Token跌破1美元，谁的账崩了？
每百万Token价格8月首破1美元，较5月高点腰斩；OpenRouter用量涨47%而美元支出仅涨7%。高盛指出量升价崩正动摇AI资本开支逻辑，按Token计费的三大前提同步瓦解。对电力链而言，'AI吃电'叙事需从线性外推回归单位经济学核算。
每百万Token的价格，历史上第一次跌破1美元。8月单月下跌29%，较5月高点直接腰斩。高盛交易台把话挑明：量升价崩，正在动摇AI资本开支的底层逻辑。
这不是硅谷的独角戏。过去两年，"AI吃电"撑起了电力需求叙事的半边天，数据中心带动的光伏、储能与电网配套预期被写进了无数中长期模型。如今分母变了——从GPU采购到负荷规划，整条传导链都值得重新捋一遍。
📉 0.97美元：一张指数先绷不住了
价格先扛不住了。
8月的最后一个交易日，Silicon Data的LLM Token Expenditure Index（代码SDLLMTK）收在约0.97美元。这个衡量市场每百万Token使用加权均价的指数，历史上第一次跌破1美元关口。
单月下跌29%。较5月高点约2.05美元，累计跌幅已超过50%——三个月，腰斩。高盛One-Delta交易台负责人Rich Privorotsky在报告里，把这件事的分量说得很清楚。
但先要厘清一个容易被忽略的技术细节：SDLLMTK不是需求量指数，而是使用量加权的价格指数。Silicon Data自己已向市场提示，指数下跌可能来自标价下调、用户向低成本开源模型迁移，或两者兼而有之——它并不意味着AI使用量在萎缩。
问题恰恰出在这里。
收入等于单价乘以用量。过去两年，市场盯着的是用量曲线的陡峭，习惯把Token数量的增长直接翻译成收入的增长；而价格这一侧的斜率，几乎没人在意。0.97美元的意义，在于把价格端的坍塌速度第一次摆到了明面上：跌得比涨得快。
据接近交易台的人士观察，8月这组数据出来后，一些此前把Token曲线线性外推成收入曲线的测算模型，开始被打回重做。
高点约2.05美元
单月下跌29个百分点
首次跌破1美元关口
Meta新模型上线
产业逻辑很朴素：当价格成为主导变量，"需求旺盛"与"收入旺盛"就成了两回事。这正是高盛所说收入逻辑"根本性动摇"的起点。
✂️ 用量涨47%，钱只涨7%
量在暴涨，钱没跟上。
摩根大通的数据中心报告给出了8月最锋利的一组对照：OpenRouter平台Token使用量环比增长约47%，但美元支出仅增长约7%。
47%对7%。剪刀差张开的瞬间，AI投资逻辑的核心矛盾暴露无遗。
更微妙的是H100 GPU租赁价格——在路由量大幅上升的同时，租赁价格在下跌。这直接与"Token需求激增推高算力价格"的叙事相悖。Privorotsky的概括相当冷静：8月的数据呈现出清晰格局，量大幅上升，价格跌幅更大，美元支出几乎原地踏步。
他在报告里写了一句值得贴在每间投研办公室墙上的话："更多需求加上更低价格，若价格跌速超过消费增速，并不自动构成利好。"
高盛的结论更进一步：过去两年的股权定价，建立在"更多Token等于更多收入"的假设之上；而8月的数据，第一次清晰地打破了这一假设。
这里有个绕不开的算术常识：股票市场的回报以美元计算，而非以Token数量计算；超大规模数据中心的资本开支，正是基于美元收入预期来核算的。用量翻倍而收入持平，对GPU采购决策而言约等于零。
| 关键指标 | 8月数据 | 数据来源 |
|---|---|---|
| SDLLMTK指数 | 单月下跌29%，月末约0.97美元 | Silicon Data |
| 较5月高点累计跌幅 | 超过50%，高点约2.05美元 | Silicon Data |
| OpenRouter Token用量 | 环比增长约47% | 摩根大通 |
| OpenRouter美元支出 | 环比仅增长约7% | 摩根大通 |
| H100 GPU租赁价格 | 下跌 | 高盛报告 |
产业逻辑：AI板块的估值锚，正在从"量的故事"切换回"钱的故事"。资本开支一旦按美元重新核算，整条依赖其外溢预期的产业链——从算力租赁到数据中心，再到电力配套——都会被重新审视一遍。
⚠️ 三个前提，正在同时松动
护城河，正在以周为单位蒸发。
Privorotsky对"按Token计费"能否成为持久商业模式公开表示怀疑。他在报告中拆解了云端推理按百万Token定价所依赖的三个前提：模型体量大到无法本地运行；用户无法以开源替代品替换；工作负载足够突发，以至于自建算力不划算。
他的判断是：这三个前提，目前正在同步瓦解。
硬件端的证据最直观。RTX Spark级笔记本、DGX Spark工作站、能够运行700亿参数级模型的Mac Studio，以及算力在40至75+ TOPS区间的NPU，已经把大量Token的边际成本压缩到接近电费的水平。
经济账也随之改写。一旦企业每月的API账单超过一台5000至15000美元设备的摊销成本，这家企业就完成了身份转换——从Token的持续消费者，变成一次性硬件买家，而不再是那个持续贡献40%利润率的软件订阅用户。
模型端的挤压同样凶猛。9月2日起，Meta开始推出Muse Spark 1.3，在独立基准测试中已与GPT-5.6 Sol及Claude Opus 5处于同一梯队，且在智能体任务和代码生成方面表现突出。前沿阵营开始贴身竞争，价格下探几乎是必然的溢出结果。
| 定价模式前提 | 过去的假设 | 当前变化 |
|---|---|---|
| 模型体量 | 必须云端推理 | Mac Studio可跑700亿参数模型 |
| 替代选择 | 闭源API难被替换 | 用户向低成本开源模型迁移 |
| 工作负载 | 突发性强、自建不划算 | NPU算力进入40至75+ TOPS区间 |
| 前沿差距 | 构成护城河 | 以周计算，性能快速趋同 |
Privorotsky的评语颇为扎心："前沿优势以周计算，不构成护城河。"
产业逻辑：当模型性能趋同、本地算力够用、开源可以平替，按Token计费便从"基础设施收费"退化为"过渡期收费"。单价崩塌不是意外，而是竞争结构演化的必然结果。
🔌 AI吃电的故事，也要重新算账
电力侧盯错指标，可能已经很久了。
读到这里，新能源产业链的读者大概率会问：这跟我有什么关系？
关系藏在传导链里。过去两年，"AI算力扩张等于新增电力负荷"是电力需求预测中权重不断上升的一条主线，数据中心对应的光伏、储能与电网配套需求，被大量机构写进了中长期模型。而这台资本开支机器的燃料，恰恰是美元收入预期——Privorotsky说得很直白，超大规模数据中心的资本开支，正是基于美元收入预期来核算的。
把8月的数据放进这条链，推演并不复杂：
需要强调两点克制。
其一，量仍在高速增长——OpenRouter用量环比+47%是事实，推理总量增长本身依然创造真实的算力与电力需求，"AI吃电"不会因为单价下跌而消失，只是"吃电的钱"在变薄。
其二，本地推理的崛起可能改变负荷的形态而非总量：算力从超大规模数据中心向端侧迁移，集中的兆瓦级负荷与分散的端侧设备，对电网的意义完全不同。前者对应集中式电源与储能配套，后者几乎不进入电力规划的视野。
据多位接近产业链调研的人士观察，部分电力设备厂商已开始把客户需求预测中"AI负荷"的权重，从一条陡峭的直线，切换为高中低三档情景假设。
产业逻辑一句话：电力侧真正该盯的指标，不是Token涨了多少，而是美元涨了多少。
小结
0.97美元不只是一个价格点位，它戳破的是"用量等于收入"的隐含等式。对AI板块，这意味着估值锚从量的故事切换回钱的核算；对光伏、储能与电网，这意味着"AI负荷"叙事需要从线性外推转向单位经济学审视——负荷的确定性，跟着资本开支走，资本开支跟着美元收入走。后续不妨盯住三个信号：Token单价的下行斜率、美元支出增速能否重新跑赢用量增速、以及本地推理设备的渗透节奏。叙事会变，算账的逻辑永远不变。