本文来自微信公众号: 爱中 谭 ,作者:爱中 谭


Token越来越便宜,AI账单越来越贵;真正的裁判,是验证成本。


先摆现象,再谈问题。


全球每百万Token的推理均价,从2026年5月底的2.04美元跌到8月初的1.16美元,9月初进一步跌到0.97美元。这是Silicon Data的LLM Token Expenditure Index(SDLLMTK),按实际使用量加权,不是厂商挂牌价。


中国厂商是主要推力之一:DeepSeek在5月把V4-Pro的API价格永久下调至原价四分之一。价格战没有停在9月——11月16日,腾讯混元Hy4flash发布,单任务成本再降一个量级。


需要说明的是,这个指数按使用量加权,价格下跌既可能是厂商降价,也可能是需求向低价模型迁移;把43%的跌幅全部归因于某一家厂商,会高估单一变量。


企业端的账单是另一幅画面。Uber把Claude Code开放给约5000名工程师,四个月烧光全年AI预算;95%的工程师每月使用,单个工程师月成本500到2000美元,后来不得不设下每工具每月1500美元的上限。


单价暴跌与账单暴涨同时发生。这个反常运动常被称为Token经济的“结构性裂缝”,但它在经济学史上并不新鲜:杰文斯在1865年就观察到,蒸汽机效率提升、煤价下跌,煤的消耗总量反而暴涨。只要需求弹性足够大,单位成本暴跌几乎必然以总支出上涨收场。这是通用技术扩散的正常形态,不是崩坏。


真正的问题是另一个:账单涨了,价值没有同比涨。


《Token经济》作者白惠天的判断说得很准:成本按Token线性计量,价值却按任务后果非线性展开。这句话的分量超出一个行业的经营困难,它指向一个范畴错误:计量单位度量的是生产过程的投入,而市场购买的是结果。这不是价格机制失灵,是度量衡装错了对象。


而本文想推进的是:这个范畴错误的收敛路径是存在的,收敛与否由一个几乎无人讨论的变量决定——验证成本。它既是计价模式的隐形裁判,也是“中间环节稀缺论”里最容易被一笔带过、却真正决定成败的那一个变量:场景、数据、渠道都重要,但最终都要落到“结果能不能被验证”上。


更准确地说:验证成本是裁判,但裁判的规则由共识书写。没有共识,结果无法在交易前被定义,结果定价就退回到按投入计价。


一、范畴错误:Token计量的是投入,市场购买的是结果


市场不是先有交易、后有度量,而是先有度量、后成市场。


蒲式耳计量粮食、桶计量石油、千瓦时计量电力——这些单位之所以能催生成规模的市场,不是因为方便,而是因为它们满足一个隐含前提:单位数量与交付价值之间的映射,稳定且无争议。


一千瓦时的电,无论用来照明还是驱动机床,对“电”本身的交付是等价的;价值差异发生在电之后的应用环节,买家不会因此质疑“这一千瓦时是不是那一千瓦时”。


Token恰好在这里断裂。


同一百万Token,用于闲聊只值几分钱,用于写代码值几百几千元,用于发现合同漏洞、规避数十万元损失,价值以万计。Token与它所承载的价值之间,不存在稳定映射。


它更像“工时”而非“千瓦时”——而没有人会按工时购买律师的产出,人们购买的是“这份合同没有漏洞”这个结果。


于是出现了一个耐人寻味的分工:生成端的厂商按投入计价(Token),购买端的客户按结果估值(任务后果)。预算失控、浪费争议、ROI核算困难,都是这个落差在财务报表上的投影。


按此推论,市场应该自发演化出按结果计价的模式来填补落差。它确实出现了——而它出现的位置和止步的边界,比它本身更值得深究。


在追问边界之前,还要先回答一个问题:为什么同一百万Token的价值映射,在不同任务之间相差千百倍?


答案不在Token一侧,而在结果一侧——不同任务的结果,处在完全不同的验证结构里。有的结果当场可判,有的要等时间兑现,有的永远争不出结论。把这个验证结构拆开,就是下文的主变量。


二、验证成本不是一个数,而是一种结构


谈验证成本之前,先承认一个缺陷:这个词目前只是个裁判的姿态,没有被拆开。


它至少由三个性质不同的部分构成:


判定成本:确认“结果成立”本身要花多少功夫。谁来判定?判定者需要多少专业能力?耗时几何?


但判定成本还有一个更前置的变量:判定的终点是否已经被行业共识锁定。没有共识,每一次判定都要重新谈判“什么算成立”,结果无法在交易前被定义,结果定价就退回到按投入计价。


争议成本:判定之后对方不服怎么办。复诉、纠纷、责任切分,需要什么样的裁决机制,裁决本身消耗多少资源?


兑现周期:结果的真实性要多久才能完全确认。客服的“解决”当场闭环;合同漏洞的“没有造成损失”要等漏洞未被利用才能兑现——兑现周期越长,计价方的风险敞口越大。


三者不是并列的,它们会互相转化:判定成本决定争议成本的下限;争议成本决定兑现周期能不能被合同吸收;兑现周期又反过来改变判定的时点。


共识在这里不是第四项,而是判定成本的前置条件:它决定判定标准能不能在签约前被写死。


用这三把尺子去量任务,会得到一个比“可机器验证/需人类验证”更精确的三档地图:


第一档,事前可机器判定:结果在交付瞬间闭环,判定零成本、无争议。客服的“用户停止追问”、销售线索的“完成预约”属于此列。


第二档,事后可验证,兑现周期长:结果真伪最终可知,但要等时间兑现。“修复的漏洞未再复发”“产线软件稳定运行一个财年”属于此列。结果对赌在此可行,但计价方要承担整个兑现周期的风险敞口。


第三档,主体间不可完全验证:结果的优劣没有客观终点。代码的长期可维护性、一份分析报告的判断质量、一次战略建议的好坏——不同验收人结论不同,甚至同一验收人隔一年结论也会变。这一档无法普遍按结果计价。


三档地图画完,先补上中间一档的实证,否则地图不对称:第一档有Fin,第三档有编程,第二档靠什么落地?


答案是医药行业的疗效对赌协议。


基因疗法Luxturna定价每眼42.5万美元,疗效要等两年半才能确认——典型的第二档结果。厂商与保险公司Harvard Pilgrim的合同是这样处理验证成本的:判定成本被事前锁定——疗效用全视野光敏感阈值(FST)评分对照患者基线衡量,指标是仪器读数,不是主观评价;兑现周期被切割成两个退款门槛——30至90天的短期疗效检查,加上30个月的持久性检查,任一不达标即退款;敞口再被分期付款摊薄——厂商向医保提出了分五年支付的方案。


同一思路还有变体:诺华的CAR-T疗法Kymriah规定患者30天内无应答就不出具账单;Zynteglo约定两年内未实现输血独立则退还最高80%的费用。


这批合同的共同点值得看清:它们能按结果对赌,是因为三个条件同时成立——疗效指标事前量化锁定(判定成本可控)、指标是仪器读数而非主观评价(争议成本趋零)、临床试验提供了稳定的疗效分布数据(退款率可精算)。


也就是说,第二档不是不行,而是要用分期、退款上限和事前锁定的量化终点,把兑现周期的敞口切割成可精算的小块。


AI编码为什么套用不了这套模具?不是兑现周期长,而是它拿不出事前锁定的量化终点——“修复”没有像FST评分那样的仪器读数,返工分布也不像疗效曲线那样稳定。


第二档的模具就摆在那里,第三档的任务够不着它。


医药案例对AI定价的启示,不是让AI去模仿FST评分,而是暴露了一个更前置的条件:第二档成立的前提,是“终点”可以被事前锁定。


而FST评分之所以能锁定终点,不只是因为它是仪器读数,而是因为监管、临床、支付方共同接受了一套终点定义——这是共识,不是技术。


AI编程至今没有锁定这个终点。不是技术做不到,而是行业还没有就“什么算修复”达成共识。没有共识,就没有可写进合同的终点;没有终点,分期、退款、对赌都无从设计。


三、正面拆解:Fin把验证做成了一套机制


Fin AI Agent按0.99美元一次“解决”收费。官方披露,它每周解决超过200万次对话;Fin所属公司总ARR超过4亿美元,其中Fin agent ARR超过1亿美元(2026年5月)。2026年6月,Salesforce宣布以约36亿美元收购Fin,交易在9月完成。


但值得看的不是数字,是它的计费条款如何逐项处理验证成本的三个构成。


判定成本,被转移给了客户的沉默。


Fin的“解决”分两种:确认解决(用户明确肯定,“Ok thanks”即算)与假定解决(用户在AI回复后不再追问)。它不雇佣任何仲裁者,判定行为被设计成客户行为本身的副产品——沉默即判定,说话即判定,离开即判定。


争议成本,被退款条款预先吞掉。


条款规定:会话事后被重新打开追问——即使跨账期——该次解决自动扣回、不计费;每会话最多计费一次,即使Fin执行了多个动作;Fin答不上来、动作执行失败、或用户要求转人工,分文不收。


注意这套设计的实质:它不设纠纷裁决流程,而是用自动退款替代裁决。厂商不争辩“这算不算解决了”,直接退钱。争议成本被转化为一项可预算的退款率。


兑现周期,被压缩为零。


交易瞬时闭环,厂商不持有任何长期风险敞口——这与第二档任务(漏洞是否复发要等一年)形成鲜明对照。


同时它还有排除规则来防止验证机制本身被滥用:寒暄不算解决(Fin未实际回答不计费)、Fin反问澄清后用户沉默致会话超时关闭、不记录解决不计费。也就是说,连“判定行为被代理给客户”这个设计自身的漏洞,都被逐条堵上了。


这三项合起来,解释了Fin为什么能收溢价:0.99美元一次的“解决”,远高于完成它所需Token成本的零头。溢价不是为智力付的,是为验证机制的搭建成品付的——判定代理、自动退款、排除规则,三件套本身就是产品。


更重要的是,这三件套不是并列的三个设计,而是一条转化链:判定转移给客户,降低了争议成本的下限;自动退款替代裁决,让兑现周期得以压缩为零;兑现周期归零,又反过来让“沉默即判定”的判定方式成立。


三件套互为条件,拆开任何一件,另外两件都站不住。


四、“解决”的定义权:谁定义结果,谁掌握定价权


拆完机制,还剩一层政治。


细看Fin的条款会发现:“解决”包括“假定解决”——用户沉默也算一次收费。换言之,它收费所依据的“结果”,有一部分是由沉默构成的。


这不是漏洞,是结果定价的内生政治。当计价单位从“Token”换成“结果”,一个更隐蔽的权力随之转移:谁有权定义什么算一个结果。


而定义权在三件套里的位置是清晰的:它本质上是判定标准与争议裁决规则的设计权。谁定判定标准,谁控制判定成本的走向;谁定裁决规则,谁控制争议成本的归宿。


定义权回答“谁来写规则”;共识回答“规则能不能被各方接受”。两者不是一回事:Fin有定义权,但没有行业共识,所以它必须用退款和排除规则来赎买接受;医药对赌有制度共识,所以判定标准可以写进合同,判定成本才能前置锁定。


医药对赌同样有退款和分期,但那是共识之下的制度化让利,不是逐单谈判的赎买。


Token的定义权无关紧要——它只是文本切片,双方对“一百万Token”的含义毫无分歧;而“解决”“合格”“完成”的定义,每一次都嵌入了设计者的利益:定义宽一分,营收多一分。


古德哈特定律如影随形:当指标成为收费依据,指标就不再忠实——客服Agent有动机引导用户“看起来解决”地离开对话,正如按代码行数考核时工程师有动机写冗余代码。


Fin的应对方式本身就是证据:退款条款、“每会话限一次”、排除规则——定义权必须用让利条款来赎买。


这让Token经济的稀缺资源链条完整了:先是模型能力稀缺,然后是场景落地能力稀缺,而最终极的稀缺,是把一个行业的模糊产出翻译成可验证、无争议、双方都接受的“结果”的设计权。


这是一项制度设计工作,不是技术工作。


而编程场景的问题更靠前一步:它不是没有定义权,而是定义权碎片化——每个团队都能定义自己的“修复”,却没有一个能被行业共同接受的版本。定义在这里不是被争夺,而是无法合并。


五、反面拆解:为什么几乎没有人按“修复一个bug”收费


编程场景的价值上限远高于客服,却是三档地图里第三档的典型。


没有人敢按“修复一个bug”收费,把原因拆到操作层面,恰好逐项对应验证成本的三个构成。


编程的问题不是没有定义权——每个团队都能定义自己的“修复”;问题是这些定义彼此不兼容,无法形成行业共识。没有共识,判定成本就不能在签约前锁定,只能按项目、按人天、按订阅收费。


判定成本与生产成本同量级。


bug是否被修复,需要代码评审来判定——而一次认真的代码评审,耗时接近重写一遍。按结果收费的厂商,每收一笔钱就要执行一次与交付本身等成本的验收。溢价空间在判定环节就被吃光。


争议成本没有裁决机制,只有敞口。


bug的“修复”没有稳定判定点:回归测试通过不等于真正修复,副作用可能两周后才显现,架构债可能在下一个需求才引爆。


按GitClear对约2.2亿行代码变更的分析口径,AI辅助之下,短期返工与重复代码指标显著上升。这里要说精确:代码变更指标上升,不直接等于退款率失控——它首先撞坏的是争议裁决。返工可能源于厂商的交付缺陷,也可能源于客户的需求变更或使用不当,责任切分本身就成了争议。


Luxturna式合同能运转,靠的是FST评分这种仪器读数让责任切分无争议可起;而代码返工恰恰没有这样的读数。争议成本因此从“可裁决”退化为“不可精算”——厂商无法预知每一笔退款争议将花多少裁决成本、多久结清。


连带着,退款承诺本身也失去了定价基础:精算需要稳定的失败率分布,而编程场景的返工率随模型换代剧烈波动,分布不存在,承诺就无法定价。


兑现周期不可压缩。


Uber的CTO在预算烧光后说过一句话:“代码可能确实多交付了一些,但很难把它和‘给用户做出了更有用的功能’划等号。”连雇主都无法验证产出的价值,收费方更无从谈起。


多步任务还叠加复合失败率:每步成功率90%,十步流程端到端只剩约35%——结果成功率随任务长度崩溃,而任务长度由客户定义,计价方无法控制自己的赔率。


这就是三档地图的操作含义:结果定价能否成立,取决于厂商能否把验证成本的三个构成项分别处理掉——判定要么转移要么自动化,争议要么有裁决机制要么退款率可精算,兑现周期要么压缩为零要么敢持有敞口。


Fin三样全占了;按bug收费一样都占不了。


六、反身性:一个假说,而不是结论


验证成本的边界是固定的吗?


这里必须诚实:以下推论是一个假说,证据密度低于前文。


假说是这样的:验证昂贵,根源在于验证依赖人类注意力——资深律师复核一份初审过的合同,时间几乎等同于从头审阅。如果验证本身可以交给模型(AI初审、第二个模型交叉核验、统计抽检替代逐份审查),验证成本将随Token单价一起下降,结果定价的疆域将随之向第二档、乃至第三档任务扩张。


换言之,Token经济能否摆脱按Token计价,取决于验证能否被Token购买。


模型厂商的档位分层——编程与Agent场景的输出价明显高于轻量模型——可以看作这场迁移的早期地层:厂商已在按任务的验证难度定价,只是尚未明说。


这个假说自带反面:当验证由模型完成,验证者与被验证者共享同一种失败模式——用可能幻觉的模型验收可能幻觉的模型,验证的可信度本身成为新的验证难题,链条可以无限递归,每层递归都消耗Token和信任。


目前没有任何实验数据或失败案例能裁决这两股力量的净效应,所以本文不把它写成结论,只写下可证伪条件:


如果未来出现按bug修复收费、且退款率稳定可控的编程Agent产品,“人类注意力不可让渡是最终边界”即被证伪;如果此类产品反复因退款失控退回订阅制,假说获得正面支撑。


在那之前,第三档任务的按结果计价,维持“不可行”的默认判断。


七、收束


把全文收拢为三层:


计量层,Token是智力产出的第一个通用计量单位,度量投入而非结果,与价值之间没有稳定映射;


定价层,验证成本的三个构成(判定、争议、兑现)决定结果定价的生存空间,Fin逐一处理了它们,Luxturna用分期与退款门槛处理了第二档的兑现周期,编程场景一项也处理不了;而三个构成里最前置的是判定标准能否被行业共识锁定——共识不是第四项成本,是成本的前提;


演化层——这里的结论必须明确标注为悬置:验证的Token化可能推移边界,也可能被验证递归消耗的信任所抵消,两股力量的净效应没有证据可裁决,本文不下判断,只留下可证伪条件。


腾讯WorkBuddy的一位客户成功负责人分享过一个观察:一家制造业客户的一名员工,用4天时间做出了产线监控软件,为企业节省上百万软件成本。节省的百万不是Token创造的,是“一个懂产线的人终于能把需求落地”创造的——瓶颈从“能不能做”挪到了“知不知道该做什么”。


而全文的推进可以再补一层:知不知道该做什么,最终要落到能不能说清什么算做到了。


Token经济把智力的生产变成了工业,把智力的验证做成了产品,但把结果的定义留给了谈判桌。


按Token付费,就像按字数给律师付费——计量单位清晰,和价值没有必然关系。但取代它的不会是某一种新单位,而是一整套关于“结果如何判定、争议如何裁决、敞口由谁持有”的制度安排。


验证成本是裁判;但裁判的规则,由共识书写。


智力的无限供给已经到来;智力的可交易,才刚刚开始。


资料注记


—Token价格指数:Silicon Data,LLM Token Expenditure Index(SDLLMTK),2026年9月读数;参见中国金融信息网、21世纪经济报道相关报道。


—DeepSeek V4-Pro价格:DeepSeek官方公告,2026年5月;参见证券时报报道。


—腾讯混元Hy4flash:2026年11月16日发布,不属于9月价格拐点,属于11月后的价格战延续;参见央广网报道。


—Uber预算:公开报道中的CTO表述与95%使用率、1500美元/工具/月上限。


—Fin:Fin官方披露的0.99美元/次、每周200万次解决、公司总ARR与Fin agent ARR;Salesforce 2026年6月收购公告。


—白惠天《Token经济》:中信出版集团,2026年;参见《光明日报》2026年11月12日作者自述。


—Luxturna、Kymriah、Zynteglo:公开的疗效对赌/风险分担合同报道。


—GitClear:代码变更分析报告;正文采用其指标口径,不写具体倍数。