📊 Tokenomics（代币经济学）
💡 我们一直认为，前沿模型提供的智能体与复杂工作流运行成本高昂，受物理瓶颈制约，且易受 “部署成本无摩擦” 这种不切实际的预期影响。
📉 如今来看，这一判断已不像我们 2 月首次提出时那样具有争议性了。
📰 亚马逊已移除其代币排行榜，微软也取消了 Claude Code 订阅服务，市场上还多次出现 “代币账单远超预期” 的报道。
💡 这里的关键是，即便是最强大的技术，也必须遵循成本曲线、产能约束与边际收益的朴素规律。
💻 因此，对 AI 的应用不再取决于前沿模型理论上能做什么，而更多取决于大规模部署 AI 所需投入的价格与稀缺资源，包括算力、电力、冷却、内存带宽等。
🔒 推理预算也成为了真实且具有约束力的限制条件。
💡 经济学理论告诉我们，价格具备三大基本功能：传递稀缺信号、激励替代行为、将稀缺资源配置到价值最高的用途上。
📈 更高的算力与推理成本，传递了底层资源的稀缺信号；它们会促使企业放弃低回报的实验，转向更高效的模型或工作流；同时，也会将稀缺算力资源向 AI 边际生产力足以覆盖其使用成本的领域倾斜。
💡 我们并不认为，对算力密集型 AI 的前沿探索会就此终止，只是认为其未来可能会集中在少数几家具备以下条件的公司：资产负债表能够承受算力成本、具备深度研发能力实现高效部署、最重要的是拥有能将 “解决高难度问题” 的收益规模化的业务场景。
💡 对于整体经济而言，在物理约束缓解前，更简单的模型可能是更具成本效益、能提升生产力的路径。
🔀 因此，我们看到前沿 AI 与日常 AI 的使用场景正在出现分化迹象。
📉 近期，衡量 LLM 代币使用价格与结构的 Silicon Data LLM 代币支出指数出现下降，这或许反映了向低成本模型的转移趋势。
💡 Silicon Data 指出，”当单个模型价格下降、用户转向更高效的模型选择，或市场不再集中于高价模型时，该指数会出现下跌。”
💡 这一解读与更广泛的观点一致：市场对 AI 部署总成本（价格 × 代币使用量）的敏感度（弹性）正在上升，推动用户转向无需前沿技术的更便宜或更高效模型。
💡 这也解释了为何代币价格下跌，并不与 AI 基础设施需求增长相矛盾：在弹性市场中，更低的单位成本能够释放更多使用需求，即使使用结构正转向更便宜、更高效的系统。
💡 我们仍对 AI 作为提升生产力的技术的最终前景保持乐观，但需要指出，实现价值的路径可能比市场此前假设的更具选择性、更注重成本意识，这一点对资产价格而言至关重要。
💡 正如我们此前关于 AI 与劳动力市场的研究所述，关键变量不仅是生产力本身，还有对成本正在下降的任务与服务的需求弹性。
💡 在需求具备弹性的领域，AI 带来的效率提升足以扩大产出，进而增加对劳动力等互补生产要素的需求。
💻 因此，迄今为止最具韧性和可规模化的生产力提升，似乎都来自将 AI 作为人类劳动力的补充场景：开发者使用代码助手加速生产、文档编写、测试与调试；客服坐席使用 AI 助手更快解决问题；知识工作者用模型压缩搜索、起草、翻译和分析准备工作。
💡 这些场景比 “自主智能体一次性处理所有任务” 的愿景，更狭窄、更规范、代币使用效率更高。
⏳ 中期来看，模型效率、算力、冷却与电力基础设施的改善，能够缓解当前部分物理约束。
💡 不过，市场最好避免锚定在 “AI 无处不在、无摩擦、即时可用” 的世界中。
💡 一个更合理的路径是不均衡扩散：前沿部署集中在收益足以覆盖算力成本的领域，而更广泛的应用受成本与产能制约，资产价格也将定期在技术野心与物理约束之间达成平衡。