缪锦春

生成式人工智能驱动经济体系由数字经济向智能经济深度跃迁。不同于以往信息化技术侧重降本增效的工具属性，本轮大模型技术变革，正在从生产要素、价值创造、分配机制多个维度重塑宏观经济运行底层逻辑。在笔者看来，当前智能经济最大的堵点，并不完全卡在算力供给、数据资源等硬件层面，而是价值计量理论建设滞后于产业实践。AI所产出的认知服务属于无形产出，长期面临不可观测、不可计量、不可定价、不可交易的现实困境，这一短板已经开始制约智能要素市场化配置改革向前推进。

Token的出现为破解上述难题打开了全新路径。它早已跳出单纯分词工具这一技术定位，成长为串联数据、算法、算力、知识劳动四大新型生产要素的价值纽带。站在产业演进视角研判，国内人工智能行业的竞争赛道已经发生切换：过去比拼模型参数、算力规模，未来将转向高质量Token可持续产出能力的较量。算力中心也将由传统的数据处理工厂，逐步转型为认知成果产出基地。由此而言，加快开展Token经济学理论探索，绝非纯技术层面的议题，而是补齐智能经济理论短板、畅通智能要素循环的一项前瞻性、基础性工作。

从技术底层来看，Token是大模型及多模态智能系统界定的最小智能计算粒度。文本、图像、音视频等各类信息的智能编码、语义运算与内容生成，均依托Token单元完成，完整映射了人工智能认知生产的全过程，是智能时代最核心的技术表征载体。相较于劳动、资本、数据等传统生产要素，Token具备适配智能产业发展的复合型经济特征，构成其市场化配置的底层基础：一是相对稀缺性。数字信息具备零成本复制特性，但高质量、高可靠性Token的稳定产出，高度依赖优质数据、高端算力、能源供给与成熟模型架构，其核心生产能力存在刚性稀缺约束。二是非竞争性与可排他性。Token可实现多人、多场景同步复用，不存在传统要素的消耗性；同时可通过平台权限、调用额度、计费机制实现商业化排他管理，适配市场化运营需求。三是价值尺度标准化。Token已成为AI服务通用计价依据，有效破解了长期以来数据价值、智能产出难以量化核算的行业难题。四是规模经济与范围经济。智能模型前期研发、训练投入固定成本高，增量Token生成边际成本极低；同时单一模型的认知能力可跨行业、跨场景复用，具备极强的产业辐射能力。五是场景价值异质性。Token不存在固定静态价值，其经济效用随应用场景、任务复杂度、认知难度动态分化，呈现显著的场景依赖特征。六是正向网络外部性。用户交互、数据反馈持续驱动模型迭代优化，模型能力升级进一步提升Token产出质量与价值，形成“增长—优化—增值”的正向循环。

从价值形成逻辑看，Token是新型劳动形态与资本投入共同作用的产物，拓展了传统劳动价值论的分析边界。笔者认为，人工智能本身并不创造劳动价值，人的知识劳动依然是认知产出价值的本源。Token的价值基底来源于双重劳动凝结：一是数据治理、算法迭代、模型调优、知识工程等新型知识活劳动；二是算力设施、硬件资本、技术沉淀、数据资产积累形成的物化劳动，最终实现认知生产成果的价值固化。Token的价值释放并非一次性完成，呈现动态迭代的循环特征。其价值在智能推理、场景落地、市场反馈、模型优化的持续闭环中不断兑现、放大。依托规模化复用优势、算法持续进化与生态网络协同，Token能够突破传统要素线性增长约束，实现非线性、自强化的价值增值。Token市场属于智能时代新型数字要素市场，交易标的本质是AI认知推理服务能力。其价格以内在价值为核心锚点，受算力成本、模型精度、市场供需、生态规模等多重变量共同约束。价格信号能够有效引导数据、算力、算法等核心智能要素向高效率、高价值领域集聚，优化智能经济整体资源配置效率。

长期以来，技术进步对经济增长的贡献，主要依靠全要素生产率（TFP）残差法间接测算，存在明显的“黑箱缺陷”，难以精准捕捉新技术的真实产出贡献。当前AI产业正面临全新的智能生产率悖论：全社会算力投入、模型研发、数据储备持续扩张，但宏观经济统计体系未能有效承接智能产出，AI的生产率贡献长期被低估、漏算。在笔者看来，悖论背后的根源，并非人工智能没有带来效率提升，而是传统国民经济核算框架尚未建立适配认知产出的统计口径。问题的核心症结，在于传统生产函数与统计框架，无法单独识别、剥离、计量AI认知生产的独立价值，只能将其归入残差项。Token作为可量化、可追踪的智能服务流量指标，形成了理论突破：将隐性的AI认知生产过程显性化、指标化、可统计化，推动AI技术贡献从残差间接测度转向过程直接测度。未来可构建以Token、算力、模型、数据为核心的四维智能核算体系，重塑适配智能经济的生产函数与国民经济统计框架，为智能经济的增长测算、要素治理、价值分配与产业规制提供全新的理论范式与实证支撑。

（作者系南京大学长江产业发展研究院特约研究员）