洪永淼：Token经济学理论创新初探

7月3日，2026中国数字经济发展和治理学术年会（以下简称“年会”）在清华大学举行。中国科学院大学经济与管理学院院长洪永淼发表题为《Token经济学理论创新初探》的主旨演讲。本文根据洪永淼教授发言内容整理。本文来源：清华服务经济与数字治理研究院

本账号接受投稿，投稿邮箱：jingjixuejiaquan@126.com

洪永淼：Token经济学理论创新初探

很高兴有机会来这里跟大家一起交流。今天跟大家一起交流分享的题目是“Token经济学理论创新初探”。

一、引言

当前，以大语言模型、生成式人工智能为代表的新一轮人工智能革命，正在推动经济形态从数字经济向智能经济演进。与以往技术进步主要表现为单一技术工具的升级不同，人工智能技术正在深度嵌入生产、分配、交换、流通和消费全过程，推动经济活动的生产组织方式、价值创造机制以及生产关系发生系统性变化。智能经济时代面临的一个核心问题是，如何度量、定价和配置由人工智能系统产生的新型认知能力与智能产出？

Token正是在这一背景下出现的重要经济对象。它不仅是人工智能模型运行过程中的技术计量单位，更可能成为连接数据、算法、算力和知识劳动的新型价值载体，将原本难以度量的人工智能认知活动转化为可计量、可定价、可交易的经济对象。正如英伟达创始人黄仁勋在GTC 2026大会上提出的观点，人工智能产业正在从大模型竞争进一步走向Token生成能力竞争。未来的数据中心不再只是存储数据的仓库，而将演变为生产智能产出的“Token工厂”。这意味着，智能时代竞争的核心，不仅是拥有多少数据和算力，更是能否持续、高效地产生高质量Token。

从经济学视角看，这一变化提出了一系列新的经济理论问题：第一，Token具有什么样的技术属性与经济属性？第二，Token如何创造价值并实现价值增值？第三，Token经济将如何改变传统生产方式和生产关系？围绕这些问题展开研究，有助于揭示智能经济时代价值创造、资源配置和生产关系演化的新规律，并为Token经济学理论体系的形成提供理论基础。

二、Token的技术属性与经济属性

人工智能的发展正在推动经济生产方式从“数据驱动”向“智能生成”转变，而这一转变首先带来的是经济计量体系的变化。农业经济时代，劳动投入可以通过工作时间衡量；工业经济时代，能源可以通过“千瓦时”实现标准化计量；数字经济时代，数据可以通过Byte进行存储和传输。然而，智能经济时代，人工智能生产过程涉及数据、算法、算力和认知推理等多维因素，传统计量方式难以准确刻画智能产出的形成过程。Token正是在这一背景下产生的重要经济对象。

（一）Token的技术属性

Token并不是语言本身固有的自然属性，而是由大语言模型分词器（Tokenizer）、编码规则和模型架构共同定义的信息处理单元。在大语言模型运行过程中，人工智能并不是直接理解和处理自然语言，而是首先通过分词器将文本转换为Token序列，再基于神经网络模型完成信息编码、语义表示、上下文关联和概率预测等计算过程。不同大模型由于采用不同的分词算法、编码体系和模型架构，即使面对相同的文本输入，也可能产生不同数量和结构的Token。例如，同一段文本在不同大模型中可能被划分为不同长度的Token序列。这表明，Token并非简单衡量文本长度的信息单位，而是人工智能系统对信息进行编码、表示和计算的基本粒度，其数量和结构反映了特定模型处理信息的方式。

随着生成式人工智能向多模态方向发展，Token的内涵也在突破文本范畴，逐渐扩展至图像、音频、视频以及生物信息等领域。Token正在成为连接不同类型数据和智能任务的统一计算接口，成为智能经济时代新的信息组织方式。每一个Token的生成，都对应着大模型一次局部的信息处理和概率推理过程，包括输入信息编码、语义关系建模、上下文关联分析、概率计算以及输出生成等多个环节。因此，Token不仅反映信息数量，还能体现出人工智能系统完成认知计算任务的过程，是智能生产活动的重要技术表征。

（二）Token的经济属性

第一，稀缺性。从表面上看，Token属于数字信息，其复制成本接近于零，并不具有传统物理意义上的自然稀缺性。然而，Token的大规模生成依赖于高质量数据、先进模型、算力基础设施以及能源投入，而这些生产条件具有明显的成本约束。因此，Token的稀缺性并非来源于信息本身，而来源于支撑智能生产过程的基础能力。智能时代真正稀缺的不是Token这一数字单位，而是持续、高效生产高质量Token的能力。

第二，非竞争性。Token作为人工智能系统智能产出的数字化表征，其使用不会导致信息资源本身被消耗，同一Token可以被同一人多次循环使用，也可供多人同时使用，因此具有数字产品典型的非竞争性特征。非竞争性也是Token区别于传统物质生产要素的重要经济属性。

第三，部分排他性。虽然Token具有数字资源的开放共享特征，但通过市场机制和制度安排，可以形成一定程度的排他性。例如，人工智能服务平台可以通过Token计费、调用额度、会员制度以及权限控制等方式，实现对Token的商业化配置。因此，Token同时具有数字产品的共享属性和市场交易属性。

第四，价值尺度。在数字经济时代，数据价值长期面临难以准确测度的问题，而Token通过对人工智能计算过程和智能服务产出进行标准化，正在成为智能经济的重要价值尺度。目前，OpenAI、DeepSeek等人工智能服务均采用Token作为服务计费依据。这表明，Token已经超越单纯技术单位的范畴，正在成为智能服务市场中的重要计价尺度。

第五，规模经济性。Token生产具有典型的高固定成本、低边际成本特征。模型训练、数据获取、算法研发、算力建设和能源投入构成了Token生产的前期固定成本，而大模型部署完成后，新增Token生成的边际成本相对较低。因此，Token生产具有显著的规模经济特征，模型能力和用户规模扩大能够降低单位智能服务成本。

第六，范围经济性。不同于劳动、资本等传统生产要素通常对应特定生产领域，Token承载的是具有高度通用性的认知能力。同一人工智能大模型生成的Token，可以广泛应用于医疗、教育、金融、科研和制造等不同领域，实现跨行业价值创造。这意味着Token突破了传统生产要素的行业边界，具有更强的通用生产能力。

第七，场景依赖性。Token本身并不具有固定价值，其经济价值取决于具体应用场景。同样数量的Token，在简单文本生成任务与复杂科研分析任务中的价值存在显著差异。在不同产业领域，Token所替代或增强的人类认知劳动截然不同，其创造的经济价值也存在明显差异。因此，Token价值具有高度的场景依赖性。

第八，网络外部性。大语言模型具有明显的平台化和生态化特征。随着用户规模扩大，大模型能够获得更多交互反馈，不断优化算法性能，提高Token生成质量和效率。模型能力提升又进一步吸引更多用户参与，形成“用户增长—数据反馈—模型优化—价值提升”的正向循环。因此，Token价值不仅取决于单一模型自身能力，也受到整个智能生态网络规模和协同效率的影响。

三、Token的价值创造与价值实现

每一个Token的生成，并非简单的信息复制过程，而是人工智能系统综合调用数据资源、算法模型、计算能力和知识体系，对输入信息进行编码、推理、生成与反馈优化的复杂认知生产过程。Token本质上是大语言模型认知生产过程的外在表现形式，它将原本隐含于模型内部、难以直接度量和交易的智能能力转化为标准化经济对象，使人工智能认知能力具备市场化配置的基础条件。通过Token计量，人工智能服务能够实现标准化供给、规模化调用和市场化交易，推动AI能力由技术资源向经济价值转化。

（一）Token价值形成过程

从劳动价值论视角看，Token价值可以理解为智能生产过程中多种复杂活劳动与物化劳动共同作用的结果。

一方面，Token生产凝结了大量新型活劳动。与传统生产劳动相比，智能经济中的劳动更多体现为知识型、创造型和技术型等新型劳动，包括数据采集与治理劳动、算法研发劳动、模型训练劳动、知识工程劳动以及人工智能系统优化劳动等。这些劳动并非直接生产物质产品，而是通过数据加工、知识组织和技术创新，不断提升人工智能系统的信息处理能力和认知生成能力。Token作为智能生产过程的产出形式，实际上承载了大量新型活劳动在人工智能系统中的转化与凝结。

另一方面，Token生产也凝结了大量物化劳动。人工智能大模型并非简单的软件程序，而是长期技术积累和资本投入的结果。其中既包括数据基础设施、算力中心、芯片设备、能源系统、软件平台等物质技术条件，也包括模型训练过程中沉淀的大规模知识成果。这些过去劳动以新的价值形态凝结于人工智能系统之中，成为Token生成的重要价值基础。

因此，Token价值并非来源于数字信息本身，而来源于支撑智能生产过程的复杂活劳动投入和物化劳动转移。人工智能大模型作为一种新型生产资料，本质上是人类知识劳动、技术劳动和社会化生产能力高度凝结后的智能化生产工具。从这一意义上看，Token经济拓展了劳动价值理论的分析边界，使其能够由传统物质商品生产领域进一步延伸至认知生产领域。未来经济学需要进一步研究数据劳动、算法劳动、知识劳动等新型劳动形态，以及这些劳动如何通过人工智能系统转化为新的价值创造能力。

（二）Token价值实现过程

传统商品价值的实现依赖于商品进入市场，并通过交换完成价值转化。而Token的重要经济意义在于，它为人工智能内部的认知能力提供了一种标准化交易形式，使原本难以市场化配置的智能能力能够进入经济循环。Token生成之后，可以通过API接口、智能终端和各类应用平台进入不同经济场景，将大模型智能能力转化为具体的智能服务。例如，在医疗领域，Token可以支撑辅助诊断和知识检索；在金融领域，可以支持风险分析和智能决策；在科研领域，可以辅助知识发现和复杂问题求解。

在这一过程中，Token发挥着连接人工智能生产端与应用需求端的重要作用，使大模型能力能够像传统生产要素一样进入市场配置过程。其价值实现并非简单的信息消费，而是通过满足用户需求、降低认知成本、提升生产效率等方式，实现智能能力向经济效益的转化。因此，Token价值实现具有明显的动态过程特征，并非在生成阶段一次性完成，而是在“生产—推理—应用—反馈—优化”的循环过程中持续实现。

（三）Token价值增值过程

与传统商品价值增值主要依赖物质形态变化不同，Token价值增值更多来源于人工智能系统能力的持续提升。

首先，Token具有高度可复制和规模经济特征。传统劳动成果通常受到时间和空间约束，而人工智能大模型能够同时向大量用户提供服务，使同一套智能能力在不同领域和应用场景中重复使用，实现认知能力的规模化扩散。其次，Token价值具有持续学习和动态演化特征。随着模型不断吸收新的数据、获得用户反馈并优化算法，其生成Token的质量、准确性和效率不断提升，使原有智能能力实现动态增值。再次，Token价值具有网络协同效应。用户规模扩大能够带来更多交互反馈，反馈推动模型性能优化，模型能力提升又进一步吸引更多用户参与，从而形成“用户增长—数据反馈—模型优化—能力提升—价值扩张”的正向循环。

因此，Token价值增长呈现出明显的非线性、自增强和网络外部性特征。这也是智能经济区别于传统工业经济的重要方面，即价值增长不再完全依赖物质投入的线性增加，而越来越依赖知识积累、算法进步和生态协同。

（四）Token定价与Token市场

“价值决定价格，价格围绕价值上下波动”，这一基本经济规律在智能经济时代仍然成立。Token价格以其内在价值为基础，同时受到市场供求关系、模型能力、数据质量、算力成本、能源价格、推理效率以及市场竞争等多重因素影响。因此，Token价格不仅是人工智能服务交易的市场结果，也是引导智能生产要素优化配置的重要经济信号。一方面，Token价格能够反映不同数据资源和大模型能力的市场价值，引导数据资源向高质量、高效率模型集中，提高数据要素配置效率；另一方面，Token价格能够影响算力资源配置方向，引导计算资源向高价值人工智能应用领域流动。此外，价格机制也能够促进算法创新、模型优化和资本投入，推动人工智能技术持续演进。

从市场形态看，Token市场既不同于传统商品市场，也不同于简单的数据交易市场，其本质上是以智能能力供给与需求匹配为核心的新型数字要素市场。其交易对象并非单纯的信息产品，而是人工智能系统所提供的认知服务能力。与传统商品的一次性交付不同，Token交易具有持续调用、按需付费和动态供给等特点。与传统软件服务相比，Token价值还受到模型能力提升、用户规模扩张和智能生态发展的共同影响。因此，Token市场呈现出低边际成本、高规模经济、强网络外部性和持续演化等新的经济特征。

四、Token经济与AI技术贡献测度

技术进步被认为是推动长期经济增长的核心动力，也是长期经济增长的根本源泉。然而，由于知识创造、技术创新和生产效率提升过程具有高度复杂性和不可直接观测性，技术进步长期被视为经济增长分析中的“黑箱”。因此，如何准确测度技术进步对经济增长的贡献，一直是经济增长理论的重要课题，也是一个重要难题。

经济增长核算的发展历史表明，生产要素测度方法的创新，是推动技术进步贡献测度不断深化的重要基础。20世纪50年代，经济学诺奖得主Solow提出基于生产函数的增长核算方法，将劳动和资本等可观测投入的贡献扣除后，将剩余部分归因于技术进步，即著名的“Solow残差”或全要素生产率（TFP）。这一方法极大推动了技术进步测度研究的发展，但由于技术进步本身缺乏直接观测指标，其贡献长期依赖残差估计。

随着资本测度方法的不断完善，技术进步贡献测度出现了新的变化。Solow和Kuznets早期基于美国经济数据的研究发现，技术进步对美国经济增长的贡献达到80%，而资本与劳动等生产要素的贡献只有20%。而Jorgenson等基于新的资本服务测度方法发现，从1947年到2012年，劳动和资本投入对美国经济的贡献达到80%，而技术进步只有20%。

上述研究结论产生差异的关键原因，并不在于技术进步本身，而在于资本投入测度方法的变化。传统资本测度方法通常将资本视为同质化存量，难以充分反映不同资本类型、使用效率和经济服务能力的差异。而资本服务测度方法则通过考虑资本使用成本、折旧、资产价格变化以及不同资本类型差异，将资本投入从简单的数量统计转变为更加符合生产过程的服务流量测度。新的测度方法通过区分不同类别的资本，如IT和非IT资本，且应用更精准的折旧和价格指数，从而显著提升资本投入在增长核算中的比例，这样就把全要素生产率的贡献降了下来。

这一历史经验对人工智能时代具有重要启示：技术贡献测度的关键，不仅在于改进理论模型，更在于构建能够观测新技术生产能力的新型统计指标。进入智能经济时代，AI作为一种通用技术，正在重塑经济增长路径。然而，AI快速发展与宏观生产率提升之间仍存在明显滞后现象，这与20世纪80年代计算机技术普及时期出现的“索洛生产率悖论”具有相似性。

20世纪80年代，计算机和信息技术在美国经济中快速扩散，但宏观生产率提升并未同步出现，甚至长期低于预期。索洛提出的“生产率悖论”反映了一个重要问题：新技术从出现到真正转化为经济增长，需要经历技术应用、生产组织调整、制度适配和统计测度完善等多个过程。

在人工智能时代，索洛悖论再次引发广泛关注。尽管全球对人工智能模型、算力基础设施和数据资源投入持续增加，但宏观统计体系尚未充分捕捉AI对生产效率和经济增长的真实贡献。其中一个重要原因在于，传统增长核算框架通常将AI技术进步纳入TFP残差，而缺乏对AI生产过程本身的直接观测。

与传统技术进步不同，人工智能并非单纯提高生产效率，而是与劳动、资本、数据等生产要素深度融合，形成新的智能生产能力。因此，AI贡献既包含技术进步因素，也包含数据、算力、模型能力等新型投入因素，传统生产函数难以有效区分和识别这些不同来源的贡献。如何构建适应智能经济特征的新型生产函数，成为经济增长理论面临的重要挑战。

Token的出现为解决这一问题提供了新的分析基础。Token作为人工智能系统运行过程中的基本计量单位，使原本难以观察的AI认知生产过程获得了数字化记录和可量化表达。它不仅记录了模型推理过程中的计算活动，也反映了数据、算法、算力和模型能力共同作用下产生智能输出的过程。

从经济增长核算角度看，Token的重要意义在于，它有可能推动AI技术贡献测度由传统的“残差测度”转向基于过程观测的“显性测度”。Token作为AI能力输出的计量单位，能够动态反映人工智能系统的生产能力和价值创造能力，同时连接数据投入、模型能力、算力消耗以及最终形成的数字产品和智能服务。

进一步地，Token具有明显的流量属性。不同于传统资本以存量形式存在，Token体现的是人工智能系统持续运行过程中产生的智能服务流量，更适合作为智能经济生产过程中的观测变量。因此，在构建智能经济生产函数时，可以将Token作为反映AI技术产出能力的重要变量，与算力、模型能力、数据投入等指标共同构成新的智能生产要素测度体系。

未来，需要围绕Token、算力、模型能力和数据资源建立新的统计指标体系，推动经济统计制度从传统物质生产统计向智能生产统计拓展。Token经济学的重要理论意义之一，就是探索如何将人工智能这一长期难以测度的技术进步因素转化为可观察、可计量、可分析的新型经济变量，从而为理解智能经济增长机制提供新的理论基础。■

扫描二维码参加线上研讨

点击小程序参加全年30场直播