大模型浪潮之下，“Token”正在从一个技术名词，变成一个经济命题。

　　复旦大学中国研究院副研究员刘典在新著《从流量到Token：词元经济十二讲》里，提出了一个判断：互联网时代的核心单位是流量，平台靠占据注意力来组织商业；大模型时代，语言、知识、判断和创造力，开始被拆成可输入、可计算、可输出、也可计费的生产流。核心单位，正在从“流量”变成“词元”。

　　书中一句话点题：工业经济把体力劳动纳入机器体系，平台经济把行为数据纳入算法体系，词元经济则把认知劳动纳入模型体系。词元因此不只是模型处理文本的技术单位，更成为连接人的表达、组织知识、模型推理、算力消耗、平台定价与制度治理的新接口。

　　围绕“词元经济”这一概念，本报记者向刘典抛出了六个问题。

　　一、“重组而非替代”，到底是认知升级，还是一种柔性的替代叙事？

　　本报记者：很多人质疑，“重组而非替代”是不是在为替代找一种温和的说法？

　　刘典：这个质疑，有一半是成立的。必须承认，重组不是替代的反义词，重组内部就含着真实的替代。基础翻译、初级文案、资料搜集、常规数据整理、报告初稿——这些任务的市场价格确实在往下走。一些岗位也许没有立刻消失，但岗位里原来最熟悉、最能换钱的那部分活，正在被压缩。

　　但如果只用“替代”去理解这场变化，也会漏掉要害：它首先发生在任务层面，不是职业层面。模型通常不会一口吃掉一整个职业，而是重新拆开职业内部的任务链条——资料整理和初稿生成被压缩，问题定义、风险判断、关系沟通、责任承担的比重反而上升。

　　真正要警惕的，不只是岗位减少，更是技能阶梯断裂。过去，年轻律师靠审普通合同成长，初级顾问靠搜资料、做基础分析来懂行，程序员靠写简单模块慢慢长出架构能力。如果这些底层任务全交给AI，年轻人看似更早碰到了高阶工作，却可能丢掉形成判断力那条路。

　　所以不能只告诉劳动者“去学用AI”，而要重设计人才成长机制。企业应当保留人机协作型的初级岗位，要求新人不仅调用模型，还要提交复核说明、错误分析和替代方案；把资深员工处置异常案例的经验，沉淀成组织知识；考核也不能只奖励速度和数量，还要奖励发现错误、规避风险、改进流程、培养新人。

　　二、DeepSeek的“九分之一成本”，是真实效率，还是低价换生态、抢标准？

　　本报记者：把价格压到九分之一，到底是技术红利，还是用补贴抢地盘？

　　刘典：我认为，真实效率和战略定价可以同时存在。

　　一方面，模型架构、推理效率、软硬件适配、算力利用率和规模效应，都可能实实在在降低单位词元成本。另一方面，API标价不等于完整成本。芯片、服务器、云平台、网络、电力、冷却、研发投入、供应链风险，最终都会体现在词元价格里。

　　所以判断低价来自效率还是补贴，不能只看报价。得看它是否覆盖长期研发和基础设施投入，是否依赖其他业务交叉补贴，扩大调用量后能否稳住服务，以及低价是否顺手把企业的提示词、知识库、工作流、业务数据锁了进去。

　　低价本身不是陷阱。低成本能降低中小企业和普通用户使用智能的门槛，也能帮助中国依托大规模应用，形成更快的反馈和迭代。真正的风险，是低价与封闭生态结合：厂商先用极低价格占领市场，再把企业的知识资产锁在自家平台，等迁移成本涨上去，再拿回定价权。

　　所以中国真正要争的，不是“全世界最低的API标价”，而是最低的可持续有效词元成本。低成本必须同时建立在这四样东西上：技术效率、开放接口、多元供给、可迁移生态。低价加开放，是普惠能力；低价加锁定，才可能成为战略陷阱。

　　算力价格竞争的终点，不是把价格压到零，而是以更低的全成本、更高的有效产出、更强的生态选择权，去组织智能。

　　三、企业买得起AI却推不动，组织摩擦到底卡在哪？

　　本报记者：所谓“3%渗透率悖论”，问题出在模型，还是出在组织？

　　刘典：出在组织。本质上，这不是模型能力不足，而是企业把“购买智能工具”误认成了“获得智能产能”。给员工买AI助手席位，等于给每人发了一台机器；机器能不能变成生产力，还取决于任务怎么拆、数据能不能接、流程改没改、输出谁审核、出问题谁负责、员工为什么愿改原来的活法。

　　书中提出“AI工厂”的概念，就是把模型、数据、流程、人员、审核、成本管理，组合成一个持续生产智能产出的组织系统。企业通常卡在五件事：任务管理不清，不知哪些环节能自动化；模型管理不清，同一任务调了过贵或不适配的模型；数据管理不清，知识散落各处；成本管理不清，只看API账单，不算失败调用和人工复核；责任管理不清，没人知道谁审核、谁签字、谁担后果。

　　至于“15倍提速”，不能直接等于15倍价值。该衡量的是：产生了多少可用结果，错误率和返工率降没降，人工复核时间少没少，任务周期短没短，客户体验和业务结果好没好。如果AI十分钟生成材料，却要专家三小时重做，那效率只是从生成端，挪到了审核端。

　　企业AI落地最难的，从来不是接上模型，而是把智能调用，变成一种有流程、有标准、有成本账、有责任人的组织能力。

　　四、词元成为国家竞争新接口，全球南方会不会容易形成依附性发展结构？

　　本报记者：在词元的版图里，全球南方是不是注定只能当消费者？

　　刘典：这个风险确实存在。而且问题不只在有没有芯片、有没有数据中心。更深层的风险是，一个国家的本土语言、产业知识、公共服务流程、行政规则，逐渐被嵌进少数外部平台的模型、接口和定价体系里。它拥有的，可能不是智能生产能力，而只是智能消费能力。

　　但要厘清一点：词元主权不等于技术封闭，也不意味着每个国家都得从头训练出世界领先的通用大模型。它的核心，是在开放条件下仍然保有选择权、转换能力和制度自主——需要外部模型时有替代方案，平台提价时有谈判能力，服务中断时有迁移能力，公共数据和治理规则不被商业平台永久锁定。

　　对全球南方来说，更现实的非对称突围工具包括：共同建设本土语言语料和公共知识库；通过区域合作发展共享算力；优先使用可部署、可修改、可迁移的开源模型；建立统一的数据格式、模型接口和智能体通信规范；在公共采购合同里写进数据归属、日志审计、模型切换、本地存储和退出条款。

　　这些国家未必能在模型排行榜上领先，但可以通过降低切换成本、联合采购、建设本土知识资产，提高对头部平台的议价能力。真正要争取的，不是绝对自给自足，而是本土知识的控制能力、智能服务的选择能力、平台切换的技术能力、公共采购的谈判能力。

　　未来的词元主权，不是不用别人的模型，而是在需要别人模型时，仍然保有替代方案、谈判能力和制度边界。

　　五、当“我会做什么”变成“我能用AI做到什么”，教育与职业阶梯准备好了吗？

　　本报记者：教育体系和职业阶梯，跟得上这种能力迁移吗？

　　刘典：目前还没准备好。传统教育主要训练的是，在确定题目下找标准答案；而词元经济更需要的，是另一组能力——能否发现真问题，能否组织证据和材料，能否给模型设置合理边界，能否识别幻觉与偏见，以及能否为最终结论担责。

　　所以“会用AI”，不能被简化成只会熟练使用几个提示词。真正的能力分四层：理解模型的基本能力和边界；能够定义问题、组织材料、设置约束；能够对输出做批判复核；知道何时不能用AI，并对隐私、责任和后果保持清醒。

　　如果这套能力只靠家庭资源、精英教育和头部企业内部培训来获得，AI会进一步放大“会提问的人”和“只会执行的人”之间的鸿沟。学校应当把AI纳入课堂讨论、作业设计和评价体系，让学生展示问题怎么定义、资料怎么筛选、输出怎么核验，而不只是交一份模型生成的最终答案。

　　职业教育和企业培训，也要从“教人认识AI”，转向“教人完成第一个真实任务”。AI可以压缩成为专家所需的一部分时间，但不能取消成为专家所需的认知过程。未来的人才培养，需要把传统学徒制，改造成有复核、有解释、有异常案例训练的人机协作型学徒制。

　　一句话：AI可以缩短成为专家的时间，但不能省略形成判断力的过程。

　　六、在“可负担、可持续、可治理”之间，如果必须排序，先保哪一个？

　　本报记者：三个目标打架时，该先保哪个？

　　刘典：这三个目标，不能在所有场景用一个固定顺序。

　　面向普通人、中小企业和基层公共部门的低风险应用，应当优先保可负担。如果智能能力已成通用生产要素，却只有大企业和富裕地区用得起，这种情况下，高成本会迅速固化新的数字鸿沟。

　　在数据中心、算力网络和大规模模型部署领域，可持续必须成为硬约束。词元不是没有物理成本的虚拟符号，它背后是芯片、电力、水资源、土地和电网负荷，如果只追求用量和低价格，却把资源消耗和环境成本转嫁给社会，这种模式撑不住。

　　在医疗、金融、司法、政务、公共决策这些高风险领域，可治理必须优先于效率和低价。模型可以提供建议，但不能替代法定程序；可以提高行政效率，但不能把公共判断和最终责任外包给技术平台。公共词元越便宜，公共责任越不能变薄。

　　所以我主张分层排序：低风险普惠场景，可负担优先；高风险决策场景，可治理优先；基础设施建设领域，可持续优先。

　　如果非要我只挑一个最放不下的，那么我会选可治理。成本可以通过竞争、补贴和技术进步逐步降下来，能源问题可以通过算电协同和绿色技术改善；可一旦社会把公共判断、责任归属和制度能力，长期外包给不可审计、不可切换的平台，损失的将是治理主体自身的能力。

　　可负担是进入智能时代的条件；可持续是长期运行的条件；可治理，则是确保我们仍握有方向和责任的底线。