AI token价格通缩：表象之下是三重结构分化
nashnova research
硅谷数据公司Token支出指数自5月高点下跌52.4%，但瑞士Syz集团CIO蒙肖指出，这个数字混淆了三种截然不同的通缩力量——将它们混为一谈，等于在噪音上交易。
一个指数跌了一半，为什么说它"掩盖的比揭示的多"？
硅谷数据公司的Token支出指数是按使用量加权的平均价格基准，不反映token总支出规模。这意味着→ 价格跌了一半，不等于行业花的钱少了一半。
Syz集团CIO蒙肖把价格下行拆成三类：技术性通缩（模型本身变高效了）、结构性通缩（企业把低优先级任务甩给便宜的开源模型）、竞争性通缩（厂商打价格战）。
用大白话说＝ 同样是"降价"，第一种是真进步，第二种是需求分流，第三种是烧钱抢客户——三者对利润和投资的含义完全不同。
前沿模型与开源模型，价格差在哪？
海港研究合伙人科技分析师戈德伯格的数据显示：前沿大语言模型token价格从2023年底的每百万token约50美元跌至目前约6美元。
但中位价格自2024年中以来基本稳定在略低于1美元，底部价格约0.11美元，接近纯电力成本，几乎没再往下走。
这反映出 市场已经分成两层：顶部前沿模型还有大幅降价空间，底部开源模型早已贴着成本线运行。
成本降得比售价快——谁在赚钱？
戈德伯格估算：生产成本的下降速度远快于市场售价的下降速度。这意味着→ 卖家的毛利率其实在扩大，不是在缩小。
这把"剪刀差"在两个阵营之间拉出截然不同的利润结构：前沿模型（主要是美国厂商）毛利率约70%，开源模型（主要是中国厂商）约20%。
这一利润分化在过去三年保持相对稳定。用大白话说＝ 前沿玩家降了价但还是暴利，开源玩家一直在微利区间苦撑。
训练成本为什么是"最烫手的变量"？
上面所有利润数据只涉及推理（inference，模型回答问题的环节），不含模型训练的资本支出。
戈德伯格称训练成本是整个估值逻辑中"最烫手的变量"——规模和不确定性都远超推理侧。
这意味着→ 如果只看推理侧的70%毛利率，账面很漂亮；但训练端的巨额投入一旦算进去，真实回报率可能面目全非。
Anthropic和OpenAI的上市故事能讲通吗？
戈德伯格的分析框架指向一个核心矛盾：推理侧高毛利+高增长，账面吸引力十足；但要支撑合理的投资回报，两家公司必须同时做到两件事。
第一，维持技术竞争壁垒；第二，遏制开源模型性能追赶的速度。两者缺一，护城河就不成立。
监管层面的安全叙事和国家边界内的保护主义被视为可能的护城河选项——但其有效性尚无定论。用大白话说＝ 技术壁垒能不能守住还不确定，靠政策保护又还没落地，上市估值的底层逻辑仍是悬空的。
市场有风险，内容仅供研究参考，不构成投资建议。