Token吃掉三成工资！硅谷AI账单失控了

发布时间：2026-07-18 05:18:38 来源：安智兰德资讯网 作者：休闲

新智元报道

【新智元导读】
当Token单价暴跌至不足1美元，掉成总账单却呈指数级爆炸——这是工资硅谷当前AI经济学中最具反直觉的现象。

每百万Token仅需0.99美元。账单

这是失控硅谷顶级半导体研究机构 SemiAnalysis账单上的真实数据。

然而，掉成更具冲击力的工资硅谷是其内部结构：大模型Token支出已占据员工总薪资的30%。

乍看之下，账单这是失控一笔巨额开销；但若从产出比换算，这笔资金所换取的掉成生产力，在过去需耗费数倍的工资硅谷人力成本才能覆盖。SemiAnalysis人均月消耗近50亿Token，账单是失控Meta人均水平的5倍以上，其核心贡献者月消耗更是掉成突破1000亿大关。

曾经需要初级分析师耗费数小时完成的工资硅谷Excel模型转换、财报图表制作，账单如今仅需几分钟及几美元即可搞定。

SemiAnalysis对此评价犀利：这并非10%的效率微增，而是专业服务业单元经济模型的根本性重写。

对于研究公司、对冲基金及律所等依赖智力资本的行业而言，Token支出占据薪资两至三成，只是时间问题。

英伟达CEO黄仁勋对此深感焦虑。

在今年的GTC大会上，他直言不讳地指出：若一名年薪50万美元的工程师，年底Token消费却不足25万美元，“我会彻底抓狂。”

为此，黄仁勋计划为英伟达每位工程师提供相当于半年工资的Token预算，并推动7.5万名员工与750万个AI智能体协同工作。

他警告称，拒绝使用AI，等同于芯片设计师坚持使用纸和铅笔。

Token已超越工具属性，正演变为新时代的“生产资料”。

硅谷的另一面：巨头们在AI账单中挣扎

讽刺的是，当SemiAnalysis通过Token实现降本增效时，硅谷科技巨头正被AI账单压得喘不过气。

Uber是这一困境的典型缩影。

去年年底，Uber向5000名工程师推广Claude Code，并设立内部排行榜以激发竞争。

结果出乎意料地“成功”：2月工程师使用率为32%，3月飙升至84%，至4月，95%的工程师每月都在使用AI，70%的代码提交由AI生成。

然而，全年预算也随之耗尽。

CTO被迫表示需“从头重做预算”。随后，Bloomberg曝光Uber实施更严厉的措施：为每位员工设定每月1500美元的Token上限，超额需特批。

尽管COO Andrew Macdonald在播客中坦言，AI使用量确实在增长，但其与消费者功能创新之间的直接联系……目前尚不明朗。

微软的情况更为魔幻。

据《The Verge》上月报道，微软正取消大部分Claude Code许可证，转而全面转向自家的GitHub Copilot CLI。

核心原因简单粗暴：花钱的速度远超产出速度。

英伟达应用深度学习副总裁Bryan Catanzaro在今年4月直言：“对我的团队而言，计算成本已远远超过人力成本。”

MIT 2024年的一项研究进一步佐证了这一困境：在以视觉为主要工作内容的岗位中，仅23%的场景下AI自动化具备经济合理性。

换言之，在剩余77%的情况下，雇人比用AI更便宜。

更有工程师吐槽，AI智能体在运行中“毁掉了数据库和网络”，将其称为“过度使用”的代价。

天价预算、使用失控、事故频发——硅谷正处于AI经济学最撕裂的阶段。

一边是前所未有的生产力提升，另一边是同样惊人的账单膨胀。

成本塌缩，才刚刚开始

尽管现状混乱，SemiAnalysis的核心论点却十分明确：别盯着今天的价格，成本塌缩的大幕才刚刚拉开。

1. 软件端的极致优化

在B300平台上运行DeepSeek R1，通过wideEP、disagg与MTP三层纯软件优化，单GPU吞吐量可从基准的 1000 tokens/秒飙升至14000 tokens/秒——实现 14倍提升，且完全依赖代码优化。

2. 硬件端的性能跃迁

在最优配置下，GB300 NVL72的吞吐量是H100的17倍；若切换至FP4精度，这一倍数直接拉升至 32倍。

3. 实际成本的结构性下降

以Opus 4.7为例，其标价看似高昂：输入5美元/百万Token，输出25美元/百万Token。

但由于智能体工作负载的输入输出比高达 300:1，加之 90%以上的缓存命中率，实际混合成本被压缩至 0.99美元。

这甚至不到标价的五分之一。

将软件与硬件优化叠加，一个难以回避的结论是：大模型毛利率的扩张，并非一次性的定价巧合，而是结构性的长期趋势。

Anthropic今年的年度经常性收入（ARR）从90亿美元激增至440亿美元以上，毛利率从38%飙升至70%以上——Token变便宜了，但卖Token的人反而更赚钱了。

Gartner今年3月的报告也佐证了这一观点：到2030年，万亿参数大模型的推理成本将比2025年 下降超过90%。

SemiAnalysis的判断清晰而坚定：若需预估2027年的Token价格，答案只有一个字——降。

钱花出去了，然后呢？

这正是当下AI行业最撕裂的现实：

全球科技公司今年宣布的AI资本开支已达 7400亿美元，较去年暴增69%；与此同时，科技业的裁员速度已超过去年全年。

钱在狂烧，人在被裁。

Goldman Sachs首席经济学家道出一句大实话：截至目前，AI对经济的实际影响基本为零。

这并非AI技术不行，而是每一轮基础设施革命必经的阵痛：先烧钱铺设管道，再等待水流汇聚。

电网如此，互联网如此，AI也不例外。

唯一的区别在于，这一次，管道铺设的速度与水流汇聚的速度，都是上一代人未曾见过的量级。

SemiAnalysis已经站在了“水流汇聚”的那一边——用30%的薪资换来了数倍的产出杠杆，且成本曲线仍在急剧下行。

至于其他公司：是现在蹚水过河，还是等对岸的人建好城池后再去追赶？

参考资料：

https://x.com/SemiAnalysis_/status/2070915305858007345

编辑：所罗门

相关文章