导语
随着推理模型消耗更多代币，AI系统的运行成本日益高昂，理解这些代币实际“购买”了什么变得至关重要。在本期TWIML AI Podcast中，斯坦福大学教授、Big Spin联合创始人Chris Potts深入探讨了AI代币经济学，并介绍了他对“代币通胀”的研究。他指出，在评估AI投资回报、理解推理时间扩展的经济影响，以及审视当前模型基准的局限性时，需要全新的视角。
AI代币经济学比模型基准更重要吗
斯坦福教授Chris Potts探讨AI代币经济学，提出‘代币通胀’概念——代币消耗增长可能快于其可衡量价值的增长。他指出单纯基准测试无法全面反映模型进步，专家用户通过挑战和迭代模型能获得更好结果，并讨论了推理时间扩展、高效架构对经济学的潜在改变，以及当前Transformer架构的局限与创新机遇。
大纲与深读 6 章
展开「深读」看每一段讨论的问题与论据。
01
AI Tokenomics与模型基准的权衡
- 随着推理模型消耗更多token，AI系统运行成本上升，理解token的实际价值变得至关重要。
- Chris Potts提出‘tokenflation’概念，指token使用量的增长速度可能超过了其可衡量的价值增长。
- 传统的模型基准测试无法全面反映模型的实际进展和经济性。
深读这一段
讨论的问题：AI Tokenomics是否比模型基准更重要？为什么？
论据 / 案例：Chris Potts是斯坦福教授、Big Spin联合创始人，其研究探讨了‘tokenflation’现象。
02
如何衡量AI投入的回报
01:00- 衡量AI投入回报需要超越基准测试，关注实际任务完成度和成本效益。
- ‘tokenflation’意味着单位token的购买力可能正在下降。
- 需要新的指标来评估模型在真实场景中的表现和经济性。
深读这一段
讨论的问题：如何有效衡量AI投入的回报？
论据 / 案例：研究《The Decline of Token-Level Purchasing Power》和《The Mystery of Opus 4.6’s Sudden Tokenflation》探讨了相关问题。
03
推理时缩放的经济影响
02:00- 推理时缩放指在模型推理阶段增加计算资源以提升性能，这直接影响运行成本。
- 更强大的模型需要更多的计算，从而推高了单次查询的成本。
- 这种趋势对AI系统的经济可行性提出了挑战。
深读这一段
讨论的问题：推理时缩放如何影响AI系统的经济性？
04
专家用户的交互策略
03:00- 熟练的AI用户往往通过挑战和迭代的方式与模型互动，以获得更好的结果。
- 这种‘AI流畅度’显著影响输出的质量和实用性。
- 研究表明，普通用户与专家用户在获取有用输出方面存在巨大差异。
深读这一段
讨论的问题：为什么专家用户能从AI中获得更好的结果？
论据 / 案例：研究《SWE-chat: Coding Agent Interactions From Real Users in the Wild》和《A Paradox of AI Fluency》提供了相关数据。
05
AI流畅度与模型使用效果
04:00- AI流畅度指用户有效与AI系统交互的能力，它与获取高质量输出正相关。
- 当前AI界面和设计可能无意中造成了使用效果的不平等。
- 提升整体AI流畅度可能比单纯提升模型能力更能改善用户体验。
深读这一段
讨论的问题：AI流畅度如何影响模型的实际使用效果？
论据 / 案例：Anthropic教育报告《The AI Fluency Index》和研究《Invisible Failures in Human-AI Interactions》对此进行了分析。
06
高效架构与经济学变革
05:00- 更高效的模型架构有可能从根本上改变AI系统的经济模型。
- DSPy等框架致力于让AI开发更系统化、可优化，从而降低成本。
- 当前Transformer架构存在固有局限，需要基础性的创新来突破。
深读这一段
讨论的问题：哪些技术创新可能改变AI的基础经济学？
论据 / 案例：提到的框架/项目包括DSPy、ColBERT、Claude Code，以及论文《Dynamic Token Merging for Efficient Byte-Level Language Models》。
金句
- "代币通胀指代币消耗的增长速度可能快于这些代币所能产生的可衡量价值的增长速度。"
- "单纯依赖基准测试只能提供模型进步的不完整图景。"
- "专家级AI用户往往通过挑战和迭代与模型互动来获得更好的结果。"
原文链接
↗完整内容见原文：TWIML AI Podcast · AI代币经济学比模型基准更重要吗