在討論AI時，常常會聽到一句話：大模型很燒錢。
這句話不完全錯，但也不完全對。
問題在於很多人知道很貴，卻不知道貴在哪裡。
如果成本沒有被拆清楚，我們對整個產業的判斷，很容易失焦。
一、Token是什麼？
大模型的收費方式通常基於一個單位：Token。
簡單理解：
-
你輸入給模型的文字 → 會被拆成Token
-
模型輸出的文字 → 也會被拆成Token
輸入Token + 輸出Token= 計費基礎
一般來說，一個漢字約等於1～2個Token。
如果你請模型寫一篇1000字的文章，
大約會消耗幾千個Token。
大模型公司通常按每百萬Token多少美元計價。
二、把數字換成直覺
我們用幾個生活化的例子來看。
生成一篇1000字文章，大約幾美分，寫一篇3000字長文，可能幾美分到十幾美分，生成一本數十萬字小說，可能幾美元。
當你這樣換算後會發現，對於單一使用者來說，AI其實不貴，那為什麼很多人覺得燒錢？
因為成本是乘法。
三、燒錢的不是單次使用，而是規模
如果你是一個普通使用者，每天用幾次模型，成本幾乎可以忽略。
但如果你是一家企業：
-
每天處理數萬筆客服對話
-
每天生成大量內容
-
每天跑自動化流程
Token消耗會快速累積，成本就會放大。
這也是為什麼模型公司關心的是，調用頻率與用戶規模。
而不是單次對話價格。
四、真正的成本在哪裡？
模型公司本身的最大成本，並不是API本身。
而是：
-
GPU算力
-
訓練集群
-
能源消耗
-
工程團隊
例如GPU供應商如 NVIDIA，提供的是模型訓練與推理的核心算力。
而晶片製造商如 台積電，則在更底層支撐整個供應鏈。
換句話說，Token費用的背後，是一整條算力供應鏈。
五、成本下降是趨勢，不是例外
歷史上所有計算技術，都遵循一個趨勢，單位算力成本下降。
從大型機 → 個人電腦，
從撥號上網 → 光纖，
從本地伺服器 → 雲端，
計算能力變強，但單位成本長期下降，AI也不例外。
模型會更強，但推理成本會被優化，硬體會升級，效率會提升。
這意味著，長期來看，AI會越來越便宜。
六、那為什麼燒錢敘」會存在？
因為市場在看兩件事：第一是訓練成本，第二是資本支出。
大型模型訓練動輒數億美元，這確實昂貴。
但這是資本開支（CapEx），不是日常使用成本。
對用戶而言，關鍵不是訓練成本，而是推理成本。
而推理成本，正在快速優化。
七、成本結構對分配意味著什麼？
這一點才重要，如果AI使用成本持續下降，那麼：
-
應用層進入門檻會降低
-
模型競爭會加劇
-
基礎設施需求會增加
成本下降，通常會擴大市場規模，當市場規模擴大，紅利分配的方式也會改變，這才是我們真正應該關心的。
當你聽到AI很燒錢時，你可以問兩個問題：
燒的是訓練成本，還是推理成本？
燒的是單次使用，還是規模擴張？
大多數時候，對個人而言，AI並不昂貴。
真正昂貴的，是底層算力與基礎設施。
而那，也正是分配鏈條裡最穩定的一環。
下一篇，我們來談一個更貼近生活的問題：
當Agent開始執行工作，職業會消失，還是重組？
因為效率提升最直接影響的，不是模型公司，而是勞動市場。