【前言】
各位，周末愉快。
准备了【token经济学及算力工程】的系列三篇文章，一天一篇，来系统阐述大模型的盈利模式、阿莫代公式、TOKEN经济学与英伟达万亿营收的内在逻辑，它们之间存在嵌连递进的逻辑关系。
相信具备一定算力投资基础的读者，系列阅读并理解三篇文章后，结合鹏友圈CapitalCircle此前的《AI产业现状》的长文，便懂得2026年如何投资AI。
时间来到26Q2，有几个明确的AI产业趋势的节点。
一是训练侧转向推理侧需求，这对算力的需求也产生深刻的结构性影响，比如光互联、存储等需求，将在26年迎来大幅增长；
二是智能体的爆发，对TOKEN的消耗呈现指数级增长，这点从26Q1开始尤为明显；
三是大模型的使用成本，开始呈现明显提价的趋势，廉价使用算力的时间窗口正在逐步关闭；
四是智能体的token经济学，商业模式上已经成型，实际盈利能力很优秀，尽管因未来算力资本开支仍影响当期利润表现，但不影响其盈利能力的实际优异的指标；
本文我们重点拆解Anthropic 创始人达里奥·阿莫代阐述的token经济学和大模型商业模式的逻辑；
2026年是AI非常关键的年份，如果商业模式仍不成立，那么算力的高估值无法支撑，投资持续性和成长性无从谈起，所以深度理解Token经济学、理解大模型的盈利模式非常重要，这是今年的投资底座。
【正文】
自2023 年 AI 浪潮爆发至今，投资节奏已经从算力竞赛到ROI 审判。
进入2026 年，所有的叙事逻辑最终都收敛到了一个极其冰冷且务实的财务指标上：ROI（投资回报率）。
如果说过去三年是算力的“军备竞赛期”，那么2026 年则是“工业化交付期”。
正如Anthropic 创始人达里奥·阿莫代（Dario Amodei）在最新访谈中揭示的那样，AI 产业已经告别了纯粹的技术臆想，正式进入了 “Token 经济学”的深水区。
这不再是关于模型有多么聪明，而是关于模型作为一种“数字劳动力”，其产出的边际成本与边际收益是否能支撑起一个万亿量级的估值体系。
本文将深度拆解阿莫代的逻辑，并结合英伟达（NVIDIA）的硬件演进路径，论证为何这一场“硅基工业革命”正在跑通其商业闭环。
当前市场对AI大模型盈利能力的质疑，本质上是对“算力消耗”与“价值创造”之间非线性关系的理解缺失。
本文旨在阐述三个核心命题：
1）Token经济学的本质：
AI已从“信息存储/检索”转型为“生成式工厂”，Token是衡量数字化生产力的唯一货币。
2）“天才之国”效应：
阿莫代提出的天才之国逻辑，证明了AI的ROI（投资回报率）并非源于单纯的人力节省，而源于“时间压缩”产生的代际溢价。
3）利润的“会计错觉”：
所谓的亏损并非业务模型不成立，而是高额CapEx（资本开支）与即时收益在时间轴上的错配。
实际上，推理侧的单位经济模型（Unit Economics）已展现出极高的确定性与毛利水平。
一、阿莫代公式——Token 经济学的“第一性原理”（分子端）
1、1:3 逻辑：数字劳动力的毛利底色
在阿莫代的推演中，Token 不再是简单的字符序列，而是标准化的劳动力单位。
他提出了商业模式逻辑是：如果企业投入1 元钱的 Token 成本，能够置换或产出等值于人类劳动力 3 元钱的价值。
这1:3 的比例，扣除 1 元的推理成本（包括电力、折旧、运维），剩下的 2 元便是毛利。66.7% 的毛利率，对于任何一个规模化的工业化生产而言，都是非常优异的。更重要的是，这只是“通用劳动力”的起步价。
2、从边际成本看大模型的“利润护城河”
为什么阿莫代如此强调ROI？其核心在于大模型彻底改变了软件行业的毛利结构。
传统SaaS 的毛利往往在 80% 以上，但AI时代的毛利逻辑变成了：（智力产出价值- 算力成本）/ 智力产出价值。
阿莫代在访谈中隐含了一个极其重要的趋势：随着算力成本（分母）的工程化下降和模型智力（分子）的指数级提升，大模型的毛利率正在经历一个“U型反转”。
初期，由于训练和推理成本极高，毛利受压；但当模型跨越临界点，单个Token 的推理成本以每年 50%-80% 的速度下降时，模型厂商实际上是在用“趋近于零”的边际成本，去收割原本需要高薪聘请人类专家才能产生的“智力溢价”。
这种“毛利溢价”的本质，是英伟达通过硬件迭代锁住了 60% 以上的硬件毛利，而大模型厂商则通过 Token 经济学锁住了 90% 以上的“智力分发毛利”。
对于投资者而言，看大模型公司2026年财报，不应只看总营收，而要看“Token 毛利率”是否随着推理规模的扩大而持续走高，这是判断一家 AI 公司是否具备定价权的唯一标准。
3、在实际落地中的公式表现
1）分子端（收益）：并非简单的“省钱”，而是“增产”。
当AI Agent 能够 24 小时无休地进行药物分子模拟、法务合同审计或复杂的代码工程时，其产出的价值往往具有非线性的增长。
2）分母端（成本）：由摩尔定律和工程暴力双重驱动。
随着1.6nm 工艺、CPO（共封装光学）技术以及液冷机柜的普及，单 Token 的功耗成本正在以每年 50% 以上的速度衰减。
4、分子端的“星辰大海”拆解：从替代到创造
阿莫代的焦虑在于“收入增长的斜率”。他提到 Anthropic 的收入以每年 10 倍的速度狂飙，这背后的底层驱动力是智力的工业化大规模生产。
传统的工业革命解放了体力，其产出受限于物理资源和物流半径。而智力的工业化生产，其产出是“熵减”的数字化成果。
当AI 能够独立完成一个研发主线任务时，分子端的“收益”将从线性替代员工小时数，跃迁为指数级的创新产出。
这意味着，1:3 的比例在未来极有可能演化为 1:10 甚至更高。
当下分子端的3（1+1+1），笔者大概这么理解：（包括节流+开源创收两部分）
1）第一块：替代价值（节流/保底） —— 约 1元
即智能体替代人类员工的部分，这部分正在加速上演，以北美为例，粗略估算劳动力成本每年约15万亿美元，智能体（数字员工）持续替代/赋能单位人类员工的趋势会加速，不可逆。
逻辑：并不不仅仅是说公司裁掉一个员工省3 元，而是 AI 以 1/10 甚至 1/100 的成本 完成了原本需要 1 元人力成本的任务。
现状：目前主要集中在客服、基础代码审计、初级文案。
这部分的ROI 确实是靠节省开支，但它为企业提供了24小时工作的数字员工和无限规模化的能力。
比如一个公司以前只能服务1万个客户，现在靠 AI 可以同时服务 100 万个，且成本不随用户量线性增长。
2）第二块：能力增强与时间压缩（开源/增量） —— 约 1 元
这部分不是“取代”，而是“让原本做不到的事变得可行”。
阿莫代的逻辑：他提出了一个概念叫“数据中心里的天才之国（A Country of Geniuses in a Datacenter）”。
简单理解，这个天才之国就是由智能体组成的组织或集体，具有超级高的计算能力、智力水平，这个组织用来解决过去人类无法解决尖端科技难题，这部分的“1”，是创收开源的逻辑。
【智力密度与“1000倍”的研发效率】
在阿莫代的视角里，Token 不仅仅是字符，而是“被量化的智力密度”。
他在采访中多次提到一个震慑性的预判：未来的AI 集群不再是简单的计算中心，而是一个“压缩了时间的智力容器”。
所谓“数据中心里的天才之国”，其真正威力在于同步性（Synchronicity）。
人类专家的研发是异步的——需要开会、需要睡眠、需要跨地域协作；
而AI 代理（Agents）可以在一秒钟内进行数百万次“自我博弈”和“逻辑对撞”。
在生物制药和材料科学领域，AI 带来的 ROI 提升不再是简单的 1:3，而是通过将原本 10 年的研发周期压缩至 3 个月，实现了时间维度上的“暴力套利”。
这种对“人类时间”的替代，是Token经济学中最昂贵的组成部分。
举个例子，比如新药研发：AI 在 3 个月内完成了人类专家组需要 3 年才能完成的分子筛选。这 3 年时间的提前，带来的专利价值和市场领先地位是纯粹的开源（增量收入），而不仅仅节省了几个科研人员的工资。
另外的例子，比如复杂系统设计：比如利用AI 辅助设计下一代更复杂的芯片（如英伟达用AI设计 Rubin），这种产品性能的代际跨越产生的商业溢价，远超人力成本的节省。
核心逻辑：这里的ROI提升来源于“创新速度的指数级提升”。
3）第三块：全新物种与商业模式（长尾/未来） —— 约 1 元
这是最具争议但也最具想象力的部分：AI 创造了以前不存在的需求。
智能体经济（Agentic Economy）： 比如 24 小时在线的个性化私人教师、全自动的数字资产交易员、能够自主进行市场调研并执行广告投放的数字员工。
逻辑：这些需求在“昂贵的人类劳动力时代”是不存在的，因为雇不起。但当 Token 便宜到 1:3 甚至 1:10 时，这些长尾需求被激活，创造了全新的市场份额。
二、警示与风险：效率漏损
简单说，就是收入增长斜率在若干年后的某个时点如果放缓，即节流部分已经没有空间，开源创新部分也无法持续提供增量的话，那么支撑算力资本开支的逻辑自然不成立了，届时才是真正的算力过剩的开始。
当然，这个担忧是逻辑上的假设，理论上是存在这个节点的。
所以，分母端的单位算力成本，必须持续下降，所以我们才持续关注比如能耗、比如CPO、比如传输效率、比如PCB、铜缆、AEC等等，底层逻辑统统是要求算力基建部分要单位TOKEN成本持续下降，可以总成本提升，比如RUBIN比B300更贵，但单位算力成本必须持续下降。
以上这个算力发展趋势，就是投资者重要的跟进AI产业趋势的内容。
阿莫代阐述的“Token 经济学”的生死线，意思是如果收入增长从10 倍掉到 5 倍，而买卡的支出依然按 10 倍规划，公司盈利增长逻辑会反转。
目前的阻碍不在于AI 不够强，而在于组织排异。
如果AI 节省了员工 10 小时，但组织架构无法将其转化为新的产出，这种“效率漏损”就会拉低分子端的数值。
因此，2026 年企业级 AI 的胜负手，不在于谁的模型参数大，而在于谁能让 AI 深度嵌入生产流程，实现真正的 ROI 兑现。
【毛利率的“剪刀差”：从财务视角看效率漏损】
从毛利逻辑来看，大模型厂商正面临一种名为 “推理边际挤压”的风险。
阿莫代在深度采访中曾暗示，模型初期的毛利率由于推理成本的高企通常并不理想，但随着Token 经济学的成熟，理想状态下智力产出的边际成本应趋向于零。
所谓的“效率漏损”，在财务报表上体现为 “分子端的钝化”：
如果一家企业采购了昂贵的GB300集群，却仅仅将其作为一种高级的“搜索工具”而非“自动化的生产代理”，那么其 Token 消耗产生的价值将无法覆盖算力的折旧成本。
未来某个时点如何评估大模型、CSP、AI泡沫的风险？
危险信号在于：如果Token 价格无法持续下降的同时，分子端的商业溢价（Premium Value）因组织效率无法释放而停滞，那么大模型公司的毛利率将下滑。
届时，支撑英伟达万亿营收的逻辑将从“增长溢价”转为“存量博弈”，这正是投资者必须时刻警惕的“逻辑反转点”。
三、Will AI make a lot of people lose their jobs?
“天才之国”效应：从“存量替代”转向“增量创造”：
阿莫代提出的“数据中心里的天才之国（A Country of Geniuses in a Datacenter）” 概念，为岗位焦虑提供了一个全新的解答。
他认为，AI的终极意义不在于让1个人做完10个人的活然后裁掉9个人，而在于让这10个人在 AI 的加持下，去攻克以前 10,000 人都无法解决的难题。
以生命科学为例：过去一家药企的研发成功率（ROI 分子）受限于人类生物学家的经验和实验周期。
现在，通过智能体集群进行蛋白质折叠模拟和药物靶点筛选，AI 并没有“消灭”生物学家，而是将他们的身份从“实验操作员”提升到了“算力架构师”。
论据1：时间压缩的溢价。
这种转变创造了巨大的增量市场。
当研发周期从10 年缩短到 2 年，由此产生的专利收益和先行者红利（即 N 倍的增量价值），足以覆盖并大幅超越算力开支。
论据2：智力密度的重塑。
2026 年的职场真相是：被淘汰的并非“昂贵的人类”，而是“低智力密度的环节”。
阿莫代逻辑下的“高产出员工”，是那些能够熟练调用 Token、将 AI 智力转化为商业成果的“超级个体”。
这种“人机协同”的毛利率，远高于单纯的人力驱动模式。因此，失业潮只会发生在无法与 AI 耦合的平庸组织中，而能够驾驭“天才之国”的个体和企业，将迎来人类历史上最高毛利的产出时代。
理解了以上的1+1+1，自然理解了AI当然不必然带来人类的失业，员工使用AI的单位产出几倍于算力支出的增长，这样的员工就是具备价值的。前提是人类员工要具备创造性使用智能体的能力，进而产出数倍于自身薪酬成本的产值。
这也是当下的token主要消耗在编程、产品经理手里的原因，他们很疯狂地用AI在产出价值。
《token经济学与算力工程》系列第一篇先写这些，后面将更第二三篇，阐述算力基建的工程暴力如何突破物理墙，以及英伟达万亿营收的底层逻辑。
相关阅读：
「AI 产业落地质变」大模型跨越“逻辑推理”临界点，重构商业闭环与算力需求函数
「把握时代红利，共赴未来投资机遇」价值投资底层逻辑与拥抱AI大时代
重构与跨越 -「OFC/GTC 2026」产业观察指引：AI互连与底层硬件的演进趋势
拆解「沪电股份」在英伟达Rubin后时代的“相对唯一性”和价值量跃升路径
「洞见AI+产业爆发点，关注❤收藏☆转发=提前布局AI机遇」
现在关注的人，未来会感谢今天的自己
「风险提示：本文企业投研结论系个人投资笔记，个人观点仅供参考，不构成投资建议。数据基于公开数据和行业及券商研究报告。市场有风险，决策需谨慎」
「版权声明：原创内容未经许可禁止转载，侵权必究。如需使用，请联系作者获取许可，并注明来源」
#英伟达#AI#人工智能#算力#光模块#PCB#光互联#TOKEN经济学#智能体
【鹏友圈CapitalCircle】继续欢迎科技行业、半导体行业、有色化工顺周期行业的资深投资人、产业投资人、机构研究员等人士加入鹏友圈，一起分享讨论投资机会。
申请免费，仅要求加入后，未来做一期内部产业分享或投资分享。
欢迎更多符合要求的朋友，私信或邮箱背景履历、拟分享题目，我们一起拥抱2026年更多产业及投资机遇。Email: jypcapital@163.com