根据最新的调查，大模型的成本历史性地向下跌破了百万Token 1美元的大关，停留在0.9665美元。

图表一出，美股惊出一身冷汗，不少人惊呼：变现模式撑不住了，算力要系统性过剩了！

有趣的是，这次领跌的居然不是打价格战的开源小弟，而是各家高高在上的前沿闭源大模型。Meta推出Muse Spark 1.3杀伤力十足，OpenAI的Astra又在暗中蓄力，加上中国开放权重模型的强势崛起与搅局，各家为了抢拆生态位把Token价格打成了“白菜价”。

高盛交易台甚至质疑，随着推理逐渐转向更便宜的本地硬件，传统的按Token收费根本不是长久之计。

但如果你以为这是AI算力见顶的信号，那只能说太小看这场硬核竞赛了。

经济学里有个经典的“杰文斯悖论”：当一种资源的使用效率大幅提高、单位成本急剧下降时，市场并不会因为便宜而减少消耗，反而会刺激出排山倒海的新需求，最终导致总消耗量不降反增。

更硬核的转变在于，AI大模型研发正在跨入“递归自我改进（RSI）”的新阶段。

以前是人类敲键盘提问，AI打字回答，Token是人类消费的；现在是AI自己在研究算法、编写代码、设计实验、修复报错，自己训练下一代AI。这种长时间智能体循环和推理时算力（Test-Time Compute）的飙升，直接为算力需求打开了第二条指数级增长曲线。

顶级实验室之间的差距拉得有多大？

手里有充足GPU的团队一天能跑完几百个实验验证，缺算力的实验室一天连5个都跑不完。算力优势直接碾压成研究优势，研究优势再兑现为模型能力。

谷歌的Gemini 3.8 Flash虽然表面上输入输出Token单价便宜，但因为智能体多轮协作和输出量大增，完成单项成功任务的综合成本反而比上一代高出了约40%。你看，AI自己卷起来，花钱比人类大方多了。

看看产业基本面真正的硬核数据，就知道“算力过剩”有多离谱：

英伟达2027财年第二季度营收暴涨106%达到962亿美元，数据中心收入同比激增117%至890亿美元，并明确表示70%的收入增长仍严重“受制于供应限制”；

Anthropic转头就豪气地签下350亿美元的Lambda算力协议，以及450亿美元、460兆瓦容量的Nscale算力大单；

韩国8月半导体出口在去年高基数下依然同比狂飙209%至466.5亿美元，创下历史新高； 连存储芯片都成了硬通货，TrendForce预测HBM和DRAM合约价将持续飙升，2027年甚至将吞噬云服务商近七成的资本开支。

高盛官方研究团队预测，到2030年，智能体工作流将推动Token月消费量暴增24倍至120千万亿枚，未来12到18个月芯片短缺仍是常态。

所谓的“算力过剩”，顶多是老旧代际加速器、高杠杆小云厂商和缺乏长约保证的数据中心的局部代际洗牌。在顶级算力的饕餮盛宴上，大家不仅没吃饱，反而因为Token变便宜而吃得更凶了。

当AI开始疯狂“自我进化”，人类以为在捡白菜价的便宜，实际上硅基巨兽正顺着降价的阶梯，加速迈向算力永动机的时代。