# 代币的所有文章

在 HTX 新聞中心流覽與「代币」相關的最新資訊與深度分析。潘蓋市場趨勢、專案動態、技術進展及監管政策,提供權威的加密行業洞察。

当 Token 比人更贵,「AI 叙事」就碰到麻烦了

企业AI支出正面临成本与价值不匹配的严峻挑战。Uber和微软等公司高管公开表示,持续攀升的Token消耗并未带来相应的产品实质改善或明确的商业回报,甚至出现了为消耗而消耗的“Token极大化”现象。 数据显示,AI应用成本高企而效率堪忧:Uber工程师人均月度账单差异巨大,一次演示可能消耗1200美元;GitHub Copilot转向按用量计费引发用户不满;研究指出,企业每投入1美元AI费用,仅18美分产生用户价值,大量消耗用于修复AI自身引入的问题。与此同时,Token价格和AI软件价格持续上涨。 市场观点出现分歧。乐观者认为这是转型阵痛,未来Token消耗将转向更健康的“单位有效行动成本”衡量,真实生产力提升正在发生,且当前科技巨头估值远低于历史泡沫水平。悲观者则指出,AI供应链价值过度集中于半导体公司(如英伟达利润激增),而云服务商举债投资,多数企业投资回报为零,这种脱节难以持续。 更深层的隐忧在于超大规模云服务商与AI实验室(如OpenAI、Anthropic)之间复杂的循环融资结构。云厂商既是AI实验室的投资方,又是其算力供应商,其大量云收入承诺与AI实验室的融资能力绑定。一旦融资放缓,整个链条可能面临断裂风险。 当前并非典型的科技泡沫,AI技术真实且对部分用户有效。但核心矛盾已从“技术是否可行”转变为“经济上是否可持续”。企业使用AI节省的成本,能否覆盖并超越实验室和云巨头高昂的运营与估值成本,成为关键问题。过去单纯以Token消耗量衡量成功的叙事已破灭,AI的账单已经到期,最终由谁来为价值买单,仍是未知数。

marsbit05/29 01:44

当 Token 比人更贵,「AI 叙事」就碰到麻烦了

marsbit05/29 01:44

Token预算战争:企业AI进入「算账时代」

企业AI正从“是否采用”进入“如何算账”的“Token预算战争”阶段。随着AI推理成本从实验性支出变为持续性运营成本,CEO和CFO开始追问:每一美元token投入究竟创造了什么实际价值? 文章指出,AI的使用量(token消耗)不等于价值。与SaaS时代不同,token账单上涨可能意味着有效工作,也可能源自无效折腾——如低效提示词、无关上下文、模型选择不当或重复重试。关键在于衡量“边际token效用”,即每多花一美元所创造的商业价值。 当前企业面临三大挑战:重试导致成本复合增长、上下文过度供给造成成本飙升,以及任务路由不合理(简单任务误用强大模型)。这使企业难以将token成本与具体业务结果(如替代外包、节省人力或创造收入)清晰关联。 解决问题的核心在于建立“从token到结果的归因层”:记录AI执行轨迹(检索、工具调用、重试、人工干预等),并将推理支出与完成的工作单位(如处理每张发票、每个客诉)挂钩。谁能实现这种归因,谁就能掌控AI资源的分配权,决定哪些工作流值得投入更多算力,哪些应改用更便宜模型或保持人工。 最终,企业AI的下一阶段不再是证明技术能否完成任务,而是判断这些任务是否值得付费。掌握token效用衡量的企业,将赢得这场预算分配的主导权。

marsbit05/28 12:13

Token预算战争:企业AI进入「算账时代」

marsbit05/28 12:13

从电力基础设施到 Token 经济:AI 产业链的「七层蛋糕」

本文提出,AI产业正从以模型训练为核心的“上半场”,进入以海量推理需求驱动的“Token工业时代”。未来消耗算力最多的将是遍布全球的AI Agent的每一次交互与任务执行。 文章借鉴并扩展了黄仁勋的“蛋糕”架构,将AI经济产业链描绘为围绕Token运转的“七层蛋糕”: 1. **电力**:AI时代的能源基础。 2. **AIDC(AI数据中心)**:集中GPU形成Token生产能力的“工厂”,趋势向轻量化、模块化的区域节点发展。 3. **GPU**:Token的核心生产设备,需求从训练向推理倾斜。 4. **LLM(大语言模型)**:Token的生产引擎,竞争焦点转向推理成本与效率。 5. **Token分发**:像电网一样分配算力的云平台与租赁服务。 6. **Token优化与智能调度**:根据任务复杂度、隐私要求等,动态调度算力与模型的关键“大脑”。 7. **AI Agent**:Token的最终消费者与价值实现层。 当前产业链各层之间存在割裂与效率瓶颈(如算力与能源不匹配、缺乏智能调度等)。只有当这七层基础设施被打通并高效协同时,AI产业才能从“工具时代”迈向真正的“大规模采用时代”。未来的竞争关键,可能不在于拥有最大的模型,而在于能否有效连接能源、算力、网络与Token流动,构建起支持数十亿AI Agent持续协作的智能基础设施网络。

marsbit05/26 05:43

从电力基础设施到 Token 经济:AI 产业链的「七层蛋糕」

marsbit05/26 05:43

一周省下3亿Token,Anthropic工程师的Claude Code缓存指南

这篇文章分享了Anthropic工程师通过有效利用Claude Code的Prompt缓存机制,一周内节省超过3亿Token的经验。核心观点是,缓存的Token成本仅为普通输入的10%,因此提高缓存复用率能显著降低使用成本并延长会话额度。 缓存机制依赖“前缀匹配”,分为系统层、项目层和对话层三层。只要会话前缀与已缓存内容一致,Claude即可直接复用,无需重新处理。Claude Code订阅版的缓存有效时间(TTL)为1小时,而API默认为5分钟。 文章强调了几个关键的使用习惯以避免“打断”缓存: 1. 不要让会话空置超过1小时,否则缓存过期,重新开始成本更低。 2. 切换任务时,建议进行清晰的会话交接(如使用自定义的handoff技能总结进度后新建会话),而非使用可能破坏缓存的`/compact`命令。 3. 避免在会话中途切换模型(包括开启“Opus plan”模式),因为不同模型使用独立缓存,切换会导致缓存失效。 4. 大文档应放入Projects中管理,而非反复粘贴进对话,以获得更好的缓存优化。 此外,文章提到Anthropic内部会监控缓存命中率,因为这直接影响服务成本和用户体验。通过理解并遵循这些简单的原则,用户可以在不改变使用习惯的情况下,更高效地利用Claude Code,节省Token消耗。

marsbit05/24 00:36

一周省下3亿Token,Anthropic工程师的Claude Code缓存指南

marsbit05/24 00:36

活动图片