根據創投公司 Andreessen Horowitz（廣為人知的名稱為 a16z）發布的數據，人工智慧 token 的平均價格自 2026 年 5 月以來已下跌 67%，但 token 總支出卻攀升超過 120%。這些數據出現在該公司於 2026 年 10 月 31 日發布的定期數據刊物「Charts of the Week」中，顯示 AI 推論需求的擴張速度足以抵銷最劇烈的價格下跌。在約五個月的期間內，token 總支出增幅的估計值介於 122% 至 160% 之間，凸顯單位成本下降的同時，AI 使用量整體反而擴大。需要向習慣將「token」理解為加密資產的讀者說明：在這份數據中，這個詞指的是 AI 運算的計量單位，而非數位資產。

數據顯示了什麼

在此語境下，token 是 AI 模型推論的計費單位：即模型讀取或寫入的一小段文字，通常從幾個字元到一個完整單字不等。推論是指運行訓練好的 AI 模型以產生輸出的過程，供應商按 token 收費。

數據中的分歧非常明顯。自 5 月以來，每 token 價格下跌了 67%，而同期的總支出卻上升了約 122% 至 160%。單位變便宜了，但帳單變長了。使用量的成長速度完全蓋過了價格跌幅。

最大的驅動力似乎是 AI 代理程式。根據 a16z 的數據，代理程式消耗的 token 數量接近人類使用者的五倍。一個人通常是向聊天機器人提問並閱讀答案；而代理程式則從頭到尾執行更長的任務，在各步驟之間攜帶更多上下文、反覆呼叫工具和模型、採取更多步驟——而每一步都在消耗 token。

自 2026 年 2 月以來，代理程式的 token 使用量也成長了約 14 倍，這顯示工作流程正轉向更大規模、更自動化的形式，而非一次性的提問。

傑文斯悖論，如今加上 GPU

a16z 將這一趨勢與傑文斯悖論（Jevons paradox）聯繫起來：這一觀察歸功於 19 世紀英國經濟學家 William Stanley Jevons，即當一種資源變得更有效率或更便宜時，總消耗量反而可能上升而非下降。1860 年代，Jevons 指出英國更有效率的煤炭使用伴隨的是煤炭消耗量的上升而非下降。這個概念在現代科技辯論中獲得了第二春，每當效率提升似乎助長而非抑制需求時，人們就會搬出它。同樣地，更便宜的推論使新的應用場景變得划算，在 5 月價格下太昂貴而無法自動化的任務，以今天的價格突然變得可行。

供給側則出現了轉折。在 token 價格持續下跌的同時，GPU 租賃價格卻急劇朝相反方向移動。根據數據，Nvidia B300 晶片的租賃成本自 2026 年 7 月中旬以來上漲了 106%，同期 B200 租賃價格上漲了 66%。B300 和 B200 是用於大規模執行 AI 工作負載的高階 Nvidia 資料中心 GPU。

對任何銷售推論服務的人來說，這是一個尷尬的組合。他們出售的產出越來越便宜，而他們租來生產這些產出的硬體卻越來越貴。這兩條曲線之間的差距被稱為「rack spread」（機架價差）——呼應交易員用來描述兩個相關價格之間距離的術語，在此指的是 token 的售價與其背後運算資源的租金之間的差距。

a16z 的圖表也指出買方集中度的問題。相對少數的高用量用戶佔了 token 總支出的相當大比重。實際上，這意味著總量數據可能受到少數帳戶使用習慣的影響，而非來自整個用戶群的廣泛需求。

這代表什麼

對 AI 模型供應商而言，這些數據是好壞參半。使用量激增是好消息，但每 token 收入正在崩跌，而底層 GPU 的成本卻在上升。機架價差正是這種擠壓的數字化呈現。

對 GPU 擁有者和雲端營運商而言，情況看起來友善得多。B300 租賃費率自 7 月中旬以來上漲 106%，顯示運算需求正在超越供給，至少對最新的晶片而言是如此。

對建構 AI 應用的公司來說，每次單獨呼叫的成本都比 5 月時更低。然而，重度依賴代理程式的產品可能很快累積高額帳單，因為代理程式使用的 token 數量接近人類使用者的五倍。

集中度問題也值得關注。當一小群重度用戶驅動大部分支出時，市場就會對他們的決策變得敏感。

就目前而言，a16z 的圖表講述了一個結局違反直覺的直白故事。AI 推論在大約五個月內變便宜了三分之二，而世界的反應是使用得更多，多到總支出翻了一倍以上。該公司數據的後續更新將顯示這三個變數——每 token 價格、GPU 租賃費率，以及總量背後支出者的構成——如何繼續演變。

來源：CryptoBriefing。原始報導由 Diego Almada Lopez 編輯。