行业里有一种很普遍的焦虑：AI 的 Token —— 也就是大模型每次推理消耗的算力计费单位 —— 越用越贵。许多公司在做模型选型的时候，最关心的事就是哪家便宜。便宜，意味着可预算、低风险、不会失控。
但半导体研究机构 SemiAnalysis 的创始人 Dylan Patel 给出了一个反过来的结论：如果你不肯把钱砸在最贵的模型上，你大概率会在竞争里被甩开。
一笔吓人的账：Token 花得比工资还多
SemiAnalysis 是一家专注半导体行业的研究公司，做数据、研报和咨询，在业内有相当影响力。它的体量不算庞然大物 —— 全公司一年的工资支出大约 2500 万美元。
Dylan 提到，去年他原本觉得自己公司已经是 AI 重度用户了：每个人都装上 ChatGPT、Claude，团队需要订阅就直接买，一年在 AI 上的总支出加起来也就几万美元。
今年完全是另一个故事。SemiAnalysis 跟 Anthropic 签了企业合同，光是在 Claude Code（Anthropic 推出的编程代理产品）上的年化花费就冲到了 七百万美元。注意，这不是七万，是 700 万 —— 已经占到工资支出的 28%（700 万 ÷ 2500 万，这是 Dylan 给的原话比例）。如果按现在的增长曲线继续走，到年底，AI 账单很可能直接超过全公司发工资的钱。
如果你是老板，看到这张账单第一反应应该是肉痛。Dylan 自己承认心疼，但没办法 —— 因为这些 Token 不是被白烧掉的，它们真的在干活，干的是过去整支团队才能交付的活。
两个案例：单人 + Token = 整个团队的产出
第一个例子来自 SemiAnalysis 自家的实验室。他们有一个芯片逆向工程团队，专门用高端显微镜分析芯片结构、识别里面用了什么材料 —— 这是一项慢工细活，传统上需要一支专业小组慢慢做。后来公司里有一位曾经在英特尔工作过的工程师，花了几千美元的 Token，做出了一个自动化工具：把芯片逆向图像输进去，工具自己就能标注"这块是铜、这块是锗、这块是钴"，并把这些标注叠到原图上，输出一个可视化仪表盘供后续分析。
这位工程师的原话是：这件事在英特尔，是一整个团队才能开发和维护的系统。现在，一个人，外加几千美元 Token，就搞定了。
第二个例子更戏剧化。SemiAnalysis 一直想做能源数据服务 —— 这是一个估值约 9 亿美元的市场，由几家老牌专业公司把持，每家的产品背后通常是 100 人团队做了 10 年。SemiAnalysis 自己干了一年，没有大突破。
后来，公司里一个人开始疯狂使用 Claude Code，一天 6000 美元的 Token 烧法。听起来像是钱在打水漂。但三周之后，他做出了一套覆盖全美发电厂和输电线路的电网地图系统，叠加了大量需求侧数据，可以实时显示不同地区的电力盈余和缺口，还配了交互式仪表盘。SemiAnalysis 把这套东西拿给能源交易客户看，对方的反馈是：比专业能源数据公司做的还要强。
Token 不是成本，是杠杆
把这两个案例放在一起看，Dylan 的结论就很硬：AI 很贵，但如果我不用 AI，别人会用 AI 把我淘汰掉。
注意他这里区分了两件事。一件是"AI 是不是会让信息服务这门生意整体贬值" —— 答案是会，因为旧的、依赖人力的信息服务，毛利会被压缩。另一件是"那些更早接入 AI 的公司会不会跟着一起死" —— 答案是不会，反而会增长更快。
把 Token 看成"成本"，结论必然是"越少花越好"；把 Token 看成"杠杆"，结论就反过来 —— 只要任务足够值钱，多花反而更合算。Dylan 站在后一边。这不是抽象口号，是被自家公司这两个案例验证过的判断。
为什么贵的模型反而更便宜
理解了"杠杆"的视角，下一个反直觉的现象就好解释了：便宜的模型有人用，但更值钱的需求都在贵模型那边。
GPT-4 级别的模型现在价格已经很亲民了，但活跃用户量没有想象中那么大。市场最热的需求集中在最前沿、最贵的模型上。这背后的原因是：
- 便宜模型只能让旧任务降本。本来用 GPT-4 写邮件是有价值的事，模型变便宜你就少花点钱写邮件，价值天花板没动。
- 前沿模型能让你做以前根本做不了的事。用 AI 写代码、做研究、搭系统、跑数据、建产品原型 —— 这些任务的产出价值跟"写邮件"完全不在一个量级。
再往深一层看：在高难度任务上，前沿模型未必更烧钱。Dylan 拿 Anthropic 的 Opus 模型举例：它单 Token 价格高到夸张，但因为它更聪明，往往能一次做对、少走弯路，省去反复试错的迭代——在这类任务上，单位价值反而更高。
不过这一点必须说准确，否则容易被带偏：前沿模型并不是在所有场景都"总成本更低"。按 2026 年的实测 API 价格，Opus 这类顶配模型的单价仍比同代高性价比模型（如 GPT-5 系列）贵出数倍；在高吞吐的简单任务（批量改写、分类、信息抽取）上，便宜模型依然是主力，硬上 Opus 只会让账单更难看。前沿模型真正划算的，是那些"做不对就等于白做"的高价值任务——一次成功的产出，远比省下的那点 Token 钱重要。
所以更严谨的说法不是"前沿模型更便宜"，而是：在足够值钱、且容错成本高的任务上，为前沿模型的确定性付溢价，是划算的。
华尔街的极限情景：100 亿美元买"优先 Token"
把这条逻辑拉到极限，Dylan 设想了一个场景。如果一位华尔街顶级机构的老板 —— 比如 Citadel 的 Ken Griffin —— 真的拿出 100 亿美元砸给 Anthropic，要求"每次发布新模型，先把最早、最强、最充足的 Token 给我用"，会发生什么？
答案是：金融市场的竞争格局会被重写。Citadel 这样的机构如果能比对手早几周甚至几个月用上最强模型，意味着它能更快做研究、更快分析信息、更快交易、更快迭代策略 —— 在以毫秒为竞争尺度的金融行业里，这是碾压级的优势。
普通公司算的是"AI 成本是多少"，但行业领头羊算的是另一道题：用更先进的 AI 把现有领先优势再扩大一些，能换来多少额外的收入和利润。
更值得注意的是，"领头羊愿意为前沿模型付溢价"这种需求，本身在加速模型的进化。它构成一个飞轮：模型越强 → 能做的任务越多 → Token 需求越大 → 模型公司收入越多 → 有更多算力去训练下一代更强模型 → 模型再变强。
供给端的连带涨价：不只是 GPU
需求侧确认在飙升，那供给侧呢？Dylan 的判断是：供给追不上，整个产业链所有东西都会持续涨价 —— 注意，是所有东西，不只是 GPU。
第一层是 GPU 本身。过去市场普遍认为 GPU 的折旧周期应该是五年，超过五年就该退役。Dylan 直接说这是胡扯。现在三四年前的 Hopper 机群还在被续约使用，更老的 A100 机群同样在续签。GPU 的实际经济寿命可能不是五年，而是七到八年。寿命被拉长 + 租约价格还在涨，意味着云厂商的真实毛利率比外界预估的要高得多。
第二层是各种你想不到的小环节。Dylan 举的一个例子是 PCB 制造用的铜箔 —— 这种东西平时几乎没人关心，结果现在卖光了，有客户用预付款抢供给。再往外延伸：玻璃纤维、激光器、光学元件、半导体设备零部件 —— 这些过去冷门的环节，只要卡在 AI 基础设施的链条上，价格立刻被炒起来。
这意味着，AI 算力浪潮带来的涨价不会停在 GPU 这一格，它会通过供应链一层层传导到下游各种意想不到的地方。
最终结论：竞争对象变了
把 Dylan 这一整套逻辑收尾，可以拿到两条结论。
第一，未来的公司竞争，正在从"人 vs 人"或"模型 vs 模型"，转向"谁能拿到更多、更聪明的 Token，并把它用在更高价值的任务上"。 对一家公司，对一个个人，问题已经不是"你会不会用 AI"，而是"你能不能用更多的 Token 创造更多的价值，并且把那部分价值捕获回自己手里"。
第二，AI 算力需求的增长速度，远超供给端的扩展速度。 供不应求会推高价格；价格上涨会让那些不在 AI 这条链上的需求 —— 比如消费电子 —— 因为抢不到关键零部件而面临生产困境。一些消费电子公司，可能因此走到生存危机的边缘。
留一道值得想的题：未来真正稀缺的资源，到底是 GPU、是存储、是电力，还是最聪明那个模型的优先访问权？