AI市場最近出現一個值得留意的背馳現象。
圖中的Silicon Data Token Index自5月高位下跌超過四成，而且跌勢早於全球半導體股份回落；與此同時，部分大型雲端服務商及超級運算平台的股價仍然相對強勢。
若只看表面，投資者很容易得出一個結論：AI需求正在轉弱，Token價格下跌只是行業降溫的先行指標。
然而，這個推論未必成立，因為Token Index主要反映每百萬個Token的使用加權價格，而不是Token的總使用量，更不是企業的AI總支出。
價格下降可能源於需求疲弱，也可能因為運算效率改善、模型競爭加劇、用戶轉用較便宜的模型，以及同一項工作所需的Token數量減少。
換言之，它告訴我們「每個單位變便宜了」，卻沒有直接回答「市場總共用了多少個單位」。
Silicon Data的編製方法會按輸入與輸出比例、上下文長度、批次處理方式及可靠度等因素作標準化，較單純比較模型牌價完整；但即使如此，Token仍然不是理想的經濟價值單位。不同模型的分詞方式、推理強度、準確度、延遲及工具使用能力並不相同，同樣是一百萬個Token，能夠完成的工作量可以相差很遠。
例如，一個便宜模型若要反覆嘗試三次才能完成任務，實際成本未必低於一次便能交付可靠結果的高價模型。企業真正關心的並非一百萬個Token售價多少，而是完成一份報告、處理一宗索償、寫好一段程式，或者成功解決一個客戶問題需要多少成本。
因此，衡量AI經濟效益更合理的指標，應該是「每項成功任務的成本」，並且同時考慮準確度、速度、人工覆核及失敗重做的代價。
這個分別足以改變我們對Token價格下跌的判斷。
假設每百萬個Token價格下降四成，但低價令企業把AI應用擴展至更多部門，最終Token使用量增加一倍，整體市場收入仍然可以增長。這與雲端儲存、數據傳輸及通訊服務的發展相似：單位價格持續下降，不但沒有令需求消失，反而令原本成本上不可行的用途變得可行。
這也是經濟學所說的「傑文斯悖論」：一項資源的使用效率提高後，市場往往不會減少使用，反而因成本下降而擴大總需求。
AI推理價格愈低，企業便愈有條件把模型放進搜尋、客服、設計、醫療行政、金融分析及軟件開發等日常工作。Token價格下跌因此可能是AI普及的結果，而非AI熱潮結束的證據。
不過，需求擴大不代表產業鏈上每一家公司都能受惠，因為價值正在由「出售原始智能」轉移至「掌握工作流程」。當模型能力逐漸接近，而切換模型的成本持續下降，只按Token收費的基礎模型便愈來愈像標準化商品。
價格競爭會壓縮模型供應商的毛利，迫使它們向上延伸至應用程式、企業方案、代理工作流程及行業服務，藉此建立訂閱收入、客戶關係和轉換成本。
對大型雲端平台而言，推理成本降低通常不是壞消息。因為它們的收入不只來自模型本身，還包括雲端運算、數據庫、儲存、網絡、安全服務及企業軟件。模型變便宜，可以刺激更多企業使用整套平台，讓雲端商從AI周邊的廣泛需求獲利。即使Token本身的售價下降，每名客戶在整個生態系統的支出仍可能增加。
半導體公司的計算則更加複雜。晶片效率提升會降低每個Token所需的運算資源，雲端公司也正發展自家晶片，以減少對通用加速器的依賴；但若AI用量以更快速度擴張，整體算力需求仍然可以上升。因此，Token價格下跌既不能直接證明晶片需求崩塌，也不能保證所有晶片供應商繼續高速增長。真正的問題是，使用量增幅能否持續超越效率改善，以及龐大資本開支所帶來的折舊成本。
從投資角度看，AI行情最容易賺錢的第一階段，可能確實正在過去。早期只要與AI、晶片或數據中心扯上關係，估值便可以同步上升；下一階段，市場將重新區分誰只是提供容易被替代的模型，誰真正掌握客戶入口、專有數據、關鍵工作流程及稀缺基礎設施。
因此，Token Index下跌四成最重要的訊息，不是AI需求必然見頂，而是市場不再願意為「未加工的智能」支付過高溢價。智能正迅速由稀缺產品變成成本不斷下降的投入品，未來最有定價能力的公司，未必是產生最多Token的一方，而是能夠把Token轉化為可靠成果，並將成果嵌入企業日常運作的一方。
AI市場並沒有因為Token變便宜而停止增長，但利潤的落點正在改變。投資者下一步要追蹤的，已不只是模型參數、Token數量和晶片出貨，而是每項任務的實際成本、客戶留存、工作流程控制權，以及AI投資最終能否轉化為可以持續收費的服務。價格下跌可以擴大市場，也可以摧毀定價權；兩者可以同時發生，分別只在於誰掌握了價值鏈最後的一公里。
資料來源：Silicon Data、Bloomberg、Arkevium Research；圖表數據及觀點按所附資料整理。