李三希等：推动词元经济健康发展，更好支撑智能经济新形态

李三希 中国人民大学经济学院副院长、数字经济研究中心主任、中国宏观经济论坛（CMF）主要成员
刘 希 中国人民大学经济学院网络经济学博士生

本文转载自6月3日《中国经济时报》。

本文字数：5784字

阅读时间：18分钟

2026年《政府工作报告》明确提出，打造智能经济新形态，深化拓展“人工智能+”，促进新一代智能终端和智能体加快推广，推动重点行业领域人工智能商业化、规模化应用。2025年国务院印发的《关于深入实施“人工智能+”行动的意见》进一步提出，到2027年新一代智能终端、智能体等应用普及率超过70%，到2030年进一步超过90%，智能经济成为我国经济发展的重要增长极。由此看，词元经济不能仅在大模型问答的意义上理解，而应放在智能体加快普及、智能服务深度嵌入生产生活流程的背景下把握。

大模型使人工智能具备通用推理、内容生成和复杂表达能力，但在智能体出现之前，这种能力更多停留在问答、生成和辅助推理环节，应用场景相对有限，任务链条不够完整，词元调用规模也受到约束。智能体的出现，使模型从回答问题进一步走向执行任务，能够围绕既定目标进行规划、检索、调用工具、生成代码、校验结果并持续反馈，从而把人工智能能力嵌入真实业务流程。2026年4月，斯坦福数字经济实验室有关智能体编码任务的研究显示，智能体任务消耗的词元可达到传统代码聊天和代码推理任务的约1000倍。高盛研究部2026年5月发布的研究也预计，随着消费端和企业端智能体加快采用，到2030年全球月度词元消耗将较2026年增长24倍，达到约1200万亿个词元。

在这一进程中，词元正在从大模型内部的技术概念，逐步上升为智能经济运行的重要计量基础和制度抓手。推动词元经济健康发展，关键在于准确把握其概念边界、战略定位、运行逻辑和治理要求，引导词元调用从规模扩张转向价值创造，更好服务智能经济新形态建设和新质生产力发展。

一、词元经济的战略定位：智能经济运行的度量衡与价值转化枢纽

（一）词元是人工智能服务调用、资源消耗和价值交付的基础尺度

词元是人工智能处理和生成信息的基础计量单位，是衡量人工智能服务调用、资源消耗和价值交付的基本尺度，核心作用是为数据供给、模型能力、算力消耗在场景之间的价值转化提供统一刻度。从技术层面看，大模型将文本、代码、图像、音频、视频等信息转化为可识别、可编码、可推理、可生成的词元序列。从经济层面看，随着大模型服务产业化和智能体加快发展，词元已经从模型内部的技术参数，延伸为服务计量、成本核算、交易结算和治理审计的基本单位。

词元作为基础尺度，其价值在于贯通人工智能价值全链路。数据是原生资源，模型是能力载体，算力是生产底座，三者在实际应用场景中持续运转，催生出问答、检索、编程、设计、决策辅助、自动执行等各类智能服务。而词元正是串联数据、模型、算力与应用场景的统一度量标准。缺少这一通用尺度，智能服务的成本核算、质量对标、价值分配与责任追溯都将失去依据。

（二）智能体兴起推动词元经济从模型计费走向任务经济

大模型发展初期，核心应用集中在内容创作与问答交互，此时词元主要对应单次对话与内容产出，行业商业模式也以按调用量计费、会员订阅为主。随着智能体落地，人工智能开始承接各类复杂长周期任务。词元的消耗模式随之改变，不再局限于单次单点调用，而是演变为连续的链式调用；应用形态也从简单问答、单次内容生成，升级为全流程任务落地与能力输出。企业级智能体运行时，往往会联动知识库、业务系统、检索工具、代码环境及审批流程等多项资源，其价值最终落脚于能否高效、保质完成订单处理、合同审核、设备运维、风险研判等实际业务工作。

由此可见，词元经济的核心，不单是搭建模型调用的收费规则，更要搭建一套面向智能任务的计量、评估与交易体系。往后衡量效能的核心指标，也不再局限于词元调用总规模。更需要关注的是，完成一项具体任务对应的词元消耗量、单位词元所能创造的实际价值、不同模型与系统处理同类任务的成本差距，同时区分出正常推理产生的合理消耗，以及重复试错、无效检索、智能体空转带来的资源浪费。随着智能体应用不断普及，围绕任务落地成效，重新梳理词元统计规则与价值评判标准，已是必然趋势。

（三）词元经济是数据要素市场化配置改革向人工智能领域的深化形态

过去讨论数据要素市场，重点是解决数据如何汇聚、确权、授权、流通、交易和开发利用的问题，核心是让数据供出来、流起来、用起来。进入智能经济阶段，数据要素市场的主要矛盾进一步深化：数据是否具有价值，取决于能否被模型有效吸收、推理和调用，在真实产业场景中转化为可衡量的任务完成能力。

由此可见，词元经济并不是脱离数据要素市场的新概念，而是数据要素市场在人工智能阶段的自然延伸和深化形态。它把相对分散的数据供给、模型训练、推理服务、算力调度、应用开发、交易结算和安全审计纳入同一条价值链，形成以智能服务交付为核心的经济系统。其战略意义在于，为人工智能进入千行百业建立新的度量衡、结算体系和责任框架，推动模型能力转化为经济系统中可度量、可交易、可治理的智能服务能力。

二、词元经济的运行逻辑：从流量扩张转向智能服务价值创造

（一）正边际成本改变数字经济传统增长逻辑

传统互联网经济建立在信息低成本复制的基础上。网页、视频、应用和数字内容一人使用和被亿万人使用，边际复制成本都接近于零，因此平台可以依靠免费服务、流量扩张和生态变现实现增长。而词元经济的底层逻辑不同，每一次智能服务调用都消耗真实的算力、电力、显存、带宽和工程维护资源，且复杂任务、高风险场景和长上下文推理往往带来更高的边际成本。智能体任务的多轮调用、重复检索、工具执行和结果校验，还会进一步放大成本波动。

成本结构的变化，决定了词元经济不能简单沿用“烧钱换规模”的增长模式。若只追求调用量，可能导致大量算力消耗在无意义闲聊、重复生成、低质内容和测试调用上，形成低价值资源浪费。更合理的方向，是从规模指标转向效率指标，把“单位词元价值密度”作为评价重点，即在同等资源消耗下，词元调用能够完成多少有效任务、降低多少错误风险、节约多少人力时间、创造多少业务价值。

（二）高质量数据和有效算力决定单位词元价值密度

词元经济表面上是模型和算力问题，底层仍然是数据质量和算力效率问题。没有高质量行业数据，词元调用量再大，也可能只是低质量生成和重复消耗。国家数据局相关信息显示，截至2026年一季度，全国已建成高质量数据集超过11.6万个，总体量超过960PB；国家数据集管理服务平台已启动试运行，发布当日共认证供需主体200余家、发布数据集1000余个，我国数据资源规模优势正在加快向人工智能可用的数据供给能力转化。下一步，应围绕重点行业建立高质量数据集目录、数据标注规范和动态更新机制，推动公共数据、企业数据和科研数据在安全合规前提下更好服务模型能力形成。

算力基础设施建设同样要从规模扩张转向有效供给。根据《全国数据资源调查报告（2025年）》，截至2025年底，全国智能算力规模达到159万PFLOPS；与此同时，全国算力资源监测调度体系加快建设，可监测、可供调度的算力资源分别达到85.7万PFLOPS和9.6万PFLOPS。词元经济不仅需要建算力，更需要用好算力，推动训练、推理、边缘部署和行业专属场景分类布局，提升算力调度效率、服务稳定性和绿色集约水平。

（三）场景组织能力决定词元调用能否转化为生产力

应用场景是词元经济实现价值转化的最终环节。场景组织能力越强，需求定义越清晰，业务流程越规范，词元调用就越容易转化为可衡量的任务结果；反之，如果场景组织能力不足，模型能力和产业需求之间就会出现错配，导致智能服务难以真正形成有效生产力。

因此，推动词元经济健康发展，不能只靠供给侧建模型、堆算力，还要加强需求侧场景组织能力。政府可以围绕工业制造、现代农业、交通物流、金融服务、医疗健康、教育科研、城市治理等重点领域建立应用场景分级支持目录，对公共价值高、产业带动强、风险管控稳的场景优先开放数据、算力和模型资源；对医疗、金融、法律、网络安全和关键基础设施等高风险场景强化准入评测、人工复核和第三方审计，确保词元经济稳妥落地、有效赋能。

三、以基础制度建设保障词元经济服务实体经济

（一）建立可信计量和质量评价体系，引导有效词元率提升

词元经济首先是计量经济。没有可信计量，就没有可信价格、可信结算、可信统计和可信监管。当前，不同模型、不同分词器、不同模态、不同缓存状态和不同智能体调用链条下，词元数量和成本结构并不完全一致。如果企业各自定义、各自解释，就会导致价格不可比、账单不可核、统计不可用，也会削弱用户对智能服务的信任。

应逐步明确输入词元、输出词元、缓存词元、推理词元、工具调用词元、多模态词元和智能体链式调用词元等口径，推动重点服务建立账单明细、调用日志和计量审计机制，让用户清晰知晓所购买的算力与智能服务的真实价值。同时，要把质量评价从数量导向转向任务效果导向，重点考察回答正确率、代码运行率、合同审查准确率、工业质检识别率、风险提示有效性和人工可复核性，引导企业提高有效词元率。

（二）构建开放协同的市场结构，防范生态锁定和垄断风险

词元经济容易形成新的市场集中和生态锁定风险。一是规模经济明显，基础模型训练和推理服务具有较高固定成本，数据、算力、人才和工程能力容易向头部企业集中。二是数据反馈效应较强，用户调用越多，企业越能积累提示词、交互日志、偏好反馈和错误修正数据，从而进一步改进模型和应用。三是生态锁定程度较深，如果模型企业同时控制云平台、开发工具、办公入口、应用分发和计量结算规则，用户迁移成本和开发者依附程度都会上升。一旦少数主体同时掌握高质量行业数据、基础模型、算力入口、应用分发和计量规则，就可能形成新的纵向一体化垄断。

但治理词元经济的市场结构，不能简单理解为基础模型企业数量越多越好。基础模型具有高固定成本和规模经济，适度集中有其技术经济合理性。真正需要防范的是，少数主体利用数据、模型、算力或入口优势向上下游不当延伸，削弱行业数据、垂域模型、推理算力、应用服务、质量评测和计量审计等环节的专业化分工。较为合理的产业结构，应是基础模型层保持有效竞争和适度集中，垂域模型层鼓励多元发展，行业应用层推动充分竞争，数据和算力服务层强化开放协同，第三方评测、审计、合规和安全服务专业化发展。

（三）坚持服务实体经济和分类治理，完善定价、审计与责任规则

词元经济越是快速发展，越需要基础制度先行。首先要防止概念泛化和金融化偏离。词元可以被计量、定价和结算，但不宜脱离真实应用场景被资产化、证券化或投机化。其次要完善价格机制。现阶段通行的“词元量×模型版本单价”定价方式解决了基础结算问题，但用户真正购买的是具体场景下的任务完成能力。未来应形成基础词元计费、服务等级计费、任务包计费、订阅加超额计费和效果付费等多元价格结构，引导市场关注单位任务成本下降和单位词元价值密度提升。

再次要对不同能力、不同场景、不同开放程度的词元服务实行分类分级治理。通用问答、低风险内容生成和内部辅助办公，可以采取相对宽松的合规要求；医疗、金融、法律、网络安全、关键基础设施等高风险场景，则应强化准入评测、白名单使用、日志留存、人工复核和第三方审计。美国人工智能公司Anthropic推出的Project Glasswing项目提供了有益借鉴：该项目主要面向关键软件安全场景，由于其能力既可用于网络防御，也可能被滥用于网络攻击，因此并未直接向公众开放，而是限定在关键软件基础设施相关组织中受控使用，并配套日志留存和第三方审计。此案例表明，高能力词元服务不一定适合完全公开开放，能力越强，越需要与风险分级、白名单使用、日志留存和第三方审计相结合。

最后，需厘清数据供给方、模型研发方、应用开发方、部署运营方及终端用户各方的责任划分。要针对数据来源、使用权限、模型版本、调用流程、内容输出以及人工审核全环节，留存完整追溯依据，落实各主体的合规要求与对应责任。目前，依托《生成式人工智能服务管理暂行办法》，服务备案、应用登记等相关制度已陆续落地，为行业规范发展筑牢了制度根基。在此基础上，还需把计量公示、质量评估、日志留存、第三方审计等内容，整合进更为完备的治理体系当中。

结语

推动词元经济健康发展，应坚持场景价值牵引、基础制度先行、产业生态开放和风险治理同步，把重点放在提高有效词元率、建设高质量数据集、增强有效算力产能、完善可信计量审计机制、维护开放竞争市场结构上。只有形成计量可信、价格合理、竞争开放、责任清晰、风险可控的制度框架，词元经济才能避免走向概念炒作和资源空转，真正成为支撑智能经济新形态的重要基础。