人工智慧處理文字時的基本計算單位「詞元」(token),正在工程師和董事會之間掀起風浪,從把詞元當作生產力指標,耗費數百萬美元公司資金的「詞元用量最大化」(tokenmaxxing)競爭,到反之而行的節約路線「詞元用量最小化」(tokenminning),圍繞AI的不確定性與急迫性,讓更多問題浮上檯面:AI的用處究竟為何?AI模型如何定價,未來價格又會如何變動?你花錢買下的是什麼?又要怎麼衡量AI帶來的價值?
經濟學家魯賓(Howard Rubin)為企業提供科技投資方面的諮詢,他指出AI是「無法推敲本質的貨幣,而且財務方面的實務也尚未確立。AI目前被視為一種投資,但如果得不到回報,這會是風險相當高的投資。」AI投資風險高且缺乏相關研究,促使經濟學者檢視企業導入AI的策略和後續獲益,探討AI詞元這項有限資源如何被創造,如何被交易,以及如何轉化成人們的需求。企業一直在導入新技術,電力系統讓能源可以輸送到更遠的地方,網際網路徹底改變服務的形式,雲端使數據處理從繁瑣的現場作業轉換為遠距租賃形式。AI的影響或許更為深遠,但其成本與效益比前述的「舊」技術更難以估量。
詞元計價資訊不透明,導入AI究竟值不值得
《紐約時報》(New York Times)專文分析,AI投資的運作模式,可能最接近石油產品。原油提煉出汽油、柴油、丙烷等不同燃料,它們用途各異,但都可以用能量的英熱單位(British Thermal Unit,BTU)為標準計量,且經常透過交易所批發交易,其價格會隨著供需而波動。將石化燃料的框架套到AI上頭,那麼原油等同於電力和半導體,產生的計算結果被餵給模型,並以詞元來計量。不過AI和石化產業的相似處僅限於此。現在市面上有數以千計的AI模型,計價資訊卻非常不透明,諸如一個詞元需要多少電力驅動,最適合執行特定任務的是哪些模型還有需要花費多少詞元,都未有共識。
聖塔克拉拉大學(Santa Clara University)AI與分析教授芭拉(Ram Bala)表示,AI作為一種公共服務,有各種各樣的部署模式,因此價值認定這個問題變得更加困難。舉例來說,部分模型就算被指派不可能的任務,依然會繼續嘗試達成目標。芭拉說:「你想要解決困難的問題,這是積極的一面;但從消極面來看,這可能會落入無限循環,而且無法找到合理的解答。」
非營利的Linux 基金會(Linux Foundation)致力於開源軟體的協同開發,過去曾制定雲端運算的標準,方便用戶比較不同供應商的服務。今年六月,Linux 基金會宣布成立「詞元經濟學基金會」(Tokenomics Foundation),目標同樣是根據AI公司同意公布的資訊,來制定通用的計量標準,幫助企業導入AI。
"AI boom’s profits are being funded by investors rather than earned from customers. The upstream margins are real, but they are paid for out of capital raised by the layer losing money, not out of cash generated by end demand," Apollo chief economist Torsten Slok said...
— FORTUNE (@FortuneMagazine)August 10, 2026
企業以不影響利潤為前提,嘗試利用AI獲取更多收入,例如AI平台「Revenium」為企業客戶提供追蹤AI投資成本及其帶來的商業價值。Revenium共同創辦人兼營運長康柏蘭(Jason Cumberland)表示,他建議客戶向內部工程師提出昂貴模型的使用量限制,當詞元用量達到上限,工程師會轉為使用較便宜的開源模型,同時仔細審視真正的需求。「來找我們的客戶都遇到支出暴增的問題,他們想要了解這到底值不值得,以及如何在不影響工作的狀況下縮減支出,這才是挑戰所在。」康柏蘭指出額外的AI投資成本是企業的共通問題,剛開始,企業會為了Claude或ChatGPT的訂閱費用大傷腦筋,隨著他們愈發依賴這些AI模型,便開始削減軟體授權、網頁開發、文案等支出。
企業納入AI成本評估人力編制
公司企業正在考慮將AI詞元納入人力預算,這也正是學者們關注的議題:AI是否將取代或增強真實人類的勞動。貝恩策略顧問公司(Bain & Company)的分析師進行一項思想實驗,他們設想的中程情境下,AI詞元支出將佔企業營運成本的四分之一左右。
網路安全公司「Elisity」表示,這個願景距離我們還很遠,不過該公司利用「仿生編制」(bionic head count)系統奠定基礎。根據仿生編制,AI成本加總之後除以員工薪資與福利支出的平均值,可以得到「虛擬員工人數」,然後用企業的年度營收除以真實與虛擬員工的總人數,來衡量單人貢獻。為了讓這套評估系統更真實,人資部門甚至會為虛擬員工撰寫工作內容,看看「雇用」他們是否合理,每當工程師利用AI模型完成一項任務,就必須進行一次評估。
Elisity行銷長崔德威(Charlie Treadwell)說,本質上來看,導入AI是在擴增虛擬人員編制,而這個決策是幫助公司賺更多錢,還是吃掉利潤,才是需要關注的問題,「對於處於成長期的企業來說,這會改變分配資金的思路」。然而,若是AI詞元價格大幅上漲,情況將會迅速改變。Elisity目前使用150人的定額團隊訂閱方案,如果照慣例依詞元使用量付費,Elisity的AI支出將會暴增為四倍之多,屆時公司將不得不重新審視AI運用。另外,不同雲端供應商有不同的計價方式,這又讓成本評估更為複雜,企業客戶端也無從得知價格波動的原因;由於AI公司在推出新模型以前都在搶攻市佔率,他們的收費方式有時並不會反映實際的詞元成本。
利用快取、AI代理人縮減成本
企業導入AI有助於降低「運用AI」的成本,部分原因在於快取(cache)詞元日益普及。AI模型先前處理過的提示詞及結果,可以極低的價格重複使用,隨著愈來愈多企業透過能夠自主執行任務的AI代理人(AI agent)使用其他AI工具,這些AI代理人便可利用更多快取詞元來委派任務,從而降低成本。本月發表的一篇經濟學初步研究報告指出,儘管詞元消耗量和前沿AI模型的標價都在上漲,企業AI支出卻低於預期。
AI詞元成本下降,與人類員工薪資相較仍具競爭力,這會大大影響企業將來屬意哪種類型的AI模型,然而目前懂得高效部署AI的人才依然稀缺。貝恩策略顧問公司合夥人王玨(Jue Wang,音譯)認為這其實是業內人士顯少談及的限制,「我們常常會說某公司能力不足,但同時,他們也缺乏創造價值的人才」。
要研究企業內部AI支出狀況,其中一個癥結是資料不足,無法進行追蹤、分析。現階段AI消費沒有中心化交易所,沒有期貨交易,也沒有整理出價格與支出的政府報告。正因如此,耶魯大學經濟學教授柴文斯基(Aleh Tsyvinski)才對OpenRouter的數據感到無比興奮。OpenRouter是整合AI模型與供應商的平台,用戶能夠比較不同模型的價格與表現等資訊。雖然OpenRouter的數據只代表總體AI資本支出的2%,但柴文斯基可以由此觀察金融市場對AI支出的反應。柴文斯基表示:「這是我們這個世代面臨的最大的挑戰之一。AI可能會如何改變一切,或者到頭來無法改變任何事物,了解這些有所助益,取得衡量標準也是件好事。」
(相關報導:
當AI能夠「自主研發」新AI,我們距離「機器接管世界」已經不遠?Anthropic呼籲:保留「暫停前沿AI開發」選項
|
更多文章
)