以前卷加班,现在卷 Token
在传统的职场环境中,竞争往往表现为工作时长的博弈,即通过延长工时来展现工作态度。然而,随着生成式 AI 的深度应用,一种新的竞争形态正在硅谷形成,被称为“Token-maxxing”。这种模式不再单纯比拼谁在工位上停留得更久,而是比拼谁能消耗更多的 AI 算力资源。Peter Steinberger 团队的案例极具代表性:一个 3 人团队在一个月内消耗了 6030 亿个 Token,产生了约 130 万美元的 API 费用。这种近乎奢侈的资源消耗,在当下被视为一种高效生产力的炫耀,标志着企业扩大产出的方式从单纯增加人力转向了增加 Agent 和推理算力。
01算力成本与人力成本的博弈
这种高 Token 消耗模式虽然在账面上看起来昂贵,但在特定场景下可能比雇佣人力更具成本优势。随着大模型价格的持续下降,Token 的实际购买力正在提升,使得 AI 能够以更低的成本替代部分高级工程师的工作。通过对比不同消耗量级下的成本与等效人力价值,可以清晰地看到这一趋势。
| 对象 | 月消耗 Token | 月花费 | 等效人力(模型降价推演) |
|---|---|---|---|
| Peter Steinberger 团队 | 6030 亿 | 130 万美元 | 31 个高级工程师(当前价格) |
| Meta 内部榜一 | 2810 亿 | 140 万美元 | 3 个高级工程师(降价1轮后) |
| 普通高阶用户 | 21 亿 | 1.5 万美元 | 不到 1 个初级工程师(降价2轮后) |
不同量级的 Token 消耗与成本效益分析
从企业账本来看,AI 的普及极大地降低了实现需求的门槛。过去,由于开发成本高昂,产品经理和技术负责人必须作为“守门人”,筛选掉大量价值较低的伪需求。现在,借助 Vibe coding 等方式,普通业务人员也能通过自然语言快速生成工具原型。虽然这释放了被压抑的创新力,但也不可避免地释放了大量的伪需求。每一个被实现的需求,无论其真实价值如何,都在消耗 Token 并转化为 API 账单。
02产业链视角的资本逻辑
对于个人和企业而言,Token 分别代表成本和账单,需要进行价值管控;但从算力产业链的角度看,Token 消耗即是市场需求。无论这些 Token 是用于前沿科研分析,还是生成无人阅读的周报模板,其底层都依赖于模型推理、GPU 服务器、光模块、电力供应和液冷散热等基础设施。资本市场的兴奋点并不在于单个 Token 的具体用途,而在于整体调用量和推理需求的爆发式增长。
- 推理需求取代训练需求:早期市场担忧模型训练完成后算力需求会回落,但 Agent 和工作流的出现让工厂昼夜不停地运转,维持了持续的需求。
- 复杂的任务链路:一个复杂任务往往涉及数十次推理、几百次调用和多个 Agent 协作,这直接推高了对数据中心和硬件资源的需求。
- 基础设施投资映射:Token 消耗的增加直接带动光模块、AI 服务器、PCB、液冷、电力和 IDC 资源的市场关注度。
03三本账下的矛盾与抉择
AI 时代的不同账本
个人账本
关注精力分配与工作体验
- 期望 AI 节省时间与脑力,避免成为全天候的 AI 监工。
- AI 虽抽走了重复性工作(缓冲垫),但也导致连续高强度思考,产生“新疲惫”。
企业账本
关注投入产出比与资源控制
- 希望通过 AI 降本增效,释放被流程压抑的真实需求。
- 需警惕 API 费用失控及无人维护的“僵尸”工具泛滥。
资本账本
关注增长规模与基础设施
- 不关心具体需求真伪,只关注 Token 消耗总量是否增长。
- 推理需求爆发与数据中心扩建是估值的底层逻辑支撑。
综上所述,月消耗 6030 亿 Token 的事件不仅是一个行业奇闻,更是未来的预告。个人、企业与资本这三本账并不统一,甚至存在内在矛盾。算力链因需求增长而兴奋,组织因效率提升而加速,但夹在中间的个体面临着前所未有的挑战。在这一进程中,最关键的能力或许不再是单纯的执行,而是重新学会判断:在 AI 赋能一切的时代,什么才是真正不值得被做的事情。
当前文章无评论,是时候发表评论了