来源：杨小强、张江朋：《词元（Token）交易市场的微观机制与制度设计——基于中国多地实践的研究》，《当代经济管理》2026年5月21日网络首发。

人工智能正在从“模型竞争”走向“词元竞争”。过去，人们谈AI基础设施，更多关注算力、芯片、数据中心和大模型参数。现在，随着大模型调用规模快速增长，一个新的概念开始进入政策、产业和市场视野——词元，也就是Token。

词元原本是大模型处理信息的基本单位。简单来说，大模型在理解和生成文本、图像、代码等内容时，会将信息拆分为若干基本片段，这些片段就是词元。随着大模型从实验室走向产业应用，词元不再只是技术指标，也逐渐成为可计量、可定价、可交易的数字商品。

杨小强、张江朋从市场微观结构理论出发，系统分析了杭州、贵州、深圳、安徽等地词元交易市场建设实践，并讨论词元交易的制度设计、价格发现和风险治理问题。

一、为什么词元会成为AI时代的“价值单位”？

在工业时代，电力可以用“千瓦时”计量；在互联网时代，流量成为重要计量单位；到了人工智能时代，词元正在成为衡量AI服务消耗和价值创造的重要单位。

这是因为大模型服务的成本和价值，最终都要通过一次次调用体现出来。无论是智能客服、代码生成、图像创作，还是企业知识库问答、智能体办公和行业大模型应用，都需要消耗词元。

当企业调用大模型时，通常不是直接购买“模型”，而是按调用量、输入输出内容和词元数量进行结算。于是，词元逐渐成为连接算力、模型和应用场景的中间环节。

从产业链看，词元上游连接能源、芯片、数据中心和算力资源；中游连接模型训练、模型推理和平台服务；下游连接企业智能化应用、开发者生态和最终用户需求。

因此，词元交易市场的出现，意味着AI服务正在从“技术能力展示”走向“市场化资源配置”。

二、词元不是普通商品

虽然词元可以被计量和交易，但它并不像大宗商品那样完全标准化。

同样是100万词元，不同模型、不同任务、不同场景下的实际价值可能差异很大。一个高性能模型生成的100万词元，可能在准确性、推理能力、响应速度和稳定性上明显优于普通模型。文本生成、图像生成、代码推理、多模态处理所消耗的词元，其价值也并不完全可比。

这就带来一个重要问题：词元市场不是简单的“低价者胜”。

如果需求方只根据价格选择服务，就可能出现低质量词元挤出高质量词元的情况。企业看似买到了更便宜的AI服务，但实际可能面临输出质量不稳定、推理延迟较高、模型能力不足等问题。

因此，词元交易市场要真正发展起来，不能只解决“怎么买”的问题，还要解决“怎么比”“怎么评”“怎么定价”的问题。

三、各地词元交易探索形成了不同模式

论文比较了杭州、贵州、芜湖、深圳等地实践，发现当前我国词元交易市场已经呈现出多中心、多路径的制度探索格局。

杭州模式可以概括为“平台聚合型”。

杭州依托“算力超市+模型超市”双核架构，将分散的算力资源和多种主流模型服务整合到统一平台上。企业可以像逛超市一样选择算力、模型和AI服务，并通过算力券降低使用成本。

这一模式的优势在于降低搜索成本和转换成本。中小企业不需要分别对接不同云厂商和模型厂商，而是可以在统一平台上比较和调用服务。但同时，平台越强，越需要关注其是否会形成过强的定价权和接口控制权。

贵州模式可以概括为“成本优势型”。

贵州依托数据中心集群、绿色电力和较低能源成本，发展低成本词元服务。其优势在于能够以较低价格吸引开发者、创业者和中小企业，释放长尾需求。

这一模式适合扩大AI应用普及，但也要警惕过度价格竞争。如果市场长期以低价作为主要竞争方式，可能导致服务质量信号被弱化，最终影响用户对词元服务的信任。

芜湖模式可以概括为“嵌入式调度型”。

作为“东数西算”工程相关枢纽，芜湖将词元服务嵌入省级算力统筹调度体系之中。它不是单独建设一个完全市场化的词元交易平台，而是把词元交易作为算力公共服务平台的重要功能。

这种模式有利于降低重复建设成本，提高区域算力资源调度效率，并服务本地人工智能产业链。但它也可能弱化独立价格发现功能，使词元价格受到行政协调和产业规划因素影响。

深圳模式可以概括为“需求牵引型”。

深圳拥有较完整的AI产业链，从芯片、算力基础设施、大模型，到具身智能、金融科技、智慧城市、智能制造等应用场景，形成了强大的需求基础。词元消费不是单纯靠补贴推动，而是来自真实场景中的AI应用需求。

这一模式的优势在于质量溢价空间较大，高性能模型和高质量服务更容易获得市场认可。但如果平台、龙头企业和应用生态之间绑定过深，也可能产生锁定效应，挤压中小模型服务商的发展空间。

四、词元交易市场面临哪些风险？

第一，信息不对称风险。

词元服务质量在交易前很难完全观察。供给方知道模型能力、服务稳定性和推理效率，但需求方尤其是中小企业往往缺乏专业判断能力。如果缺乏统一评价标准和第三方评测机制，市场就容易出现逆向选择。

第二，价格发现困难。

词元价格不仅取决于算力成本，还取决于模型质量、推理效率、任务复杂度和平台调度能力。同样数量的词元，在不同模型和应用场景下价值差异很大。因此，词元市场很难自然形成一个统一价格。

第三，流动性供给不均衡。

头部云厂商和大型平台拥有强大的算力调度能力，可以提供稳定词元服务。但中小开发者和创业企业仍可能面临“买不起、不会选、不敢用”的问题。补贴可以缓解“买不起”，但很难完全解决“不会选”和“不敢用”。

第四，平台垄断和定价权集中。

词元交易平台既可能是市场组织者，也可能是服务提供者。当平台掌握接口标准、接入门槛、展示排序和佣金规则时，就可能形成较强市场势力。如果缺乏监管，可能出现自我优待、搭售、价格歧视和锁定效应。

第五，金融化风险。

随着词元交易发展，未来可能出现算力券转让、算力期货、基于词元产出能力的投资产品等金融化形式。这些创新有助于资源配置，但如果脱离真实AI应用需求，也可能形成泡沫和投机风险。

五、如何建设规范有序的词元交易市场？

论文提出，词元交易市场建设不能只靠地方试点和平台自发探索，还需要形成更系统的制度设计。

第一，建立标准化体系。

要推动词元计量标准、质量分级标准、API接口规范、结算规则等制度建设。尤其要解决不同模型、不同任务和不同平台之间“如何比较”的问题。只有标准清晰，词元交易才能从“能交易”走向“可评价、可定价、可监管”。

第二，建设多层次市场架构。

词元市场可以借鉴资本市场的多层次结构，形成面向大型机构的场内标准化交易市场、面向中型企业和开发者的场外撮合市场，以及面向中小微企业和个人开发者的零售即用市场。不同层次满足不同需求，同时通过价格信息传导形成统一参考体系。

第三，完善监管制度。

监管重点应放在反垄断、消费者保护和金融风险防范上。对于具有市场支配地位的平台，应要求其公平接入、透明定价和数据可携带。对于服务提供方，应要求披露推理延迟、服务可用率、输出质量等关键指标。对于以词元或算力为基础资产的金融产品，应加强准入审核和持续监管。

第四，推动区域协同和全国统筹。

地方探索有助于制度创新，但如果各地平台标准不一、补贴政策互不兼容，就可能造成重复建设和市场分割。未来应推动地方词元交易平台互联互通，将词元交易纳入“东数西算”统筹框架，促进西部算力成本优势与东部应用需求优势更好结合。

六、词元交易意味着什么？

词元交易市场的兴起，本质上是人工智能从技术系统走向经济系统的重要标志。

过去，企业讨论AI时，重点是“有没有模型”“模型强不强”。未来，企业更关心的是：调用成本是多少？输出质量是否稳定？能否按需购买？不同模型之间如何选择？服务风险如何控制？

词元正是回答这些问题的基础计量单位。

如果说算力是AI时代的能源，模型是AI时代的机器，那么词元就是AI服务流动和交易的基本刻度。词元市场是否高效，将直接影响人工智能技术能否以更低成本、更高质量、更可持续的方式进入产业应用。

结语

词元交易不是简单地把AI调用量拿来买卖，而是涉及计量标准、质量评价、平台竞争、价格发现、区域协同和监管治理的一整套制度建设。

杭州、贵州、芜湖、深圳等地的实践说明，词元市场可以有不同发展路径：平台聚合、成本优势、嵌入式调度和需求牵引，各有优势，也各有风险。

未来，词元交易市场建设的关键，不是让所有地方都复制同一种模式，而是在统一标准和监管框架下，形成多层次、开放式、可互联的市场体系。只有这样，词元才能真正成为AI时代的价值单位，推动人工智能从“模型热”走向“应用深”，从技术突破走向产业繁荣。