和B200是用于大规模运行AI工作负载的高端Nvidia数据中心GPU。

对于任何销售推理服务的人来说，这都是一个尴尬的组合：他们出售的产出越来越便宜，而用于生产产出的租赁硬件却越来越贵。这两条曲线之间的差距被称为"rack spread"（机架价差）——借用了交易员术语中两个关联价格之间的距离，此处指token的售价与其背后算力的租金之间的差额。

a16z的图表还显示出买方集中度：一小部分头部用户占了代币总支出的相当大份额。实际上，这意味着总体数据可能受少数账户使用习惯的影响，而非整个用户群体的广泛需求。

这意味着什么

对于AI模型提供商而言，这份数据喜忧参半。好消息是使用量激增；但每个token的收入正在崩塌，而底层GPU的成本却在上升。机架价差正是这种挤压的数字化体现。

对于GPU持有者和云运营商而言，情况看起来更为有利。自7月中旬以来B300租赁费率上涨106%，表明至少对于最新一代芯片而言，算力需求正在超过供给。

对于基于AI进行开发的公司来说，每次调用的成本都比5月更低。然而，重度依赖智能体的产品可能迅速累积账单，因为智能体使用的token数量接近人类用户的五倍。

集中度问题同样值得关注。当一小部分重度用户主导大部分支出时，市场就会对他们的决策变得敏感。

目前，a16z的图表讲述了一个结局出人意料直白故事：AI推理在大约五个月内便宜了三分之二，而世界的反应是使用更多，以至于总支出翻了一倍以上。该公司数据的后续更新将展示这三个变量——每个token的价格、GPU租赁费率以及总支出背后的用户构成——如何继续演变。

来源：CryptoBriefing。原报道由Diego Almada Lopez编辑。