董学耕：词元是AI的燃料还是原材料？——兼议词元出海

阅读提示：如果对背景材料不感兴趣，可直接跳过1和3节阅读。

2026年7月3日，阿里巴巴内部下发通知，要求全体员工停止使用Anthropic旗下的Claude系列产品。禁令范围涵盖Sonnet、Opus、Fable等主流模型以及Claude Code等智能体工具，生效日期为7月10日。这一决策的意义不仅在于一家头部科技公司对单一海外AI产品的封禁，更在于它从根本上暴露了前沿AI工具在中国规模化商业落地过程中不可调和的合规矛盾。[1]

据媒体报道，禁令的直接导火索可追溯至Anthropic指控阿里以及DeepSeek、月之暗面、MiniMax等国内AI实验室对Claude实施大规模模型蒸馏。

更具破坏性的是技术层面的信任崩塌。开发者社区对Claude Code的逆向分析发现，该工具自2026年4月2日发布的2.1.91版本起内置了一套隐蔽的检测机制。该机制会在用户开启智能体时，检查系统时区是否为中国时区（Asia/Shanghai或Asia/Urumqi），以及URL是否匹配一份包含147个条目的域名清单。相关检测代码经过加密混淆处理，147个监控域名做加密存储，工具更新日志中未披露该功能。事件曝光后，Anthropic Claude Code团队成员Thariq Shihipar回应称，该机制是团队于2026年3月上线的“实验性”措施，目的是防止未经授权的账户转售以及防范模型蒸馏攻击。他表示相关代码已在2026年7月2日发布的新版本中完全回滚并删除。

这一事件揭示了前沿AI商业化中一个被长期忽视的结构性风险：当企业的核心研发流程深度嵌入海外闭源工具时，工具提供方对用户环境的“反向检测”能力构成了对商业机密和代码产权的根本性威胁。阿里从“报销使用”到“反向禁用”的180度转向，标志着中国头部科技公司对“把核心业务建立在别人闭源工具上”的态度，正在从“拿来主义”转向“安全优先”。

为此，文献[1]指出在企业内部使用海外AI工具的场景中，至少存在的三类显性合规风险，它们共同构成了阿里“反向禁用”的制度逻辑。

其一，数据出境风险。当员工将包含代码、商业策略、用户数据等内容的提示词输入Claude等海外模型时，这些数据实际上被传输至境外服务器进行处理。根据《数据安全法》和《个人信息保护法》，重要数据和个人信息的出境需履行安全评估、标准合同备案或保护认证等程序。企业员工在日常工作中使用海外AI工具所触发的数据出境，往往处于“无评估、无备案、无合同”的“三无”状态，合规敞口巨大。

其二，模型“数据回流”风险。 Claude Code的隐蔽检测机制揭示了更隐蔽的风险维度——海外AI工具不仅被动接收数据，还可能主动收集用户环境信息并回传。这种“反向数据采集”使得企业的开发环境、代码仓库、内部域名等敏感信息在用户不知情的情况下被外泄。从合规角度看，这种行为可能同时触犯《网络安全法》关于网络产品和服务提供者的安全义务规定，以及《数据安全法》关于数据收集合法性的要求。

其三，供应链安全与外部准入风险。 Anthropic对阿里的蒸馏攻击指控以及随后的大规模封号行动表明，海外AI服务对中国用户的准入具有单方面、不可预测的裁量权。当企业的研发流程深度依赖某一海外AI工具时，服务中断、账号封禁、功能限制等外部决策将直接冲击业务连续性。这种供应链依赖在地缘政治不确定性加剧的背景下，构成了战略性的经营风险。

这一事件提示我们，使用境外大模型存在合规风险和经营风险。

使用大模型不只是和大模型交互词元吗？这也会触发《网络安全法》《数据安全法》以及《个人信息保护法》？

确实会的。因为虽然词元并不等于数据，但本质上就是数据，矢量化的数据。

大模型就是通过海量现成数据（语料）的导入，通过暴力计算，进行训练，确定词元矢量空间中各矢量之间的余弦距离，即确定各词元之间基于概率的关联关系，即确定大模型的参数，从而可以实现对语义的“理解”。[2]

因此，大模型是数据喂出来的，大模型会将数据“翻译”为词元，也会将词元“翻译”回数据。尽管这种翻译带有一定的概率性，但模型越强，“翻译”越准。而喂模型的数据质量越高，模型也就越强。数据和词元在大模型里的强相关性，意味着和大模型交互的词元，实际上是在交互数据。这样，使用境外模型存在数据合规风险就不奇怪了。

近日，DeepMind研究员深夜爆料：OpenAI的Scaling Law原始论文竟有致命bug！全球AI白白烧掉万亿算力，GPT-3其实严重“虚胖”。[3]

2020年，OpenAI给出结论是：在固定的算力预算下，你应该优先把模型做大（堆参数），而不是拿更多数据去喂它。这意味着在过去的几年里，全球最聪明的头脑、最稀缺的算力，都浪费在了无效的规模扩张上。

我们本可以用更小的模型、更多的优质数据，实现更强的性能。

按照这篇文献的说法，模型做大并非不重要，不过在一定的预算下，更重要的投入方向是优质数据。

对此，笔者的关注点在于，数据质量对于大模型更具决定性意义。

现在回到本文的标题：词元是AI的燃料还是原材料？

事实上，业界一个普遍的说法就是：数据（或词元）是AI的燃料。

对此，笔者并不认同。数据（词元）其实是AI的原材料。

燃料提供能量或动力，即提供大卡或焦耳，本身是可替代的，用完就用完了，价值归零。例如可以是石油，可以是煤炭，可以是电力，耗完就耗完了，它们对于产出物来说，没有区别。

但是原材料就不同了，原材料本身的物理性质、化学性质等要带进产出物，使用并不是消耗，而是将其价值带进产出物。用钢材还是用铝材，用塑料还是用碳纤维，最后产出物的物理性质、化学性质是完全不同的。

对于大模型的预训练、后训练以及推理而言，数据，以及数据通过分词、矢量化而形成的词元，都在数字空间里有特定信息含量，不是无差别的“燃料”，不是无差别的大卡或焦耳，而是有信息内容的数据、词元，它们的信息含量是要带入大模型的，实际决定着模型参数、推理结果。

如果数据、词元只是“燃料”，那么用更大规模的低质量数据和用较少的高质量数据训练出来的模型应该是可以等价的，因为对于“燃料”而言，如果其燃烧值低，那就多用一点，如果其燃烧值高，就少用一点，最后都能提供同样的热量（大卡）。

事实显然不是这样的。数据、词元质量实际上决定着模型质量。依托高质量数据集训练、推理的大模型，所输出的智能，靠堆低质量数据是堆不出来的。

因此，数据、词元不是“燃料”，而是“原材料”。

数据、词元的的质量很大程度上决定着大模型的质量、能力，特别是决定着大模型推理的质量，决定着大模型、智能体在真实应用中产出物（输出结果）的质量。

为什么非要强调高质量数据集？为什么非得要AI ready，因为只有这样的高质量的输入原材料，才能有高质量的输出产出物。

因此，词元不等价于电力，也不能还原为电力。

尽管大模型的训练、推理依赖于算力、电力，但是电力只是基础，数据、词元才是高质量内容。

如果说有什么“燃料”，词元不是“燃料”，电力才是真正的“燃料”。有了电力这个“燃料”基础，让大模型训练、推理这套机器（算力）运转起来，才能将作为“原材料”的数据、词元“翻译”进入大模型，概率性地决定大模型的内部参数、推理过程以及输出产出物。

数据、词元“原材料”质量极大决定着大模型质量、智能体质量，反过来看，大模型质量、智能体质量也决定着产出物（数据或信息以及智能化的结果，解决应用场景问题的结果）的质量。

所谓“模数共振”，数据、词元作为“原材料”而非“燃料”，才有“模数共振”。

所谓词元（token）出海，首先不是电力出海，而是数据出海。

词元出海的业务模式中，首先要考量的不是电力如何转换，时延如何缩小，而是数据出境如何合规，而绝不能是“无出境安全评估、无保护认证、无标准合同备案”的“三无”状态。

如果业务模式仅仅是所谓将电力转化为词元，而获得所谓智能溢价，而未经出境合规方面的评估，这样的所谓“词元出海”，需要质疑。

因为在所谓词元出海中，实际上意味着数据出境。

这并非否定词元出海，而是要将其作为数据出境，进行相关出境安全评估，标准合同备案或保护认证等程序，进行相关的使用控制。

这不是一件可以批量化、泛化的工作，而是需要针对每一特定场景都进行相应的评估、认证或备案等程序。也就是说，不能泛泛地说某地可以词元出海，而是需要将上述程序内嵌在出海程序中，成为基于数据出境控制的词元出海。

据报道，作为2026全球数字经济大会重要组成部分的2026数字经济产业博览会上，一款基于AI的数据产品（即智能体）吸引了人们的注意。[4]

在大屏上数字人的引导下，观众将面部、眼部依次沉入一台智能检测仪中。很快，一份中医面诊、目诊的健康报告就出炉了。

“这款智能检测仪不仅为中国市场服务，而且开发了包括英语、韩语、俄语、泰语等在内的十余个语言版本。”观薇智能科技（北京）有限公司运用AI技术，实现望闻问切数字化、标准化、智能化，挖掘名医医案辅助开方，提升医疗、康养领域传承和应用能力。

这是面向应用场景的AI应用直接出海，当然也是词元出海。这种特定场景的服务，对外输出的并非泛化服务——不是按照用户提示词响应，而是只响应特定服务，即面诊或目诊，用户输入是特定的，服务内容输出也是特定的。也正因为此，一方面这样的数据、词元出海易于符合出境安全程序，另一方面这样的服务输出是高价值的，不仅限于输出的词元数量价值，而是高阶的诊疗服务价值。

这就好比出口，这里不是原材料直接出口，而是产成品出口，甚至是服务出口，获得的是更高价值和收益，将原材料的加工增值环节留在了国内。

这种基于数据产品（智能体）即基于特定场景的服务出海——也顺带词元出海——值得倡导。

参考文献：

[1]阿里“反向禁用”Claude背后：金融机构AI准入管理怎么做？32条指导意见划出红线. 

[2]董学耕：不可承受的词元之重——有Token经济这回事吗？. 

[3]OpenAI塌房！Scaling law原作曝bug，万亿算力全白烧. 

[4]中国推动AI产品“出海”惠及全球-新华网. https://www.news.cn/fortune/20260705/87d3f93d6c7c4e819f610461957c7d11/c.html