返回资讯中心
外部精选
软件工程
#开发实践#APIs, Artificial Intelligence, Development Approaches, Software Development

Tokenomics Foundation 提出AI成本核算框架,帮企业厘清token开销

来源标题:Tokenomics Foundation: Making sense of what AI actually costs you

Tokenomics Foundation 推出 AI tokenomics 方法,试图解决企业能说出AI月账单、却说不清哪项用途驱动成本的问题。该方法主张把token消耗结构与业务结果挂钩,而非只看单token价格;约1个token相当于4个字符或0.75个单词。

InfoWorld2026/11/18 · 今天14 分钟阅读

以下正文由 AI 翻译自 InfoWorld(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

过去两个月,我一直在阅读并试图更深入地理解 tokenomics。在与业内同行的交流中,我越来越频繁地听到同一个问题:“我们在 AI 上花了钱,但到底换来了什么?”大多数团队能告诉我他们的月度账单,但很少有人能说清楚是哪项用途推高了费用。

如果你曾经打开一份 AI 账单、心里一沉,那你并不孤单。如今企业确实在 token、API 调用和 GPU 上投入了真金白银,但鲜有人能把这个数字与业务结果关联起来。这正是 Tokenomics Foundation 想要弥合的问题缺口。说实话,早该有人来做这件事了。

以下是我的发现:它是什么、做什么,以及其中两个值得了解的观点。

什么是 AI tokenomics?

我喜欢这个定义的地方在于,它没有止步于 token 价格。以我的经验,每个 token 的价格很少是问题所在,问题在于 token 在悄无声息中消耗了多少。你发送的每条 prompt 和收到的每个回复都会被拆分成 token,每一个都有成本。AI tokenomics 意味着理解这种成本结构,并将其与业务成果关联起来。粗略来说,在英文中一个 token 约等于 4 个字符,即 0.75 个单词。

AI tokenomics 就是管理这种经济的实践。基金会自己的口号概括得很好:不要只数 token,要从 AI 的总成本中获取价值。这意味着要看全局,从生产 token 的电力与硬件,到它们所创造的业务价值。

需要快速澄清一点:这与加密货币毫无关系。在加密领域,“tokenomics”指的是代币的供给与激励机制。在这里,它指的是运行 AI 的成本与价值。

背后是谁

Tokenomics Foundation 是 Linux Foundation 旗下项目,于 2026 年 8 月启动。它与 FinOps Foundation 协同运作,后者曾为云支出做过同样的工作。成员包括银行、零售商等大型 AI 采购方,以及云和模型提供商。

它不销售产品,也不发布成本追踪工具。可以把它看作一个标准机构。其工作组发布开放、厂商中立的:

  • 定义,确保大家对输入、输出、推理和缓存 token 的理解一致
  • 框架,如下文所述的两个
  • 成本数据标准,主要是扩展 FOCUS——FinOps 的计费格式,让 AI 提供商以相同方式报告用量
  • 基准、培训以及面向从业者的认证

实际的计量工作由市场上的工具完成,比如 AI 网关和可观测性平台。基金会的工作是确保它们都说同一种语言。

七层栈:AI 成本从何而来

这个栈描绘了影响一次 AI 回答成本的所有因素,从最底层的电力到最顶层的用户请求。它的价值很简单:在开始削减成本之前,告诉你该从哪里入手。

层级|涵盖内容 6. 需求|谁在提问、问什么、发送多少上下文 5. 访问与控制|模型前的网关:路由、预算、护栏 4. 模型选择|运行哪个模型,以及规模是否适合任务 3. 推理|服务模型的软件,包括缓存和 agent 循环 2. 基础设施管理|硬件有多少 actually 在忙于做有用的工作

  1. 硬件|将电力转化为 token 的 GPU 和数据中心
  2. 能源|电力和冷却的价格与供应

我在自己的家庭实验室里就遇到过这种情况。当我开始在本地运行 agent 时,一个简单的问题可能在后台触发 [X] 次模型调用。我之所以注意到,是因为我在盯着 GPU,而不是账单。

最大的节省通常来自中间和顶层:对简单任务使用更小的模型、缓存重复工作、减少发送的上下文。

七层栈与 Big-T 记法:成本增长有多快

如果你学过编程,你就知道 Big-O 记法,它描述代码随着数据增长而变慢的程度。Big-T 对 AI 是同样的思路:它描述随着更多人使用你的应用,token 用量增长的速度。

从最便宜到最危险:

  • T(1),常数:答案来自缓存,根本不调用模型
  • T(n),线性:每个请求一次模型调用,健康的默认值
  • T(n·k),倍增:每个请求悄无声息地触发多次模型调用
  • T(n·k·a),agent 倍增:agent 催生其他 agent,调用迅速堆积
  • T(∞),无界:没有出口的循环,一直运行到有人拔掉电源

关键洞察在于,这个乘数通常是看不见的。用户问一个问题,而应用在后台发起了 5 次或 10 次调用。Big-T 为团队提供了一种共同的方法,在账单到来之前发现这一点。

为什么重要

我的结论:如果你今天在用 AI 构建应用,先从对每个工作流问一个问题开始:一次用户请求到底触发了多少次模型调用?这一个数字比任何价目表都更能说明你未来的账单。

所以,token 价格持续下降,但 AI 账单持续上升。更便宜的 token 促使团队构建更大的系统:更长的对话、每个问题更多的文档、agent 调用 agent。

归根结底,基金会的使命是推动 AI 从“实验性支出”转向“可问责的运营”。目前,大多数组织无法将 AI 支出与 CFO 能接受的结果关联起来。基金会希望通过构建开放标准、基准和共同语言来解决这个问题,让你能够衡量、管理和优化你所消耗的每一个 token 的真实价值。

这不仅仅是为了让 AI 更便宜,而是为了让它物有所值。

如果你一直盯着一份令人困惑的发票,想知道钱都花到哪里去了,那么这个目标值得支持。

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →