夜雨聆风2026年6月12日，Linux基金会在FinOps X大会上正式宣布成立Tokenomics基金会，标志着Token作为AI时代的核心计价单位获得了标准化组织的正式背书。但Token并非计算史上第一个"按量计费"单位。回到上世纪60年代，IBM就已经用MIPS（Million Instructions Per Second）定义了整个计算机产业的定价逻辑。
一、一个相似的历史起点
1.1 计算的工业化难题
1961年，人工智能之父、MIT教授约翰·麦卡锡（John McCarthy）在MIT百年纪念演讲中，提出了一个在今天看来极具远见的构想：
如果我所提倡的计算机在未来得到广泛使用，那么计算最终可能像电话一样成为一种公共服务……计算机效用（Computer Utility）将成为一种全新的、重要的产业基础。
这个想法直接催生了分时系统（Time-Sharing）的概念。在此之前，计算机是不折不扣的"奢侈品"——IBM 704（1954年问世，世界上第一台量产的配备磁核存储器和浮点运算单元的计算机）的售价高达数百万美元，只能由大型机构独占。而在1960年代中期，IBM推出的System/360系列大型机（历史上最成功的计算机架构之一）虽然实现了兼容性和规模化，但其单体价格依然高昂，只有大企业和政府机构才能承受。
分时系统允许多个用户通过终端同时使用一台大型机。但问题随之而来：算力怎么定价？
1.2 IBM的回答：MIPS
IBM的解决方案简单而粗暴——按MIPS（每秒百万指令数）计价。
MIPS并非IBM独创的计量单位，但IBM是第一个将其转化为商业计价标准的公司。在1960年代到1970年代，IBM推出了以MIPS为基准的阶梯定价模型：
- 基础MIPS
包含在硬件采购中的基本算力 - 扩容MIPS
超出基础配置的部分，按MIPS数增购 - 软件MIPS
IBM软件许可以MIPS消耗量计价
这一体系在1980年代和1990年代发展到极致。IBM开发了MSU（Million Service Units）作为更精确的MIPS衍生单位，并建立了高度复杂的子容量许可（Sub-Capacity Licensing）体系——通过IBM License Metric Tool（ILMT）和Sub-Capacity Reporting Tool（SCRT）监控实际使用，用户只需为实际激活的处理器核心付费。
关键类比：MIPS之于IBM大型机，正如Token之于AI大模型——都是将一种本质上抽象的、无法直接量化的计算能力，转化为一种可计量、可交易的商品单位。
二、MIPS计价体系的复杂性
2.1 从简单到复杂的演变
IBM的计价体系经历了三个阶段：
第一阶段：硬件绑定（1960s-1980s） - 软件随硬件免费附送 - 计费单位：MIPS（每秒百万指令数） - 核心问题：用户为全量硬件付费，但大部分计算资源闲置
第二阶段：分层许可（1990s） - 推出PSP（Program Support Plan）→ 演变为Passport Advantage许可体系 - 引入Processor Value Unit (PVU)、Resource Value Unit (RVU)、Virtual Processor Core (VPC) 等计量单位 - PVU根据处理器核心数和处理器类型计算，不同IBM系统（Power、System z、x86）的PVU系数不同
第三阶段：按用量许可（2000s-2020s） - 引入子容量（Sub-Capacity）许可 - 通过ILMT实时监控，按实际使用的虚拟化核心数量计费 - Tailored Fit Pricing（类似云的消费定价）于2021年开始推广
2.2 MIPS计价模式的矛盾
在2026年回看，IBM的MIPS计价体系暴露了多个系统性问题：
- 不透明性
IBM至今未公开MIPS/MSU/PVU之间精确的换算公式。每个软件的PVU点数是IBM单方面定义的，用户无法验证。 - 审计风险
IBM定期对大型企业客户进行许可合规审计。2010年代，IBM因许可审计与企业产生的法律纠纷不计其数，企业违规补缴费用动辄数千万美元。 - 用户与供应商利益冲突
IBM鼓励用户购买更多MIPS以获得更大折扣，但软件授权价格与MIPS绑定后，用户扩容反而导致授权费暴涨——这在经济学上被称为"供应商锁定"。 - 不可预测性
工作负载波动导致MIPS消耗量不可预测，企业难以预算。
这些问题听起来是否异常熟悉？2025-2026年，企业AI用户正在遭遇几乎一模一样的问题。
三、AI时代的Token定价：历史的重演
3.1 Token作为计价单位的诞生
Token的本质是什么？是LLM处理文本的最小语义单元。但更准确地说，Token是将人类语言量子化为数学模型的处理原子。
从定价角度看，Token之所以成为AI的计价单位，有其必然性：
- 可计量性
每个API调用都可以精确统计输入和输出的Token数量 - 与计算成本强相关
Token数量与计算消耗（TFLOPs）高度线性 - 跨模型一致性
理论上，Token给了用户一个比较不同模型价格的基准
3.2 2026年主要AI模型Token定价全景
根据2026年6月从官方来源获取的数据：
OpenAI定价（openai.com/api/pricing/）
Anthropic定价
Google Gemini 3 Pro - Input: $3.50/1M tokens - Output: $10.50/1M tokens
此外，OpenAI的Batch API提供50%折扣，Priority和Flex处理层级提供性能和价格的梯度选择。
3.3 与MIPS的惊人相似之处
| 核心计价单位 | ||
| 定价不透明性 | ||
| Input/Output不对称 | ||
| 缓存折扣 | ||
| 批量折扣 | ||
| 审计与合规 | ||
| 计费复杂度 | ||
| 用户控制力 |
四、Token定价的三大棘手问题
4.1 Input和Output为什么价格不同？
当前所有主流模型API的Output Token价格远高于Input Token。以GPT-5.5为例，Output（$30/1M）是Input（$5/1M）的6倍；Anthropic Opus 4.6的Output（$75/1M）是Input（$15/1M）的5倍。
从技术角度解释：LLM推理分为Prefill（输入编码）和Decoding（自回归生成）两个阶段。在Decoding阶段，每生成一个Token都需要对整个上下文重新计算注意力矩阵。Output Tokens数量越多，Gap越明显。但这只是技术层面的原因。
深层商业逻辑是：用户购买的是"输出"，是AI的"思考结果"。Input是用户提供的原材料，Output才是产品。这不仅反映了计算成本差异，更反映了价值定价（Value-based Pricing）的策略——你为AI替你完成的工作付费，而不是为你提的问题付费。
4.2 长上下文的"沉没成本"
2026年，顶级模型的上下文窗口已扩展到100万-200万Token。但长上下文的成本面临两个问题：
注意力衰减：研究表明，LLM对上下文中部信息的检索准确率远低于开头和结尾，即使你为100万Token的上下文付了费，AI可能只"有效利用了"前20%。
Input Token成本不可忽略：在长文档处理场景（法律合同审查、代码库分析）中，Input Token成本大幅增加。例如，审查一份10万Token的合同，Input成本为$2.50（GPT-5.4），输出约5,000 Token的报告需$75.00。虽然Input成本相对低，但在大量文档处理的规模化场景下，Input成本的累计不可忽视。
4.3 跨模型计价标准不统一
Token在不同模型间的"购买力"差异巨大。同样一段中文文本，在OpenAI的Tiktoken分词器下可能消耗15个Token，在Llama 3的128K词表中只需要10个Token。这就好比同样一桶石油，有的供应商用"升"计价，有的用"加仑"计价——换算关系还不公开。
Token通胀与通缩：
- Token通胀
优化分词器（更大的词表、更好的压缩）减少相同语义所需的Token数量。对用户有利，但对厂商不利——因此厂商有动力维持一定的"计量宽松度"。 - Token通缩
推理硬件效率提升（ASIC、NDP加速）降低每个Token的边际成本，导致API价格下行。2025-2026年AI API价格战就是Token通缩的直接体现。
五、Tokenomics Foundation：行业自救的信号
5.1 治理架构与使命
2026年6月12日，Linux基金会在FinOps X 2026大会上正式宣布成立Tokenomics Foundation，这是继2025年12月联合Anthropic、Block和OpenAI成立Agentic AI基金会之后，Linux基金会在AI领域的又一重大布局。
参与方：谷歌、微软、IBM、摩根大通、毕马威、甲骨文和Salesforce等
核心使命：在企业级AI大规模应用中，建立Token计量、定价和成本管理的开放标准与最佳实践。
主要工作方向： 1. 统一Token计量标准（降低跨模型比较成本） 2. 制定定价透明规则（解决厂商单方面定价问题） 3. 建立AI成本基准测试（类似工业界的SPEC基准） 4. 将AI使用与实际业务价值挂钩（解决"AI花了这么多钱，到底值不值"的终极问题）
5.2 FinOps的AI化转型
Tokenomics Foundation隶属于FinOps基金会。FinOps基金会（同为Linux基金会子项目）专注于云成本管理，其社区已发展到95,000+成员，覆盖34,000+企业和97%的Fortune 100公司。
FinOps执行董事J.R. Storment在大会演讲中直言：
我们如何衡量这一切？如何统一定价标准和价格变动规则？如何为AI实验中的不确定性和失败进行合理定价？Tokenomics Foundation将成为一个中立于厂商的平台，共同解决乃至定义这些我们都还在摸索的Token经济学问题。
值得注意的是，IBM作为Tokenomics Foundation的创始成员加入——这个MIPS计价体系的缔造者，如今正在参与制定Token计价的新标准。历史以另一种方式回到了IBM的家门口。
六、历史不会重演，但会押韵
6.1 技术进步的总趋势
从MIPS到Token，计算资源的计价方式经历了一个螺旋式上升：
- MIPS（1960s-2020s）
指令级，面向硬件，绑定供应商 - Token（2023-未来）
语义级，面向AI，多元供应商 - 走向？
也许未来的计价单位会转向价值级——按AI实际产出价值计量
6.2 留给AI行业的问题
历史告诉我们，IBM花了50年才从MIPS计价体系走向Tailored Fit Pricing。AI行业需要多久走完类似的路？
几个需要持续观察的问题：
- 绑定风险
OpenAI通过GPT系列模型建立与Token计价的强绑定关系，移出成本极高。这是否就是IBM "供应商锁定"的翻版？ - 透明度缺口
Tokenomics Foundation能否打破厂商不透明的定价围墙？ - 成本失控
Token的通缩趋势（技术进步降低单价）是被Token数量膨胀（更长的推理链、更多Agent协作）所抵消——企业总AI支出的增长是必然，但能否与商业价值匹配？
1961年，麦卡锡梦想"计算像电话一样成为公共设施"。2026年，计算确实成为公共设施了——但计费账单上的数字，从MIPS换成了Token，而复杂性却只增不减。
结语：从量级到价值
IBM大型机的MIPS计价体系，教会了整个计算机产业一个深刻的教训：技术定价不只是会计问题，更是战略问题。
Tokenomics Foundation的成立表明，AI行业正在学到同样的教训。但Token能否避开MIPS走过的弯路，很大程度上取决于一种东西——标准化的透明力量。
在计算从稀缺走向普惠的历史进程中，每一次计价方式的演进都不是技术参数的改变，而是一段谁有权给算力贴标签的权力转移史。60年代IBM用MIPS告诉世界什么叫"计算是有价的"，2026年，Token正在接过这根接力棒。
然而，无论MIPS还是Token，最终衡量的都不是计算本身——而是计算创造的价值。当定价真正从"量级"转向"价值"时，算力才能从奢侈品变成公共设施，而这正是麦卡锡1961年的那个梦想。
名词解释
- MIPS
Million Instructions Per Second，每秒百万指令数。1980-1990年代IBM衡量大型机性能的核心指标，后被转化为软件授权的计价单位。 - MSU
Million Service Units，IBM System z（z/OS）的性能度量单位。1 MSU约等于28-40 MIPS（取决于处理器类型）。 - PVU
Processor Value Unit，IBM Passport Advantage许可体系的计价单位，根据处理器核心类型和数量计算软件授权费用。 - Token
AI时代的核心计量单位，代表文本被大语言模型分词器分割后的最小处理单元。 - Tokenomics Foundation
2026年6月由Linux基金会在FinOps X大会上宣布成立的新机构，专注于AI Token成本的标准化管理。
参考来源
OpenAI官方定价页面（openai.com/api/pricing/），2026年6月 IBM官网：Sub-capacity Licensing（ibm.com/software/passportadvantage/subcaplicensing） Linux基金会：Tokenomics Foundation正式公告（FinOps X 2026，2026-06-12） FinOps Foundation官网（finops.org） FinOps X 2026大会演讲，J.R. Storment & Pooja Kumar John McCarthy，MIT百年纪念演讲 "Time-Sharing Computer Systems"，1961 Douglas Parkhill，《The Challenge of the Computer Utility》，1966 Anthropic：Claude Sonnet 4.6发布公告（2026-02-18）