一个现象越来越明显：人工智能的使用成本在快速下降，但不同人获得智能能力的差距，未必会随之缩小。
过去，我们习惯把技术降价理解为技术普惠。价格越低，能够使用的人越多，受益范围也会更广。但当智能本身开始变成一种可以持续购买、反复调用的资源，问题就没有那么简单了。
每个人都能“用上AI”，和每个人都能获得同等水平的智能支持，并不是一回事。
上个月，美国布鲁金斯学会发表了美国联邦通信委员会前主席汤姆·惠勒的文章《AI革命正在制造“词元鸿沟”》。惠勒提出，互联网时代的数字鸿沟，主要体现在网络接入和支付能力上；而人工智能时代可能出现一种新的差距：即使人人都可以接触AI，不同群体能够调用多少智能、使用什么级别的模型、能否长期承担使用成本，仍会存在明显不同。
这个判断，为理解正在兴起的词元经济提供了一个很有意思的入口。
随着Token成为模型推理服务的重要计量单位，智能能力正在被纳入可计量、可定价、可交易的经济循环。人们开始像购买电力、云服务一样购买智能。新的生产方式和市场关系也在这个过程中逐渐形成。
而当智能资源被持续购买、集中配置和大规模调用时，经济问题也会自然延伸到政治经济学问题：谁拥有更多智能？谁能以更低成本获得它？谁又能决定它的价格与规则？
过去几年，人工智能推理成本的下降速度，远远超出许多人的预期。
斯坦福大学《2025年人工智能指数报告》显示，达到GPT-3.5基准能力水平的模型，每百万Token推理价格已从2022年11月的20美元，降至2024年10月的0.07美元，降幅超过280倍。
图1｜AI推理价格持续下降，来源：斯坦福大学《2025年人工智能指数报告》
价格下降，首先带来的当然是使用量增长。
根据OpenRouter与硅谷风险投资机构a16z于2025年发布的研究，OpenRouter平台一年内处理的模型调用量累计超过100万亿Token，覆盖300多个模型和60余家服务提供商。到2025年底，其单日Token处理量已超过1万亿。
这只是一个平台的数据，却也说明一件事：模型调用已经不再只是少数技术团队的实验性活动，并且它正在变成一种大规模、持续发生的经济行为。
图2｜OpenRouter平台Token使用量增长
如果只看价格和调用量，人工智能似乎正在朝着更加普惠的方向发展。
但作者提醒我们，价格下降，并不必然意味着能力差距会缩小。
他借用了经济学中的“杰文斯悖论”。简单说，当技术进步提高资源使用效率、降低使用成本时，需求往往不会停在原地，反而可能迅速扩大，最终带动资源消费总量继续上升。放到AI领域也是如此。模型调用越便宜，企业越有动力部署更多智能体，让AI处理过去因成本太高而无法自动化的复杂任务。普通用户获得了更便宜的服务，大型企业也能以更低的边际成本调用更大规模的智能资源。
于是，成本下降所带来的收益，并不会自动均匀分布。
作者提出了几种值得注意的机制：调用量的增长可能抵消单价下降带来的节约；前沿模型仍可能保持较高的能力和价格门槛；即使所有人的AI能力都在提升，彼此间的相对差距也未必缩小；而算力、模型和平台向少数企业集中，则会进一步放大这种差异。
这里有一个常被忽视的区别。
互联网时代，对普通用户而言，网络速度达到一定水平后，继续增加带宽未必会显著改变使用体验。能看视频、能查资料、能线上沟通，很多基本功能已经具备。
AI不同。模型能力的提升，可能直接改变一个人能够完成什么任务。
我们假设两个学生都拥有AI助手。一个只能进行简单问答，另一个却能使用前沿模型获得长期、个性化的学习辅导，帮助拆解问题、修改写作、制定学习计划，甚至模拟研究讨论。两个人都享受到了技术进步，但他们得到的能力支持，可能已经不在同一个层级。
所以，未来衡量智能鸿沟，不能只看人们有没有使用AI、消耗了多少Token。
更重要的是，他们究竟能获得什么水平的智能服务。
作者还强调，词元鸿沟与数字鸿沟背后的成本机制并不一样。
互联网时代，学校、图书馆和医院可以通过建设网络、购买设备改善数字接入条件。基础设施建成之后，新增一次普通网络访问的边际成本通常比较低。
人工智能则不同。
每一次模型推理、每一轮智能体执行任务，都需要消耗计算资源。即使用户购买的是固定月费订阅，平台背后仍然要承担持续发生的推理成本。
这意味着，智能开始具备一种新的属性：它不只是一次性建设完成的基础设施，也是一种需要持续投入、持续采购的生产性资源。
从供给端看，模型价格竞争正在加速。文章引用的2026年7月市场报价显示，部分模型的每百万输出Token价格已降至1美元左右，一些低成本模型甚至低于0.3美元。
不同模型的能力、上下文长度与计费方式并不完全可比，但有一点是明确的：智能服务的价格门槛正在下降。
与此同时，支撑这些服务的基础设施投入却依然庞大。国际能源署《能源与人工智能》报告预计，全球数据中心用电量将从2024年的约415太瓦时增长至2030年的约945太瓦时，人工智能是推动增长的重要因素之一。
Token越来越便宜的背后，仍然需要更多芯片、服务器、电力和网络设施。
图3｜全球数据中心用电量增长趋势，来源：国际能源署《能源与人工智能》
这也是词元经济最有张力的一面：前端看到的是越来越低的调用价格，后端对应的却是不断扩大的资源投入。
对企业而言，模型调用越来越像一种可以灵活采购的生产投入。
过去，企业要扩大认知性工作的处理能力，主要依赖增加人员、培训员工，或者购买专业软件。如今，部分研究、编程、设计和管理任务，已经可以通过调用模型、部署智能体来完成。
谁能以更低成本获得可靠的智能服务，并把它嵌入实际工作流程，谁就可能获得新的效率优势。
不过，这种优势不只取决于Token价格。
大型企业通常拥有更强的算力采购能力、更成熟的技术团队和更完整的组织资源。它们能够把低成本调用转化为规模化应用，也能承受试错成本。中小企业即使可以买到同样的模型，未必具备相同的整合能力。
所以，词元经济不能只看Token卖得多不多、价格降得快不快？真正关键的是：这些智能资源最终创造了多少实际价值，又被谁转化成了竞争优势。
当智能逐渐成为新的生产性资源，一个更深层的问题也随之浮现：谁能够决定智能资源的获取条件和分配规则？
早在8月，美国战略与国际问题研究中心（CSIS）发表《词元政治：美国如何与中国竞争，构建全球人工智能技术栈》，提出“词元政治”（Tokenpolitik）概念。美国的智库专家认为，Token正在成为新的战略资源，围绕算力、芯片、模型和应用的竞争，将进一步影响全球人工智能技术体系的权力格局。
如果说CSIS关注的是国家之间的智能资源竞争，那么布鲁金斯提出的“词元鸿沟”，则将视角延伸至企业和社会内部的资源分配。两者共同揭示了一个趋势：随着智能逐渐成为可以购买和交易的资源，谁掌握智能的供给能力和分配规则，也将拥有更大的经济与政治影响力。
这种变化，首先体现在企业之间。
掌握前沿模型的企业，往往同时与云计算平台、芯片供应商和应用生态紧密连接。当越来越多企业依赖外部模型开展生产经营时，模型服务的价格、调用额度、技术接口乃至服务条款，都会影响下游企业的竞争能力。
2025年，美国联邦贸易委员会在有关大型云服务商与AI开发商合作关系的报告中指出，部分合作安排可能影响其他竞争者获得算力及关键资源的机会。
公共服务领域也会面临同样的问题。
特别是学校、图书馆和医疗机构能否持续获得高质量AI服务。过去，一所学校获得互联网接入后，网络基础设施通常可以使用较长时间；但如果它希望长期提供AI学习辅导，就需要不断承担模型调用和系统维护成本。
不同地区的财政能力与技术条件，可能因此转化为新的教育资源差距。
国家之间的差异同样值得关注。
Anthropic于2025年9月发布的《经济指数报告》发现，不同国家的Claude使用强度与人均收入存在明显相关关系：人均收入每增加1%，人均Claude使用强度平均高出约0.7%。美国占Claude全球使用量的21.6%，印度和巴西分别占7.2%和3.7%。
这些数据只能反映特定平台的情况，不能直接等同于全球AI使用格局。但它至少提示了一个趋势：人工智能服务的普及程度，仍与既有经济发展水平和数字化能力高度相关。
模型价格继续下降，并不意味着各国、各群体获取和组织智能的能力会自动趋同。
图4｜不同国家Claude使用强度与人均收入的关系，来源：Anthropic《经济指数报告》
随着AI进入工业生产、科研和公共治理，芯片、算力、模型与智能服务平台的重要性会持续上升。对于高度依赖境外模型接口和计算基础设施的经济体而言，服务价格、技术限制与供应连续性，都可能影响其智能应用能力。
词元政治所关注的，正是智能成为生产性资源之后，市场权力、公共资源分配和国际技术依赖关系将如何变化。
作者在文章结尾指出，互联网时代缩小数字鸿沟的政策经验，难以原样照搬到人工智能时代。
网络建设可以通过覆盖率、网速和接入价格来评估成效；但AI能力一直在变化，仅为用户提供固定数量的Token，并不能保证他们持续获得有价值的智能服务。
因此，他建议建立更合理的衡量方式，例如单位任务成本、每美元能够获得的模型能力，并通过公共计算资源、市场透明度和竞争政策，降低不同群体获得智能服务的障碍。
这一讨论对中国发展词元经济也有启发。
近年来，随着模型成本下降和开源模型生态发展，智能服务正进入更多产业和公共服务场景。价格下降能够降低应用门槛，但不同地区、企业和公共机构在算力条件、数字化基础和专业人才方面的差异，仍会影响智能服务的实际使用效果。
未来推动词元经济发展，既要关注模型调用成本，也要关注智能资源能否真正进入中小企业、学校、医院和基层公共机构。相比单纯追求Token消费规模，更重要的是让更多主体具备使用智能、组织智能，并将其转化为实际价值的能力。
回看互联网的发展历程，网络接入的普及降低了信息获取成本，却没有自动消除数字能力和经济机会上的差距。
人工智能正在带来一个相似、但可能更深入的问题。
Token越来越便宜，能够使用AI的人越来越多，但不同群体未必能获得相近的能力增益与发展收益。
“词元鸿沟”这个概念也提醒我们，在关注模型能力与推理成本时，也应把智能资源的分配问题纳入人工智能发展的讨论。
当智能逐渐成为一种可以持续购买的生产性资源，技术进步能够创造多少价值固然重要；这些价值最终由谁获得、如何分配，以及谁有能力影响分配规则，同样值得持续关注。
