夜雨聆风你见过公司主动晒自己的 AI 账单吗？
6 月 27 日，半导体与 AI 基础设施领域最知名的研究机构之一 SemiAnalysis，在 X 上发了一条 4 帖长贴，开头就让人倒吸一口凉气：
"One of the more uncomfortable observations in our AI Value Capture piece is internal: our token spend at SemiAnalysis now runs at roughly 30% of employee compensation."
「我们在 AI Value Capture 文章中一个更令人不安的内部观察是：SemiAnalysis 的 token 支出已经占到员工薪酬的大约 30%。」
30%。
Token 账单快赶上工资的三分之一了。
更夸张的是后面那串数字——员工平均每月消耗近 50 亿 tokens，比 Meta 内部员工高出5 倍以上。而团队里的顶级使用者？单人单月突破1000 亿 tokens。
这条帖文在 24 小时内收获 19.2 万次浏览、1200 多个赞，迅速成为 AI 圈的热门话题。
▲ SemiAnalysis 官方发布 thread 首帖，配前沿模型吞吐量对比图，19.2 万浏览
说这话的人，分量够重
SemiAnalysis 是什么来头？
这家由 Dylan Patel 联合创办的研究机构，专注半导体、AI 芯片和推理基础设施分析，客户群体包括全球顶级对冲基金、半导体公司和科技巨头。他们的付费报告动辄数万美元，在行业里以数据扎实、技术深度著称。
他们不做 AI 应用，不卖模型，也不搞创业融资。他们的核心业务就是研究——分析财报、拆解芯片架构、追踪 GPU 定价、建模 AI 推理成本。
所以当这样一家「卖铲子的研究公司」说自己的 token 账单快追上工资了，这件事的可信度要比某个 AI 创业公司的宣传高出好几个量级。
这次的数据来自他们 4 月底发表的付费报告《AI Value Capture - The Shift To Model Labs》，Dylan Patel 在 4 月还单独发帖透露过，他们仅 Claude Code 一个产品的年化支出峰值就达到了1095 万美元。
▲ SemiAnalysis 付费报告《AI Value Capture》原文，Anthropic ARR 从 90 亿飙升至 440 亿+
几美元 token 干了几千美元人工的活
光说 30% 还是抽象的。SemiAnalysis 在帖文第二条拆了一笔账，这笔账才真正让人看清 AI 经济学的颠覆性。
"Tasks that used to need a junior analyst for several hours, converting a model to a dashboard, building chart packs from earnings, rebuilding a comp set, now resolve in minutes for a few dollars of tokens."
「过去需要一个初级分析师花好几个小时的任务——把模型转成仪表板、从财报里做图表包、重建可比公司集——现在花几美元 tokens 几分钟就搞定了。」
▲ Thread 第二条：拆解替代数学，Opus 4.7 混合成本仅 $0.99/百万 token
他们在报告里放了一张真实工作流的 ROI 表格，每一行都是团队实际干过的活：
- 对比 Cursor 和 Anthropic 的 ARR 增长图表
：token 花费 4.66 美元，人工需要 1 小时 50 美元。ROI10.7 倍。 - 搭建 tokenomics 披露的 Slack 机器人
：58 美元 vs 20 小时 1000 美元。17.2 倍。 - 拉取 5 年财务数据 + 当年至今表现
：1.87 美元 vs 3 小时 150 美元。ROI 达到惊人的80.2 倍。
最高80 倍的投入产出比。
但关键还在成本端。Opus 4.7（Anthropic 的旗舰模型）标价是输入 5 美元、输出 25 美元每百万 token，看起来不便宜。但 SemiAnalysis 观察到的实际混合成本只有0.99 美元/百万 token——标价的五分之一都不到。
为什么差这么远？两个原因：
第一，输入输出比是 300:1。在 agentic（代理式）工作负载中，模型需要读取大量上下文——系统提示、历史对话、工具调用结果——但最终生成的输出文本很短。输入远比输出便宜，所以混合价格被大幅拉低。
第二，缓存命中率超过 90%。重复的系统提示和上下文可以直接复用缓存，缓存输入的价格只有 0.50 美元/百万 token。多轮 agentic 对话天然受益于高缓存率。
这意味着：对于深度使用 AI agent 的团队来说，frontier 模型的有效价格已经崩到了标价的 1/5 以下。几美元 token 就能完成过去需要花几百甚至上千美元人工费的任务。
SemiAnalysis 自己的总结冷冰冰的：
"That's a real change in the unit economics of professional services, not a 10% efficiency gain."
「这是专业服务单位经济学的根本变化，远超 10% 的效率提升。」
软件 14 倍 + 硬件 32 倍 = 成本曲线在崩塌
如果你觉得现在 token 已经够便宜了，SemiAnalysis 帖文第三条给的数据更让人头皮发麻。
他们在 thread 里配了一张吞吐量对比图：同一块 B300 GPU 上跑 DeepSeek R1——
基线 FP8：约1000 tokens/sec/GPU 加上 wideEP + 分解式部署（disagg）：涨到8000 再叠加 MTP（多 token 预测）：飙升至14000
纯软件优化，14 倍提升。
如果再算上硬件代差（从 H100 到 GB300 NVL72），最优化配置下 FP8 精度达到最佳 H100 的17 倍，FP4 精度下达到32 倍。
▲ Thread 第三条：逐项拆解吞吐量提升数据，14x 软件 + 17-32x 硬件叠加
把这些数字串起来理解：新一代硬件的总拥有成本（TCO）只比上一代贵 70% 左右，但推理性能提升了几何级数。每生成一个 token 的实际成本正在以前所未有的速度下降。
而且这个趋势还在加速——Blackwell 芯片每秒生成的 token 数是上一代 Hopper 的 30 倍，加上 TPUv7、Trainium 3 等 ASIC 芯片的追赶，推理成本的通缩可能刚刚开始。
这直接解释了为什么 Anthropic 的年化收入（ARR）能从 90 亿美元爆炸增长到 440 亿美元以上，同时推理毛利率还能从 38% 扩张到 70% 以上——需求在暴涨，成本在暴跌，价值捕获正在从硬件端向模型实验室大幅迁移。
社区吵翻了：革命信号还是极端个例？
SemiAnalysis 的帖文在社区引发了截然不同的反应。
乐观派认为这是一个历史性的生产力信号：
"Token spend being 30% of salaries isn't a cost problem — it's a productivity signal."
「Token 支出占工资 30%，更像生产力信号，成本压力只是表层。」
还有人提出了一个大胆的预测：未来公司的劳动力支出可能翻倍，但其中一半会变成 token 账单。
质疑派则指出了好几个问题。
有人在评论区直接开怼：
"can you guys stop using claude write this. i hate reading slop"
「你们能别再用 Claude 写这些了，我讨厌读这些垃圾内容。」
▲ 网友 @Butch3rW1ll 吐槽 AI 生成内容质量，获 52 赞
这条吐槽虽然刻薄，但点出了一个真实矛盾——你用 AI 省了大量人力成本，但产出的质量谁来把关？
更有深度的质疑来自验证环节：
"The substitution math is only obvious if the task ends at generation... the bigger question is: which workflows convert cheap inference into trusted output without adding the human back in as a reviewer?"
「替代数学只有在任务止步于生成时才成立……更大的问题是：哪些工作流能把廉价推理转化为可信产出，同时不需要人类重新介入做审查？」
这位评论者戳到了痛处：AI 生成速度快且便宜，但验证、责任归属和专有上下文仍然昂贵。对 SemiAnalysis 这种技术驱动、工作流高度可缓存的公司来说 30% 可行，但对大多数业务流程更复杂、输出需要担责的企业来说，这个数字可能遥不可及。
还有人从成本曲线的角度泼了冷水：
"30% of comp is wild. But compute costs halve every 18 months. If that curve holds, you're pricing on yesterday's numbers."
「30% 确实吓人。但算力成本每 18 个月减半。如果这个曲线成立，你现在看的是昨天的报价。」
言下之意：如果 token 成本还在持续下降，30% 这个数字本身就是暂时的——要么使用量继续暴涨填上降价空间，要么这个比例会自然回落。
所有公司都在往这个方向走
争议归争议，SemiAnalysis 在帖文里的一段表态让所有质疑都显得次要了：
"We wrote about it openly because every research firm, hedge fund, and law firm we know is heading toward a similar number, just on a delay."
「我们之所以公开写出来，是因为我们认识的每一家研究公司、对冲基金、律师事务所，都在朝着类似的数字迈进，只是时间上稍晚一些。」
这句话的重量在于——SemiAnalysis 可能是极端案例，但他们认为自己只是先行者，其他知识密集型机构只是还没到这个量级而已。
从他们自己的历史数据看，这个判断有时间线支撑：
- 2023 年底
：token 年化支出约 1 万美元，占薪酬 0.04% - 2025 年初
：年化约 700 万美元，占薪酬 28% - 2026 年 4 月
：峰值年化 1095 万美元
两年时间，从微不足道到逼近三分之一。增长轨迹接近指数级。
SemiAnalysis 对 2027 年的判断也很明确：token 价格将「实质性低于今天」，而率先深度采用的公司正在建立竞争壁垒。
这意味着什么？
对小型知识密集团队来说，token 支出正在成为一种新型的「数字劳动力成本」——随野心扩展，而非随人头增长。一个 20 人的精锐小队，配合 AI agent 的深度使用，可以做到过去 100 人团队才能覆盖的分析量。
对传统大型机构来说，这是一个更棘手的问题。学术机构每月 20 美元的 ChatGPT 订阅和 SemiAnalysis 每月数十万美元的 token 消耗之间，差了四个数量级。鸿沟正在拉大。
AI 的账单正在从「差旅报销」级别的零花钱，变成和「员工薪酬」同一级别的运营支出。CFO 们恐怕要习惯在预算表的「人力成本」旁边，新增一行叫「AI 推理成本」的科目了。
